基於生成式人工智能的需求工程：系統性文獻回顧

核心概念

生成式人工智能技術可以有效地自動化和增強需求工程的各個階段，包括需求獲取、分析、規格化、驗證和管理。這些技術可以提高需求工程的效率和質量，從而提高軟體開發的成功率。

摘要

本文系統性地回顧了生成式人工智能在需求工程領域的應用現狀。主要發現包括：

大多數研究集中在需求獲取和分析階段，而對後期階段如需求規格化、驗證和管理的應用相對較少。這表明生成式人工智能在需求工程各個階段的應用仍有很大的潛力和空間。

大型語言模型（如GPT系列）是目前最主要的生成式人工智能技術，但仍需要更多不同類型的人工智能方法來滿足需求工程的多樣化需求。

在應用生成式人工智能時仍存在一些挑戰，如領域特定應用的局限性、人工智能輸出的可解釋性等。這些都需要未來的研究和開發來進一步解決。

總的來說，生成式人工智能技術為需求工程帶來了革命性的變革，但仍需要更全面的評估框架、更好的人機協作模式以及對倫理影響的深入考慮，以確保生成式人工智能在需求工程中的有效應用和負責任的實施。

統計資料

"只有31%的軟體項目能按時、按預算完成，僅46%的項目能帶來高價值回報。"
"需求變更和用戶對需求的理解不足是造成成本超支的主要原因。"

引述

"生成式人工智能技術可以自動化和增強需求工程的各個階段，包括需求獲取、分析、規格化、驗證和管理。"
"生成式人工智能技術為需求工程帶來了革命性的變革，但仍需要更全面的評估框架、更好的人機協作模式以及對倫理影響的深入考慮。"

從以下內容提煉的關鍵洞見

Generative AI for Requirements Engineering: A Systematic Literature Review

by Haowei Cheng... 於 arxiv.org 09-12-2024

https://arxiv.org/pdf/2409.06741.pdf

深入探究

生成式人工智能在需求工程中的應用如何與軟體開發的其他階段（如設計、實現、測試）進行有效整合?

生成式人工智能（GenAI）在需求工程（RE）中的應用可以通過多種方式與軟體開發的其他階段進行有效整合。首先，在設計階段，GenAI可以自動生成設計文檔和用戶故事，這些文檔基於需求工程階段所收集的需求，從而確保設計與需求的一致性。其次，在實現階段，GenAI可以生成代碼片段，這些代碼片段直接反映需求規範，減少開發人員的手動編碼工作，並提高代碼的準確性和一致性。此外，在測試階段，GenAI可以自動生成測試用例，這些測試用例基於需求文檔，幫助測試團隊更有效地驗證系統是否符合需求。這種跨階段的整合不僅提高了開發效率，還能減少因需求變更而導致的錯誤和重工，最終提升軟體的質量和可靠性。

如何確保生成式人工智能在需求工程中的應用不會產生偏見和歧視性?

為了確保生成式人工智能在需求工程中的應用不會產生偏見和歧視性，首先需要在模型訓練階段使用多樣化和代表性的數據集。這些數據集應該涵蓋不同的用戶群體和需求，以避免模型在生成需求時反映出不平衡的觀點或偏見。其次，應該實施嚴格的測試和評估機制，定期檢查生成的需求是否存在偏見或歧視性表現。此外，開發者應該在需求工程過程中保持人類的監督，確保生成的內容符合倫理標準和社會責任。最後，建立透明的模型解釋機制，讓利益相關者能夠理解和質疑AI生成的結果，這樣可以增強對生成式人工智能的信任，並促進其負責任的使用。

生成式人工智能技術如何幫助需求工程師更好地理解和滿足不同領域的特殊需求?

生成式人工智能技術能夠通過多種方式幫助需求工程師更好地理解和滿足不同領域的特殊需求。首先，GenAI可以分析大量的行業特定文檔和案例，從中提取出關鍵的需求模式和趨勢，這樣需求工程師可以更快地掌握特定領域的需求特徵。其次，GenAI可以自動生成針對特定領域的需求文檔，這些文檔基於對行業標準和最佳實踐的理解，幫助需求工程師在撰寫需求時更具針對性和準確性。此外，通過自然語言處理（NLP）技術，GenAI能夠幫助需求工程師與利益相關者進行更有效的溝通，從而更好地捕捉和理解他們的需求和期望。這種能力不僅提高了需求的質量，還能促進需求工程師在多樣化的業務環境中靈活應對不同的挑戰。