تشخیص هوشمند موجودیت‌های خاص در مهندسی نیازمندی‌ها

در دنیای امروز با پیشرفت سریع فناوری و صنعت، لازم است که نیازمندی‌ها از روی اسناد و ایمیل‌ها و پرسش‌نامه ها وداستان‌های کاربران و موارد دیگر استخراج شود. فرآیندهای دستی برای استخراج نیازمندی‌ها دیگر پاسخگوی نیازهای حوزه مهندسی نرم‌افزار نیست. اینکار هم زمان‌بر و هم پر از خطا است. با پیدایش الگوریتم‌های یادگیری ماشین، یادگیری عمیق و با ظهور پردازش زبان طبیعی و مدل‌های زبانی بزرگ، کار استخراج نیازمندی‌ها برای مهندسان ساده‌تر و دقیق‌تر انجام می‌شود. در روش‌های خودکار تشخیص موجودیت‌های خاص، مدل هوش مصنوعی مستندات متنی را می‌خواند و اسامی مهم مانند نام ماژول‌ها، سخت‌افزارها، نرم‌افزارها و کاربران را پیدا و دسته‌بندی می‌کند. این اطلاعات ساختار یافته در آینده برای جلوگیری از دوباره‌کاری و مدیریت بهتر نیازمندی‌ها استفاده می‌شوند. بررسی ها نشان می‌دهند که مدلهای مختلف زبانی و هوش مصنوعی بصورت ترکیبی می‌توانند نتایج بهتری داشته باشند و البته در حوزه‌های مختلف مهندسی نیازمندی‌ها به دلیل متفاوت بودن موجودیت‌های خاص استخراج شده، گاهی روش‌ها قابل تعمیم به سایر حوزه‌ها نیستند و گاهی در حوزه‌های مشابه دوباره‌کاری صورت می‌گیرد. در این مقاله نقاط قوت و ضعف و چالش های روش های موجود بیان شده است.

intelligent detection of specific entities in requirements engineering

in today s world, with the rapid advancement of technology and industry, it is essential to extract requirements from documents, emails, questionnaires, user stories, and other sources. manual processes for requirements elicitation are no longer sufficient to meet the needs of the software engineering domain, as they are both time-consuming and error-prone. with the emergence of machine learning and deep learning algorithms, coupled with the advent of natural language processing and large language models, the task of requirements extraction has become simpler and more accurate for engineers. in automated methods for identifying specific entities, an ai model reads textual documentation and identifies and classifies important terms, such as the names of modules, hardware, software, and users. this structured information is then used in the future to prevent rework and to enable better requirements management. studies indicate that various language and ai models, when used in combination, can yield superior results. however, within the different sub-domains of requirements engineering, the specific entities to be extracted vary significantly. consequently, methods developed for one domain are sometimes not generalizable to others, and rework can occur even in similar domains. this paper outlines the strengths, weaknesses, and challenges of existing methods.