Automating the Detection of Requirement Dependencies Using Large Language Models
تقدم هذه الورقة البحثية LEREDD، وهو نهج جديد يعتمد على النماذج اللغوية الكبيرة (LLM) ويستفيد من التوليد المعزز بالاسترجاع والتعلم في السياق لأتمتة اكتشاف تبعيات المتطلبات، مُظهرًا دقة ودرجات F1 متفوقة مقارنة بالنماذج المرجعية الرائدة، مع إصدار مجموعة بيانات جديدة مشروحة لدعم الأبحاث المستقبلية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد الأنظمة البرمجية الحديثة شبكات واسعة ومعقدة من التعليمات التي تشغل كل شيء، بدءاً من السيارات التي نقودها وصولاً إلى الأجهزة الطبية التي تنقذ الأرواح. وفي قلب بناء هذه الأنظمة يكمن مستند حيوي يُعرف باسم مواصفات متطلبات البرمجيات. هذا المستند هو في الأساس قائمة من الوعود، مكتوبة بلغة بشرية بسيطة، توضح بالتفصيل ما يجب أن يفعله البرنامج تماماً. ومع ذلك، نادراً ما تكون هذه الوعود معزولة؛ فتماماً كما تعتمد طوبة واحدة في جدار على الملاط والطوب المحيط بها، فإن متطلبات البرمجيات مترابطة بعمق. إن تغيير مطلب واحد غالباً ما يفرض تغييرات في مطالب أخرى، والفشل في رصد هذه الروابط قد يؤدي إلى أخطاء مكلفة، أو فشل في النظام، أو مخاطر تتعلق بالسلامة. ولعقود من الزمن، اضطر المهندسون إلى القراءة يدوياً عبر آلاف الجمل للعثند على هذه الروابط الخفية، وهي عملية بطيئة، وعرضة للخطأ البشري، وصعبة للغاية نظراً للحجم الهائل للنصوص المعنية.
ويتفاقم التحدي بسبب حقيقة أن هذه المتطلبات مكتوبة بلغة طبيعية، وهي لغة تتسم بطبيعتها بالغموض. فقد تبدو جملة ما واضحة لشخص ما، بينما تعني شيئاً مختلفاً تماماً لشخص آخر. وقد كافحت البرامج الحاسوبية التقليدية للتنقل عبر هذا الغموض لأنها تفتقر إلى القدرة على فهم السياق والاستنتاج من خلال العلاقات المعقدة كما يفعل الخبير البشري. فهي غالباً ما تعتمد على مطابقة الكلمات البسيطة، مما يغفل المعنى العميق وراء النص. وهنا يأتي دور جيل جديد من الذكاء الاصطناعي، المعروف باسم النماذج اللغوية الكبيرة. لقد تم تدريب هذه النماذج على كميات هائلة من النصوص وأظهرت قدرة ملحوة على فهم الفروق الدقيقة والاستنتاج عبر المشكلات. ولكن بينما تم اختبارها في مهام عديدة، ظلت قدرتها على إيجاد هذه الروابط الحرجة بين متطلبات البرمجيات بشكل تلقائي غير مثبتة إلى حد كبير.
وفي دراسة حديثة، سعى الباحثون لسد هذه الفجوة من خلال تطوير طريقة جديدة تسمى LEREDD. يستخدم هذا النهج نموذجاً لغوياً كبيراً ليس فقط لقراءة النص، بل ليعمل كمهندس خبير يمكنه تحليل أزواج من المتطلبات وتحديد ما إذا كانت تعتمد على بعضها البعض. لم يكتفِ الباحثون بطلب التخمين من الكمبيوتر، بل بنوا نظاماً يوفر للنموذج الأدوات المناسبة لاتخاذ قرار مدروس. يعمل النظام بطريقتين رئيسيتين: أولاً، يستخدم تقنية تسمى "التعلم في السياق"، وهي تشبه عرض بعض الأمثلة للحلول الصحيحة على الكمبيوتر قبل مطالبته بحل مشكلة جديدة. ومن خلال استرجاع أمثلة محددة لكيفية ارتباط المتطلبات من قاعدة بيانات، يتعلم النموذج نمط ما يبدو عليه "الاعتماد" في ذلك السياق المحدد. ثانياً، عندما يحتاج النموذج لفهم النظام الأوسع الذي يقوم بتحليله، فإنه يستخدم طريقة تسمى "التوليد المعزز بالاسترجاع". وهذا يسمح للنموذل بسحب المعلومات الخلفية ذات الصلة مباشرة من وثائق تصميم النظام، مما يضمن امتلاكه السياق اللازم لاتخاذ حكم صحيح.
اختبر الفريق هذا النهج على ثلاثة أنظمة مختلفة للسيارات، حيث قاموا بتحليل أكثر من 800 زوج من المتطلبات التي تم تصنيفها يدوياً من قبل خبراء بشريين لتكون بمثابة "الحقيقة الأرضية" (المرجع الصحيح). وقارنوا طريقتهم الجديدة بتقنيتين راسختين: إحداهما تعتمد على إحصائيات الكلمات البسيطة، والأخرى تستخدم نموذج تعلم آلي أكثر تعقيداً يتطلب تدريباً مكثفاً على بيانات محددة. وكانت النتائج واضحة ومقنعة؛ فقد تفوق نهج LEREDD الجديد بشكل كبير على الطرق القديمة. لقد كان ماهراً بشكل خاص في تحديد الحالات التي لا يوجد فيها أي اتصال بين مطلبين، وهي مهمة حاسمة لأن الغالبية العظمى من أزواج المتطلبات في الوثائق الواقعية هي في الواقع غير مرتبطة ببعضها. ومن خلال التصفية الدقيقة لهذه الأزواج غير المتصلة، يمكن للنظام توفير وقت هائل للمهندسين، مما يسم يسمح لهم بالتركيز فقط على الأزواج القليلة التي تحتاج حقاً إلى اهتمام بشري.
ولعل الأمر الأكثر إثارة للإعجاب هو أن النظام حافظ على مستواه العالي من الدقة حتى عندما تم اختباره على نظام لم يره من قبل. في عالم هندسة البرمجيات، يعد هذا سيناريو شائعاً حيث يتعين على المهندسين تحليل منتج جديد باستخدام الدروس المستفادة من منتج قديم. تفشل العديد من النماذج الحاسوبية التقلية في هذا الموقف لأنها تحفظ الأنماط من بيانات التدريب الخاصة بها بدلاً من فهم المنطق حقاً. ومع ذلك، أظهر النهج الجديد قوة في الاستمرارية، مما أظهر قدرته على تعميم استنتاجاته في بيئات جديدة دون الحاجة إلى إعادة التدريب. وبينما لم يكن النظام مثالياً في تحديد كل نوع من أنواع الاتصال، خاصة تلك النادرة والمعقدة، إلا أنه حقق باستمرار مستوى عالياً من النجاح في اكتشاف الروابط الأكثر شيوعاً وحرجاً.
كما استكشفت الدراسة طرقاً مختلفة لتهيئة النظام لمعرفة ما إذا كان إضافة المزيد من المعلومات أو تغيير الأمثلة سيؤدي إلى تحسين النتائج. ووجدوا أن تزويد النموذج بعدد محدد من الأمثلة المختارة بعناًية كان أكثر فعالية من مجرد إلقاء المزيد من البيانات عليه. ومن المثير للاهتمام، أنه عندما جاءت الأمثلة من نفس النظام الذي يتم تحليله، فإن إضافة وثائق خلفية إضافية لم يحسن الأداء بشكل كبير. ومع ذلك، عندما جاءت الأمثلة من نظام مختلف، أصبحت تلك الوثائق الخلفية الإضافية حيوية، حيث ساعدت النموذج على فهم السياق الجديد واتخاذ قرارات أفضل. وهذا يشير إلى أن مفتاح النجاح يكمن في تقديم النوع الصحيح من السياق بدلاً من مجرد تقديم المزيد من المعلومات.
في النهاية، يثبت هذا البحث أن الذكاء الاصطناعي يمكنه الانتقال لما وراء معالجة النصوص البسيطة لأداء مهام هندسية معقدة تتطلب الاستنتاج والسياق. توفر الطريقة الجديدة وسيلة عملية لأتمتة جزء مجهد وعرضة للخطأ من عملية تطوير البرمجيات. ومن خلال تحديد المتطلبات المرتبطة ببعضها البعض بشكل موثوق، فإنه يساعد في ضمان بناء البرمجيات على أساس متين، مما يقلل من مخاطر الأخطاء ويجعل عملية التطوير أكثر كفاءة. لقد أتاح الباحثون بياناتهم وأكوادهم للجمهور، آملين أن يكون هذا العمل بمثابة أساس لأدوات مستقبلية تجعل بناء الأنظمة البرمجية المعقدة والآمنة أكثر سهولة للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.