ARQM: A Tool for Requirements Quality Analysis

تخيل أنك محرر في مكتبة ضخمة وفوضوية، حيث كل كتاب فيها هو عبارة عن مخطط لبناء شيء جديد—جسر، أو لعبة فيديو، أو سفينة فضاء. قبل أن توضع لبنة واحدة أو يُكتب سطر واحد من الكود البرمجي، يجب على المهندسين المعماريين تدوين ما يحتاجون إليه بدقة. تُسمى هذه الملاحظات "المتطلبات". لكن المشكلة تكمن في أن البشر سيئون للغاية في كتابة هذه الملاحظات بشكل مثالي؛ إذ يصيبهم التعب، ويستخدمون كلمات غامضة مثل "ربما" أو "سريع"، وأحياناً يكتبون أشياء متناقضة دون قصد. إذا كان المخطط فوضوياً، سينهار المبنى أو تتعطل اللعبة. هذا هو عالم هندسة المتطلبات (Requirement Engineering): العملية الفوضوية وعالية المخاطر لتحويل الأفكار البشرية إلى تعليمات واضحة وصارمة للآلات.

لإصلاح ذلك، يعمل العلماء على بناء "مدققين رقميين" منذ عقود. تقليدياً، كان هؤلاء المدققون يشبهون أمناء مكتبة صارمين يحملون قلماً أحمر وقائمة من القواعد البسيطة: "إذا رأيت كلمة 'يجب'، فهي متطلب. وإذا رأيت كلمة 'عملية'، فهي ليست كذلك". لكن هذه القواعد القديمة غالباً ما كانت تغفل عن دقة اللغة البشرية. وهنا يأتي دور الذكاء الاصطناعي (AI) وتعلم الآلة (ML). لا تنظر إلى هذه التقنيات كأدوات تتبع القواعد، بل كمتدربين شديدي الملاحظة قرأوا ملايين الوثائق. فبدلاً من البحث عن كلمات محددة، يتعلم هؤلاء المتدربون "روح" الجملة، ويفهمون السياق والمعنى بطريقة لم تستطع القوائم البسيطة فعلها أبداً. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكن لهؤلاء المتدربين الأذكياء القيام بعمل أفضل من أمناء المكتبة القدامى الذين يعتمدون على القواعد في رصد المخططات السيئة قبل بدء البناء؟

تقدم هذه الورقة البحثية متدرباً رقمياً جديداً يُدعى ARQM (الإدارة الآلية لجودة المتطلبات). لقد طور الباحثون من جامعة ولاية بنسلفانيا هذه الأداة لتعمل كمحرر دؤوب وشديد الانتباه لوثائق المتطلبات. وخلافاً لأسلافها التي اعتمدت على قواعد جامدة وعفا عليها الزمن، يستخدم ARQM الذكاء الاصطناعي الحديث لـ "قراءة" الوثائق والقيام بمهمتين رئيسيتين. أولاً، يعمل كـ مرشح فحص (screening filter)، حيث يفرز كومة من النصوص ليقرر: "هل هذه الجملة هي في الواقع متطلب، أم أنها مجرد ضجيج خلفي؟". ثانياً، يعمل كـ مفتش جودة (quality inspector)، حيث يتحقق مما إذا كانت المتطلبات التي اجتازت الفلتر جيدة حقاً. فهو يبحث عن "روائح" أو انتهاكات محددة بناءً على معيار IEEE 29148—وهو كتاب قواعد عالمي لما يجعل المتطلب واضحاً، وقابلاً للاختبار، وغير غامض.

لم يكتف الفريق ببناء الأداة فحسب، بل أخضعها لمعسكر تدريبي صارم. لقد غذّوا الأداة بآلاف الجمل من مجموعة بيانات عامة تسمى PURE (المتطلبات العامة) لتعليمها كيفية تمييز المتطلبات. ثم اختبروها على مجموعة خاصة من الوثائق التي تم تصنيفها بعناية من قبل خبراء بشريين للتحقق من أربعة أنواع محددة من مشكلات الجودة: الغموض (هل هي مربكة؟)، القابلية للتنفيذ (هل يمكن القيام بها فعلياً؟)، الوحدانية (هل تحاول القيام بأشياء كثيرة في آن واحد؟)، والقابلية للتحقق (هل يمكن إثبات أنها تعمل؟).

تشير النتائج إلى أن المتدرب الذكي هو بالفعل موظف جديد قوي. فعندما تعلق الأمر بمجرد تحديد ما هو متطلب وما ليس كذلك، تفوق النموذج الأكثر تقدماً للأداة، وهو DistilBERT، على جميع الطرق الأخرى المختبرة تقريباً، محققاً مستوى عالٍ من الدقة. لقد تعلم أن المتطلبات غالباً ما تبدو رسمية وصارمة (باستخدام كلمات مثل "يجب" أو "يتعين")، بينما تبدو غير المتطلبات كدردشة إدارية. ومع ذلك، تشير الورقة إلى أن الذكاء الاصطناعي ليس سحراً؛ فهو لا يزال يعاني قليلاً مع التفاصيل البشرية الأكثر دقة. على سبيل المثال، بينما أصبح الذكاء الاصطناعي جيداً جداً في رصد المتطلبات "الوحيدة" (المركزة على شيء واحد)، وجد صعوبة أكبر في الاتفاق مع البشر حول ما يعتبر "غامضاً" أو "قابلاً للتحقق". وهذا يشير إلى أنه بينما يمكن للذكاء الاصطناعي رصد الأخطاء الواضحة، فإن الأخطاء الأكثر تعقيداً وذاتية لا تزال تتطلب لمسة بشرية.

من الميزات الرائعة لـ ARQM هو استخدامه لـ الذكاء الاصطناعي القابل للتفسير (XAI). فبدلاً من الاكتفاء بالقول: "هذه الجملة سيئة"، تقوم الأداة بتظليل الكلمات المحددة التي جعلتها تقول ذلك. الأمر يشبه معلماً يضع دائرة حول العبارة بدقة بالقلم الأحمر ويكتب: "هذه الكلمة غامضة جداً". وهذا يساعد الكاتب البشري على فهم لماذا يحتاج متطلبه إلى إصلاح، بدلاً من مجرد تلقي رسالة خطأ غامضة.

يؤكد الباحثون بحذر أن أداتهم ليست مشكلة تم حلها بشكل مثالي بعد. فقد وجدوا أن بيانات التدريب الخاصة بهم كانت تحتوي على بعض الفجوات؛ فعلى سبيل المثال، كانت هناك أمثلة قليلة جداً على المتطلبات "غير القابلة للتنفيذ"، مما جعل من الصعب على الذكاء الاصطناعي تعلم هذا الدرس المحدد. كما لاحظوا أن الخبراء البشريين الذين صنفوا البيانات لم يتفقوا دائماً مع بعضهم البعض، مما يعني أن الذكاء الاصطناعي اضطر أحياناً للتعلم من تعليمات متضاربة. ورغم هذه القيود، تشير الدراسة إلى أن أساليب الذكاء الاصطناعي الحديثة تمثل خطوة كبيرة للأمام. فهي يمكنها تعلم أنماط عامة فاتتها الأدوات القدسة القائمة على القواعد، مما يوفر طريقة أسرع وأكثر شمولية لتنظيف مخططات عالمنا الرقمي. وتخلص الورقة إلى أنه بينما يعد ARQM بداية قوية، فإن مستقبل هذه التكنولوجيا يكمكمن في تدريبها على بيانات أكثر تنوعاً ومساعدتها على فهم السياق الأعمق للمشاريع التي تساعد في بنائها.