From Chat to Interview: Agentic Requirements Elicitation with an Experience Ontology
Ce papier présente OntoAgent, un agent d'entretien qui exploite une ontologie d'expérience construite automatiquement pour guider les grands modèles de langage dans la conduite d'entretiens structurés, systématiques et efficaces d'élicitation des exigences, surpassant significativement les références existantes tant en efficacité qu'en efficacité de questionnement.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le Problème : L'« Interlocuteur Bavarde » vs. le « Détective Expérimenté »
Imaginez que vous essayez de construire une maison sur mesure. Vous engagez un entrepreneur pour vous poser des questions sur vos besoins.
- L'Ancienne Méthode (Discussion Libre) : Vous engagez un entrepreneur qui discute simplement avec vous. Il pourrait vous demander : « Aimez-vous le bleu ? », puis « Aimez-vous le rouge ? », puis « Aimez-vous le bleu ? ». Il oublie de demander des détails sur la plomberie, le toit ou le garage car il se contente de « discuter ». Il manque les détails cachés que vous n'avez pas pensé à mentionner (comme : « J'ai besoin d'une salle insonorisée pour mon groupe de musique »). C'est comme utiliser un chatbot IA standard pour recueillir des exigences : c'est sympathique, mais il manque souvent la vue d'ensemble et pose les mêmes questions deux fois.
- La Méthode de l'Expert Humain : Un entrepreneur chevronné possède une liste de contrôle mentale. Il sait que, avant de parler de couleurs de peinture, il doit vérifier les fondations. Il sait qu'il faut demander la disposition de la cuisine avant celle de la salle de bain. Il suit une carte cachée de « ce qu'il faut demander » basée sur des années d'expérience.
L'Objectif du Document : Les auteurs voulaient enseigner à une IA à agir comme cet entrepreneur chevronné, et non pas comme un ami bavard. Ils ont créé un système appelé OntoAgent.
La Solution : La « Carte d'Expérience » (Ontologie)
L'idée centrale de ce document est que vous ne devriez pas simplement laisser une IA « improviser ». Au lieu de cela, vous lui donnez une carte structurée basée sur l'expérience du monde réel.
Les auteurs appellent cette carte une « Ontologie d'Expérience ». Pensez-y comme un arbre ou un arbre généalogique pour les exigences :
- Le Tronc (Aspects) : Les grandes catégories (par exemple, « Comment l'utilisateur interagit », « Quel contenu est affiché », « À quoi cela ressemble »).
- Les Branches (Dimensions) : Des zones spécifiques sous ces catégories (par exemple, sous « Interaction », vous avez « Recherche » et « Connexion »).
- Les Feuilles (Emplacements) : Les détails minuscules et spécifiques qui doivent être clarifiés (par exemple, sous « Recherche », vous devez savoir : « Veulent-ils filtrer par date ? »).
Comment OntoAgent Construit la Carte :
Avant d'interviewer qui que ce soit, l'IA lit des milliers de descriptions de projets passés (comme lire d'anciens plans). Elle utilise un Modèle de Langage à Grande Échelle (LLM) pour organiser automatiquement ces expériences passées dans cette structure en « Arbre ». Cela devient sa « Carte d'Expérience ».
Comment Fonctionne l'Entretien : La Danse en 4 Étapes
Lorsqu'OntoAgent interviewe un utilisateur, il ne devine pas la prochaine question. Il suit une routine stricte en 4 étapes pour chaque tour de conversation :
- Écouter (ParseUser) : Il écoute ce que l'utilisateur vient de dire. Ont-ils confirmé avoir besoin d'une connexion ? Ont-ils dit qu'ils ne voulaient pas de barre de recherche ?
- Noter la Carte (ScoreOnto) : Il examine sa « Carte d'Expérience ». En fonction de ce que l'utilisateur a dit, il attribue des points à différentes branches. Si l'utilisateur mentionne « actions », la branche « Recherche » obtient un score élevé. S'ils ne mentionnent pas « style », la branche « Style » obtient un score faible.
- Reclasser (ReRankOnto) : Au fur et à mesure que la conversation avance, la carte se met à jour. Peut-être que l'utilisateur a dit : « Je ne me soucie pas de la couleur », donc l'IA réduit la priorité des questions sur le « Style » et augmente la priorité des questions sur la « Fonction ». Elle réorganise constamment la liste de ce qu'il faut demander ensuite.
- Élaguer les Branches (GatePrune) : C'est le booster d'efficacité. Si l'IA pose trois questions sur la « Connexion » et que l'utilisateur dit « Non, nous n'avons pas besoin de connexion », l'IA coupe immédiatement toute cette branche de l'arbre. Elle arrête de demander des mots de passe de connexion, des formats d'e-mail, etc., car ce chemin est fermé. Cela économise du temps.
Enfin, elle prend la meilleure question de cette liste et la pose en langage naturel.
Les Résultats : Pourquoi C'est Mieux
Les auteurs ont testé ce système contre d'autres intervieweurs IA (les « bavards ») en utilisant 101 scénarios différents (comme créer un site web pour un salon de coiffure ou une station de ski).
- Trouver les Choses Cachées (Efficacité) : Les IA « bavardes » ont manqué beaucoup d'exigences cachées (comme des règles spécifiques sur la façon dont les données sont triées). OntoAgent a trouvé 33 % de plus de ces détails cachés. C'était comme le détective qui se souvenait de vérifier le sous-sol, tandis que les autres ne regardaient que dans le salon.
- Poser les Bonnes Questions Plus Vite (Efficience) : Les IA « bavardes » perdaient du temps à poser des questions évidentes ou à demander la même chose deux fois. OntoAgent a posé les questions les plus importantes 21 % plus vite. Il ne restait pas coincé dans des boucles.
- Travailler avec Différents Cerveaux : Le système fonctionnait bien même lorsqu'ils échangeaient le « cerveau » (le modèle d'IA sous-jacent) pour différents types d'IA. Cela a prouvé que la « Carte d'Expérience » est la sauce secrète, et non pas simplement le modèle d'IA spécifique utilisé.
- Retour Humain : Lorsque de vraies personnes (étudiants et experts) ont joué le rôle de « clients » et ont parlé à l'IA, elles ont noté OntoAgent plus haut. Elles ont estimé qu'il était plus efficace, plus efficient et plus adaptable que les autres méthodes.
La Conclusion
Le document affirme qu'en donnant à une IA une « Carte d'Expérience » structurée (une ontologie) dérivée de travaux passés, nous pouvons transformer une discussion chaotique et libre en un entretien systématique de niveau expert.
C'est la différence entre demander à un ami : « Qu'est-ce que tu veux pour le dîner ? » (qui pourrait juste dire « Pizza » et manquer le fait que vous êtes végétarien) et demander à un chef professionnel qui possède une liste de contrôle des restrictions alimentaires, des profils de saveurs et des méthodes de cuisson pour s'assurer que rien n'est manqué.
L'Essentiel : Pour obtenir les meilleurs résultats de l'IA dans des tâches complexes, ne la laissez pas simplement discuter librement ; donnez-lui une carte structurée de l'expérience humaine pour guider ses questions.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.