LLM-Based Discovery of Latent Requirements from Stakeholder Conversations: Preliminary Results from Industry
Cet article présente LENS, une approche basée sur les LLM qui analyse les transcriptions d'entretiens avec les parties prenantes pour extraire les exigences explicites et inférer les exigences latentes en raisonnant sur le contexte organisationnel, démontrant une grande précision d'extraction et une valeur pratique significative dans une évaluation de la cybersécurité industrielle.
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
Imaginez que vous êtes un détective tentant de résoudre un mystère, mais au lieu de chercher des indices sur une scène de crime, vous écoutez la conversation interminable et décousue entre un client et un consultant en entreprise. Le client décrit ses difficultés quotidiennes, se plaint du temps que lui prennent certaines tâches et décrit la manière dont son équipe travaille.
Le Problème :
Habituellement, lorsqu'une entreprise souhaite développer un nouveau logiciel, elle demande à ses employés (les parties prenantes) : « De quoi avez-vous besoin ? ». Un employé pourrait dire : « J'ai besoin d'un bouton qui fait X ». C'est une exigence explicite — elle est écrite clairement.
Mais souvent, les employés ne savent pas exactement ce dont ils ont besoin. Ils disent simplement : « Cela me prend trois heures pour rédiger ces rapports chaque semaine » ou « Je dois copier-coller des données provenant de trois endroits différents ». Ils ne demandent pas de logiciel ; ils décrivent simplement un point de friction. Ces besoins cachés sont appelés exigences latentes. Si un analyste humain écoute la conversation, il pourrait comprendre : « Ah, si nous construisions un générateur de rapports automatique, cela résoudrait ce problème de trois heures ». Mais les humains se fatiguent, et écouter des heures d'audio est lent et coûteux.
La Solution : LENS
L'article présente un nouvel outil appelé LENS (LLM-Enabled Needs Discovery). Considérez LENS comme un détective super intelligent et infatigable qui a lu tous les manuels sur le fonctionnement des outils de l'entreprise.
LENS fait deux choses :
- Le Scribe : Il écoute la conversation et note exactement ce que les gens ont demandé (les exigences explicites).
- Le Détective : Il écoute les plaintes et les descriptions de flux de travail désordonnés, puis effectue un recoupement avec une « fiche de triche » des technologies existantes de l'entreprise. Il dit alors : « Attendez, je sais que vous n'avez pas demandé cela, mais d'après ce que vous avez dit sur votre processus manuel lent, et sachant que vous possédez un outil spécifique capable de faire cela, vous devriez avoir une fonctionnalité qui l'automatise et le corrige ».
Comment cela fonctionne (L'analogie) :
Imaginez que vous parliez à un ami qui dit : « Je déteste aller au magasin acheter du lait tous les jours ; c'est tellement fatigant ».
- Le Scribe écrit : « L'ami veut acheter du lait ».
- Le Détective (LENS) regarde la maison de votre ami et voit qu'il possède un réfrigérateur intelligent et une application de livraison de courses installée, mais jamais utilisée. Le Détective suggère alors : « Je déduis que votre ami a besoin d'une fonctionnalité de "Commande de lait intelligente" qui commande automatiquement du lait lorsque le réfrigérateur est presque vide ».
LENS rédige ces suggestions sous forme de « User Stories » (une façon standard de décrire les besoins logiciels) et les lie au moment précis de la conversation d'où provient l'idée, afin que personne ne puisse dire : « Où avez-vous trouvé cette idée ? ».
L'Expérience :
Les chercheurs ont testé cet outil avec une entreprise de cybersécurité appelée eSentire. Ils ont soumis à LENS 12 entretiens réels avec des employés (d'environ 60 minutes chacun).
- Résultat 1 (Le Scribe) : Lorsqu'il s'agissait de trouver les choses que les gens demandaient explicitement, LENS était très précis. Il a trouvé 100 % des demandes et était correct 73 % du temps, ce qui a donné un score global élevé.
- Résultat 2 (Le Détective) : Lorsqu'il s'agissait de rechercher les besoins cachés, les chercheurs ont demandé à des experts humains de juger les idées. Ils ont constaté que 75 % des idées « cachées » proposées par LENS étaient jugées utiles. Les experts ont estimé que ces idées permettraient de gagner du temps ou d'automatiser des tâches ennuyeuses.
Le Piège (Ce que l'article nous avertit) :
L'article est très honnête sur les limites.
- Confusion : Parfois, LENS se laisse confondre par la façon dont les gens parlent. Si quelqu'un dit : « Nous faisons déjà cela automatiquement, n'est-ce pas ? », LENS peut penser que la personne demande que ce soit automatisé, alors qu'elle confirme simplement que cela existe déjà.
- Faisabilité : Bien que les idées soient bonnes, LENS manquait parfois de détails. Il peut suggérer une solution qui semble excellente, mais qui nécessite une donnée spécifique ou une connexion entre deux outils que l'entreprise ne possède pas réellement.
- Pas un produit final : L'article souligne que LENS ne vous donne pas un produit logiciel fini. Il vous donne une liste d'idées à discuter davantage. C'est comme un partenaire de brainstorming, pas un repas terminé.
En résumé :
Cet article montre que l'IA peut écouter des conversations commerciales, noter ce que les gens demandent, et aussi agir comme un partenaire créatif pour suggérer des solutions logicielles à des problèmes que les gens ne savaient même pas qu'ils pouvaient résoudre. Cela fonctionne bien, mais cela nécessite toujours l'intervention d'experts humains pour vérifier les idées et s'assurer qu'elles sont réellement réalisables.
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.