ARQM: A Tool for Requirements Quality Analysis

कल्पना कीजिए कि आप एक विशाल, अराजक पुस्तकालय के संपादक हैं जहाँ हर किताब कुछ नया बनाने का ब्लूप्रिंट है—एक पुल, एक वीडियो गेम, या एक अंतरिक्ष यान। इससे पहले कि एक भी ईंट रखी जाए या कोड की एक भी लाइन लिखी जाए, वास्तुकारों को ठीक से लिखना होगा कि उन्हें वास्तव में क्या चाहिए। इन नोट्स को "आवश्यकताएँ" (requirements) कहा जाता है। लेकिन पेच यह है कि इंसान इन नोट्स को पूरी तरह से लिखने में बहुत खराब होते हैं। वे थक जाते हैं, "शायद" या "तेज़" जैसे अस्पष्ट शब्दों का उपयोग करते हैं, और कभी-कभी वे अनजाने में ऐसी चीजें लिख देते हैं जो एक-दूसरे का खंडन करती हैं। यदि ब्लूप्रिंट अव्यवस्थित है, तो इमारत ढह जाएगी, या गेम क्रैश हो जाएगा। यह रिक्वायरमेंट इंजीनियरिंग (Requirement Engineering) की दुनिया है: मानवीय विचारों को मशीनों के लिए स्पष्ट, सख्त निर्देशों में बदलने की अस्त-व्यस्त, उच्च-दांव वाली प्रक्रिया।

इसे ठीक करने के लिए, वैज्ञानिक दशकों से डिजिटल "प्रूफरीडर" बना रहे हैं। पारंपरिक रूप से, ये प्रूफरीडर लाल पेन और सरल नियमों की सूची वाले सख्त पुस्तकालयाध्यक्षों की तरह थे: "यदि आप 'must' शब्द देखते हैं, तो यह एक आवश्यकता है। यदि आप 'process' शब्द देखते हैं, तो यह नहीं है।" लेकिन इन पुराने नियमों ने अक्सर मानवीय बारीकियों को मिस कर दिया। यहाँ आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग (ML) का प्रवेश होता है। इन पर केवल नियम मानने वाले नहीं, बल्कि लाखों दस्तावेजों को पढ़ने वाले अत्यंत सूक्ष्म अवलोकन करने वाले प्रशिक्षुओं (apprentices) के रूप में विचार करें। विशिष्ट शब्दों को खोजने के बजाय, वे वाक्य के 'वाइब' (vibe) को समझते हैं, संदर्भ और अर्थ को उस तरह से समझते हैं जैसा कि सरल सूचियाँ कभी नहीं कर सकती थीं। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या ये स्मार्ट प्रशिक्षु निर्माण कार्य शुरू होने से पहले खराब ब्लूप्रिंटों को पकड़ने में पुराने नियम-आधारित पुस्तकालयाध्यक्षों से बेहतर काम कर सकते हैं?

यह शोध पत्र एक नए डिजिटल प्रशिक्षु ARQM (ऑटोमेटेड रिक्वायरमेंट्स क्वालिटी मैनेजमेंट) का परिचय देता है। शोधकर्ताओं ने इस टूल को एक अथक, अति-सतर्क संपादक के रूप में कार्य करने के लिए बनाया है। अपने पूर्ववर्तियों के विपरीत, जो पुराने, कठोर नियमों पर निर्भर थे, ARQM आधुनिक AI का उपयोग करके दस्तावेजों को "पढ़ता" है और दो मुख्य कार्य करता है। पहला, यह एक स्क्रीनिंग फ़िल्टर के रूप में कार्य करता है, जो टेक्स्ट के ढेर को छाँटकर यह तय करता है कि, "क्या यह वाक्य वास्तव में एक आवश्यकता है, या यह केवल पृष्ठभूमि का शोर है?" दूसरा, यह एक क्वालिटी इंस्पेक्टर के रूप में कार्य करता है, यह जाँचता है कि फ़िल्टर से गुजरने वाली आवश्यकताएँ वास्तव में अच्छी हैं या नहीं। यह IEEE 29148 मानक के आधार पर विशिष्ट "कमियों" या उल्लंघनों की तलाश करता है—जो एक वैश्विक नियम पुस्तिका है कि क्या किसी आवश्यकता को स्पष्ट, परीक्षण योग्य और अस्पष्टता रहित बनाता है।

टीम ने केवल यह टूल नहीं बनाया; उन्होंने इसे एक कठोर प्रशिक्षण शिविर से गुजारा। उन्होंने इसे आवश्यकताओं को पहचानना सिखाने के लिए PURE (पब्लिक रिक्वायरमेंट्स) नामक एक सार्वजनिक डेटासेट से हजारों वाक्य खिलाए। फिर, उन्होंने इसे विशेष दस्तावेजों के सेट पर परखा जिन्हें मानव विशेषज्ञों द्वारा चार विशिष्ट प्रकार के गुणवत्ता मुद्दों के लिए सावधानीपूर्वक लेबल किया गया था: अस्पष्टता (क्या यह भ्रमित करने वाला है?), व्यवहार्यता (क्या इसे वास्तव में किया जा सकता है?), एकलता/सिंगुलैरिटी (क्या यह एक साथ बहुत सारी चीजें करने की कोशिश कर रहा है?), और सत्यापन क्षमता (क्या हम सिद्ध कर सकते हैं कि यह काम करता है?)।

परिणाम बताते हैं कि AI प्रशिक्षु वास्तव में एक शक्तिशाली नया कर्मचारी है। जब बात केवल यह पहचानने की आई कि क्या है और क्या नहीं, तो इस टूल के सबसे उन्नत मॉडल, DistilBERT ने परीक्षण किए गए लगभग हर अन्य तरीके से बेहतर प्रदर्शन किया, और उच्च स्तर की सटीकता प्राप्त की। इसने सीखा कि आवश्यकताएँ अक्सर औपचारिक और कठोर होती हैं (जैसे "shall" या "must" जैसे शब्दों का उपयोग करना), जबकि गैर-आवश्यकताएँ अक्सर प्रशासनिक बातचीत जैसी लगती हैं। हालाँकि, शोध पत्र नोट करता है कि AI जादुई नहीं है; यह अभी भी सबसे सूक्ष्म, मानवीय बारीकियों के साथ थोड़ा संघर्ष करता है। उदाहरण के लिए, जहाँ AI उन आवश्यकताओं को पहचानने में बहुत अच्छा था जो "एकल" (एक चीज़ पर केंद्रित) थीं, उसे मनुष्यों के साथ "अस्पष्टता" या "सत्यापन क्षमता" के बारे में सहमत होने में कठिनाई हुई। यह सुझाव देता है कि जबकि AI स्पष्ट गलतियों को पकड़ सकता है, सबसे जटिल, व्यक्तिपरक त्रुटियों के लिए अभी भी मानवीय स्पर्श की आवश्यकता होती है।

ARQM की सबसे शानदार विशेषताओं में से एक एक्सप्लेनेबल AI (XAI) का उपयोग है। केवल यह कहने के बजाय कि, "यह वाक्य बुरा है," टूल उन विशिष्ट शब्दों को हाइलाइट करता है जिन्होंने इसे ऐसा कहने के लिए प्रेरित किया। यह एक शिक्षक की तरह है जो लाल रंग से सटीक वाक्यांश को घेरता है और लिखता है, "यह शब्द बहुत अस्पष्ट है।" यह मानव लेखक को यह समझने में मदद करता है कि उनकी आवश्यकता को सुधारने की आवश्यकता क्यों है, न कि केवल एक रहस्यमय त्रुटि संदेश देकर।

शोधकर्ता सावधानी से यह स्पष्ट करते हैं कि उनका टूल अभी तक कोई पूर्ण, हल की गई समस्या नहीं है। उन्होंने पाया कि उनके प्रशिक्षण डेटा में कुछ कमियाँ थीं; उदाहरण के लिए, "अव्यवहार्य" (unfeasible) आवश्यकताओं के बहुत कम उदाहरण थे, जिससे AI के लिए उस विशिष्ट पाठ को सीखना कठिन हो गया। उन्होंने यह भी नोट किया कि डेटा को लेबल करने वाले मानव विशेषज्ञ भी हमेशा एक-दूसरे से सहमत नहीं थे, जिसका अर्थ है कि AI को कभी-कभी विरोधाभासी निर्देशों से सीखना पड़ा। इन सीमाओं के बावजूद, अध्ययन बताता है कि आधुनिक AI विधियाँ एक महत्वपूर्ण प्रगति हैं। वे सामान्य पैटर्न सीख सकते हैं जो पुराने नियम-आधारित टूल मिस कर गए थे, जिससे हमारे डिजिटल संसार के ब्लूप्रिंट को साफ करने का एक तेज़, अधिक समग्र तरीका मिलता है। शोध पत्र निष्कर्ष निकालता है कि जबकि ARQM एक मजबूत शुरुआत है, इस तकनीक का भविष्य इसे और अधिक विविध डेटा पर प्रशिक्षित करने और उन परियोजनाओं के गहरे संदर्भ को समझने में मदद करने में निहित है जिन्हें यह बनाने में मदद कर रहा है।