Resumo Técnico: AutoRE-NS

Declaração do Problema

Os sistemas de software industrial modernos enfrentam uma escalada exponencial no volume e na complexidade dos requisitos, tornando os processos clássicos de engenharia manual um gargalo. Embora existam soluções automatizadas existentes, elas são predominantemente limitadas à análise sintática e à validação básica de consistência. Essas ferramentas tradicionais falham em fornecer a compreensão semântica profunda necessária para a detecção avançada de conflitos, otimização de qualidade e análise contextual, resultando frequentemente em sistemas baseados em regras rígidas ou modelos de aprendizado de máquina de "caixa-preta" carentes de explicabilidade.

Metodologia

O artigo propõe o AutoRE-NS, um framework flexível e automatizado projetado para aumentar a qualidade dos requisitos e avaliar a complexidade. O sistema emprega uma arquitetura neuro-simbólica integrada com aprendizado por reforço, estruturada em três camadas distintas:

1. Camada de Neuro-Percepção (Análise Semântica):

   • Utiliza modelos transformer pré-treinados e ajustados especificamente para o vocabulário de engenharia de requisitos e linguagem dependente do domínio.
   • Realiza incorporação contextual (contextual embedding), codificação de requisitos, classificação, extração de relações e pontuação de qualidade.
   • Traduz requisitos de linguagem natural não estruturados em representações semânticas estruturadas.

2. Camada de Raciocínio Simbólico (Validação Formal):

   • Emprega uma base de conhecimento que incorpora as melhores práticas de engenharia de requisitos, restrições de domínio e heurísticas de qualidade.
   • Executa um mecanismo de verificação que checa consistência, completude e viabilidade.
   • Gera um vetor de estado abrangente ($S$) representando métricas de qualidade normalizadas (ex: consistência, ambiguidade, testabilidade).

3. Camada de Política Adaptativa (Otimização):

   • Implementa um Processo de Decisão de Markov (MDP) para otimizar a seleção e o refinamento de requisitos.
   • Movido por uma Deep Q-Network (DQN) que aprende políticas ótimas através da interação com um ambiente de projeto simulado.
   • Adapta-se dinamicamente para resolver conflitos e eliminar redundâncias, mantendo a supervisão humana.

O framework é projetado para ser uma IA Explicável (XAI), fornecendo justificativas compreensíveis por humanos para suas decisões, estabelecendo assim a ponte entre a eficiência automatizada e a confiança na engenharia.

Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Arquitetura Neuro-Simbólica: Um novo framework de três camadas para análise abrangente de requisitos que combina o reconhecimento de padrões neurais com o raciocínio simbólico.
2. Otimização Adaptativa: A implementação de aprendizado por reforço profundo para otimizar requisitos de forma adaptativa, indo além de conjuntos de regras estáticas.
3. Explicabilidade: Um design que garante que todas as avaliações e otimizações automatizadas sejam acompanhadas de justificativas transparentes e legíveis por humanos.
4. Validação Empírica: Testes rigorosos conduzidos em conjuntos de dados industriais de larga escala para demonstrar a viabilidade prática.

Resultados Experimentais

O framework foi avaliado em um conjunto de dados de 2.548 requisitos abrangendo seis domínios industriais (Saúde, Automotivo, Sistemas Embarcados, E-commerce, Finanças e Telecomunicações).

Eficiência e Redução:

• Volume de Requisitos: Alcançou uma redução de 87,2% no total de requisitos (de 2.548 para 326) ao eliminar redundâncias enquanto preservava o conteúdo semântico.
• Resolução de Conflitos: Resolveu 86,6% dos conflitos críticos e 83,1% dos conflitos moderados. (Nota: O resumo menciona um número geral de 83,5% para conflitos resolvidos, enquanto a Tabela 3 especifica 83,1% especificamente para conflitos moderados).
• Eliminação de Duplicidade: Eliminou 97,0% das duplicatas exatas e 94,4% das duplicatas semânticas.
• Tempo de Processamento: Reduziu o tempo médio de processamento de 52,7 horas para 2,4 horas (uma melhoria de 95,4%).

Melhorias nas Métricas de Qualidade:
A análise estatística (p < 0,001 para a maioria das métricas) mostrou melhorias significativas nas dimensões de qualidade:

• Ambiguidade: Reduzida em 38,4%.
• Consistência: Melhorada em 25,7%.
• Verificabilidade: Melhorada em 30,8%.
• Rastreabilidade: Melhorada em 26,8%.
• Completude: Aumentada em 14,2%.
• Atomicidade: Aumentada em 9,8%.

Desempenho Comparativo:
O AutoRE-NS superou as abordagens de referência (REQANALYZER, SMART-RE, Sistemas Baseados em Regras) em resolução de conflitos (86,6% vs. 48,3–61,5%) e detecção de duplicidade (95,7% vs. 58,9–76,8%). Embora a revisão manual tenha mostrado uma resolução de conflitos ligeiramente superior (94,2%), o AutoRE-NS ofereceu uma vantagem significativa em velocidade de processamento e escalabilidade.

Significância e Alegações

O artigo afirma que o AutoRE-NS representa um avanço significativo na automação da engenharia de requisitos, particularmente para sistemas industriais complexos, focados em conformidade e segurança, onde a qualidade dos requisitos é crítica para o sucesso do projeto.

Os autores sustentam que o framework aborda com sucesso o gargalo do crescimento exponencial de requisitos ao fornecer uma solução robusta e explicável que equilibra a automação com a supervisão humana. A extensa validação em conjuntos de dados de escala industrial demonstra a confiabilidade prática da abordagem. O artigo conclui que, embora os resultados atuais sejam promissores, o trabalho futuro deve focar em melhorar a adaptação cross-domain, a integração humano-IA em tempo real e uma integração mais profunda com ferramentas de desenvolvimento.

Nota: Os autores reconhecem ameaças à validade, observando que, embora a validade interna tenha sido fortalecida por revisões de código e otimização de hiperparâmetros, e a validade externa tenha sido apoiada por testes multi-domínio, estudos longitudinais mais amplos e intervalos de domínio mais abrangentes são necessários para generalizar totalmente os achados.