في عالم هندسة البرمجيات، يعتبر استخراج الأهداف الوظيفية جزءاً حيوياً يتطلب الكثير من الجهد. لكن ماذا لو تمكنت نماذج اللغة الضخمة (Large Language Models) من تسريع هذه العملية؟ في ورقة بحثية جديدة، تم استكشاف كيفية استخدام هذه النماذج لأتمتة استخراج الأهداف من مستندات البرمجيات.

تتناول الدراسة عملية هندسة المتطلبات الموجهة للأهداف (Goal-Oriented Requirements Engineering - GORE) عبر ثلاثة مراحل رئيسية: اكتشاف المعنيين، استخراج الأهداف على المستويين العالي والمنخفض. تم اقتراح سلسلة من نماذج اللغة الضخمة مع تحفيزات معينة لضمان استخراج دقيق وفعال.

قمنا بتجربة عدة استراتيجيات للتعلم داخل السياق (in-context learning)، وقمنا بقياس التشابه بين البيانات المدخلة والأمثلة داخل السياق للتحقق من تأثيرها. إحدى النتائج المثيرة كانت استخدام آلية العودة النقدية (generation-critic mechanism) التي تعمل كحلقة تغذية راجعة تتضمن نموذجين من نماذج اللغة الضخمة.

على الرغم من تحقيق دقة بنسبة 61% في تحديد الأهداف منخفضة المستوى، تشير النتائج إلى أن استخدام النماذج هو وسيلة مثلى لتسريع الاستخراج اليدوي بدلاً من أن تكون بديلاً كاملًا. كما أثبتت آلية العودة النقدية (Zero-shot) أنها أفضل أداءً من طرق Few-shot المستقلة، في حين أظهرت الدراسة أن الأداء يتدهور قليلاً بدون دورة الملاحظات.

ومع ذلك، لم تُظهر ضمّ آلية العودة النقدية مع Few-shot أي فائدة ملحوظة، مما يشير إلى أن الاستراتيجية المستخدمة مع نموذج الملاحظات قد تكون هي المحدد الأساسي للأداء. لذا، تستهدف الأبحاث المستقبلية دمج توليد المعلومات المدعوم بالاسترجاع (Retrieval-Augmented Generation) واستراتيجيات التفكير العميق (Chain-of-Thought) لتحسين دقة الاستخراج.

لذا، يبقى السؤال: هل ستنجح نماذج الذكاء الاصطناعي في تحويل طريقة هندسة المتطلبات إلى الأبد؟ شاركونا آراءكم في التعليقات!