تواجه صناعة البرمجيات تحديات كبيرة في مجال الجودة، فرغم التطورات التكنولوجية، إلا أن العمليات المتفرقة بين متطلبات المشروع، الاختبار، والإنتاج لا تزال تعيق تنفيذ استراتيجيات للارتقاء بجودة المنتج عبر الإصدارات المتتابعة.

النهج التقليدي غالباً ما يركز على نماذج ثابتة أو تحسينات فردية، دون وجود آليات لتعلم التغذية الراجعة من الإنتاج. ولتصحيح هذا الخلل، يقدم باحثون عمارة مرجعية مغلقة لتعزيز جودة البرمجيات بشكل مستمر باستخدام الذكاء الاصطناعي (AI).

تجمع هذه العمارة بين العديد من العناصر الهامة مثل: استخراج ميزات المتطلبات، تحديد أولويات الاختبارات بناءً على المخاطر، توقع العيوب، وتحليل الحوادث الإنتاجية كجزء من خط أنابيب قائم على التغذية الراجعة. حيث يتم تقديم نموذج محدود للتعلم من التغذية الراجعة يستخدم لنقل إشارات الإنتاج بناءً على شدة العيوب وتأثير الحوادث إلى الإصدارات التالية، مما يضمن الاستقرار وتقليل الوقت اللازم للتنفيذ.

تم تقييم الطريقة باستخدام مجموعة بيانات اختبار شبه صناعية تحتوي على 4500 متطلب، 27049 حالة اختبار، 13089 عيب، و7841 حادثاً عبر ست دورات إصدار. أظهرت النتائج أن النظام المقترح خفض تسرب العيوب من 0.19 إلى 0.13 وزاد من فعالية نظام الكشف من 0.72 إلى 0.84، واختصر زمن تنفيذ الاختبارات بنسبة تصل إلى 35% مقارنة بالقواعد غير التكيفية.

تشير النتائج إلى أن من خلال دمج التعلم القائم على التغذية الراجعة في عمارة مغلقة، يمكن الاستمرار في تحسين عمليات الجودة، مما يوفر أساساً عملياً لهندسة جودة البرمجيات التكيفية.