تشهد هندسة البرمجيات تحولًا جذريًا بفضل التقنيات الحديثة، حيث تكمن متطلبات البرمجيات في عالم متشابك من الاعتماديات التي تحتاج إلى كشف دقيق. يعتبر تحديد هذه الاعتماديات أمرًا حيويًا، حيث يؤثر بشكل مباشر على القرارات الرئيسية ويعزز العديد من الأنشطة في مراحل تطوير البرمجيات. ومع ذلك، يواجه المطورون تحديات ضخمة في الوقت الحالي، بسبب الكثافة العالية وتعقيد المتطلبات التي تغطي ميادين متنوعة.

تضيف تلك التحديات عامل الغموض الناتج عن استخدام اللغة الطبيعية (Natural Language) والتغير المستمر في متطلبات النظام. لهذا السبب، غالبًا ما يتم إغفال كشف الاعتماديات أو يتم تنفيذها يدويًا، مما يسبب إبطاء العمليات التطويرية.

هنا يأتي دور نماذج اللغة الكبيرة (Large Language Models) التي تُظهر قدرة عالية في معالجة اللغة الطبيعية، مقدمةً أفقًا واعدًا لمهام متعلقة بالمتطلبات. وبالرغم من أن هذه النماذج قد أظهرت تحسينًا في العديد من مهام هندسة المتطلبات، إلا أن فعاليتها في كشف الاعتماديات ما زالت غير مستكشفة.

قدّم الباحثون في ورقتهم الجديدة نظامًا مبتكرًا يدعى LEREDD، الذي يستخدم نماذج اللغة الكبيرة لأتمتة الكشف عن الاعتماديات في المتطلبات. يدمج هذا النظام تقنيات مثل استرجاع المعرفة المعزز بالتوليد (Retrieval-Augmented Generation) والتعلم في السياق (In-Context Learning)، مما يمكّنه من التعرف على أنواع متنوعة من الاعتماديات مباشرة من متطلبات اللغة الطبيعية.

تم تقييم LEREDD تجريبيًا مقابل نموذجين متطورين آخرين، حيث حقق نتائج مذهلة تدل على دقته العالية في تصنيف المتطلبات المعتمدة وغير المعتمدة، حيث بلغ مستوى الدقة 0.93 ودرجة F1 0.84. أظهرت النتائج أن LEREDD يتفوق على نماذج LLMs التقليدية، خاصة في الكشف عن أنواع الاعتماديات الدقيقة، حيث حقق تحسنًا نسبيًا بمعدل 94.87% و105.41% في نتائج F1 للنوع "يتطلب" مقارنة بالنماذج الأخرى. بالإضافة إلى ذلك، تم توفير مجموعة بيانات معلمة تضم 813 زوجًا من المتطلبات عبر ثلاثة أنظمة متميزة لدعم التكرار والأبحاث المستقبلية.

إن هذه التطورات تدل على أن قدرات الذكاء الاصطناعي قد تُحدث تغييرًا جوهريًا في طريقة تعاملنا مع متطلبات البرمجيات، وتفتح آفاقًا جديدة في عالم تطوير البرمجيات. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!