تتصاعد التحديات في صناعة السيارات مع ضرورة تلبية متطلبات معيار Automotive SPICE SWE.6، خاصة عند معالجة آلاف المتطلبات. العمليات اليدوية التي تعتمد على المهندسين يمكن أن تستغرق أسابيع، مما يستدعي الحاجة الملحة نحو الأتمتة. لكن، يواجه استخدام نماذج اللغة الضخمة (Large Language Models) مشاكل كبيرة في التعامل مع المتطلبات، حيث أن معالجة المتطلبات بشكل فردي تفقد التبعيات الحيوية بين المتطلبات، في حين أن تقديم جميع المحتويات دفعة واحدة يتجاوز حدود سياق النموذج، مما يؤدي إلى تغطية تكامل غير كافية وحالات اختبار متكررة.

تقدم هذه الورقة البحثية طريقة مبتكرة تُعرف بـ "الاختصار المجموعي بعد التجميع"، والتي تعالج هذه التحديات على ثلاث مراحل. في البداية، تُستخدم محولات الجمل لتجميع المتطلبات باستخدام تقنيات تقليل الأبعاد (UMAP) والتجزئة الكثافة (HDBSCAN). حيث يتم اختيار حجم التجمع الأدنى تلقائيًا استنادًا إلى معايير جودة تعتمد على مقاييس Silhouette الموحدة وCalinski-Harabasz.

ثم يأتي دور خوارزمية التلخيص متعددة المستويات التي تصف كل تجمع بطريقة مختصرة ومتوافقة مع المجال، مع الحفاظ على العتبات الكمية ومستويات سلامة الأمان. تستفيد هذه العملية من الهيكلية المشتقة من التجمعات لتوليد مواصفات اختبار على مستويين: تحقق من المتطلبات الفردية واختبارات تكامل على مستوى التجمع للتحقق من سلوك الميزات المتقاطعة. كما يعمل آلية السياق القريب للتجمعات على توفير وعي محدود بميزات متعددة أثناء استدعاء كل نموذج لغوي، بينما تضمن الأساليب المعززة بالاسترجاع أن جميع المخرجات تستند إلى معايير ISO 26262 وASPICE.

أظهرت تقييمات على مجموعات بيانات متطلبات السيارات المتباينة أن النهج المعتمد على التجمع يُحسن من تغطية اختبارات التكامل ويحتفظ بدقة التلخيص مقارنة بالطرق التقليدية، مما يجعلها قابلة للتوسع بكفاءة لتلبية الآلاف من المتطلبات.