論文の概要: Advancing Requirements Engineering through Generative AI: Assessing the Role of LLMs

• arxiv url: http://arxiv.org/abs/2310.13976v2
• Date: Wed, 1 Nov 2023 06:16:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 16:38:54.226226
• Title: Advancing Requirements Engineering through Generative AI: Assessing the Role of LLMs
• Title（参考訳）: ジェネレーティブAIによる要件エンジニアリングの促進 - LLMの役割を評価する
• Authors: Chetan Arora, John Grundy, Mohamed Abdelrazek
• Abstract要約: 大規模言語モデル(LLM)は、自然言語処理、コード生成、プログラム理解など、さまざまな領域において大きな可能性を示している。 本章では、要件関連タスクの効率性と正確性の向上を目的とした、要件エンジニアリングプロセスの駆動におけるLLMの可能性について論じる。
• 参考スコア（独自算出の注目度）: 10.241642683713467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Requirements Engineering (RE) is a critical phase in software development including the elicitation, analysis, specification, and validation of software requirements. Despite the importance of RE, it remains a challenging process due to the complexities of communication, uncertainty in the early stages and inadequate automation support. In recent years, large-language models (LLMs) have shown significant promise in diverse domains, including natural language processing, code generation, and program understanding. This chapter explores the potential of LLMs in driving RE processes, aiming to improve the efficiency and accuracy of requirements-related tasks. We propose key directions and SWOT analysis for research and development in using LLMs for RE, focusing on the potential for requirements elicitation, analysis, specification, and validation. We further present the results from a preliminary evaluation, in this context.
• Abstract（参考訳）: 要件工学(Requirements Engineering, RE)は、ソフトウェア要件の推論、分析、仕様、検証を含むソフトウェア開発における重要なフェーズである。 REの重要性にもかかわらず、コミュニケーションの複雑さ、初期段階における不確実性、自動化サポートの不十分さなど、依然として困難なプロセスです。 近年,多言語モデル (LLM) は自然言語処理,コード生成,プログラム理解など,様々な分野において大きな可能性を秘めている。 本章では、要求関連タスクの効率性と精度の向上を目的とした、REプロセスの駆動におけるLLMの可能性について論じる。 本稿では,RE に LLM を用いた研究・開発における鍵となる方向性とSWOT 分析を提案し,要求の導出,分析,仕様,検証の可能性に焦点をあてる。 さらに,この文脈で予備評価を行った結果について述べる。

関連論文リスト

• An Evaluation-Driven Approach to Designing LLM Agents: Process and Architecture [25.752294816136807]
  大規模言語モデル(LLM)は、未特定目標を自律的に達成できるLLMエージェントの開発を可能にする。 事前定義されたテストケースやコード/モデル再開発パイプラインといった従来のアプローチは、LLMエージェント開発におけるユニークな課題に対処するには不十分です。 本稿では,これらの課題に対処するために,テスト駆動開発に触発された評価駆動設計手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T00:34:30Z)
• Generative AI for Requirements Engineering: A Systematic Literature Review [4.056534128718579]
  ジェネレーティブAI(GenAI)は、ソフトウェア工学におけるトランスフォーメーションツールとして登場した。 本稿では、要件工学におけるGenAIを活用した最先端の応用と革新的な提案について分析する。
  論文  参考訳（メタデータ） (2024-09-10T02:44:39Z)
• Agent-Driven Automatic Software Improvement [55.2480439325792]
  本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。 継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。 我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
  論文  参考訳（メタデータ） (2024-06-24T15:45:22Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• Requirements are All You Need: From Requirements to Code with LLMs [0.0]
  大規模言語モデル(LLM)は、ソフトウェア工学のタスクに適用できる。 本稿では,要求文書からコードスニペットを自動生成するLLMについて述べる。 複雑なユーザ要件を解釈し、ロバストな設計とコードソリューションを作成する上で、LCMの熟練度を実証する。
  論文  参考訳（メタデータ） (2024-06-14T14:57:35Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• A Survey on Large Language Models for Critical Societal Domains: Finance, Healthcare, and Law [65.87885628115946]
  大規模言語モデル(LLM)は、金融、医療、法律の展望に革命をもたらしている。 我々は、医療における診断・治療方法論の強化、財務分析の革新、法的解釈・コンプライアンス戦略の精査におけるLCMの役割を強調した。 これらの分野におけるLLMアプリケーションの倫理を批判的に検討し、既存の倫理的懸念と透明で公平で堅牢なAIシステムの必要性を指摘した。
  論文  参考訳（メタデータ） (2024-05-02T22:43:02Z)
• Engineering Safety Requirements for Autonomous Driving with Large Language Models [0.6699222582814232]
  大きな言語モデル(LLM)は、更新毎に要求を自動的に精錬し、分解する上で重要な役割を果たす。 本研究では、アイテム定義を受信し、安全要件の形でソリューションを出力するプロンプトとLCMのパイプラインのプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-03-24T20:40:51Z)
• Status Quo and Problems of Requirements Engineering for Machine Learning: Results from an International Survey [7.164324501049983]
  要求工学(RE)は、機械学習対応システムにおいて多くの問題を解決するのに役立つ。 我々は,ML対応システムにおけるREの現状と問題点について,実践者の知見を収集する調査を行った。 MLプロジェクトでは,REプラクティスに有意な違いが認められた。
  論文  参考訳（メタデータ） (2023-10-10T15:53:50Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。