論文の概要: Teaching Requirements Engineering for AI: A Goal-Oriented Approach in Software Engineering Courses
- arxiv url: http://arxiv.org/abs/2411.07250v1
- Date: Sat, 26 Oct 2024 23:44:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-17 09:02:19.395765
- Title: Teaching Requirements Engineering for AI: A Goal-Oriented Approach in Software Engineering Courses
- Title(参考訳): AIに必要なエンジニアリングを教える - ソフトウェアエンジニアリングコースにおける目標指向のアプローチ
- Authors: Beatriz Batista, Márcia Lima, Tayana Conte,
- Abstract要約: AIベースのシステムに高品質な要件を規定する能力を持つソフトウェアエンジニアを準備することが重要です。
本研究の目的は,Goal-Oriented Requirements Engineering(GORE)の有効性と適用性を評価することである。
- 参考スコア(独自算出の注目度): 4.273966905160028
- License:
- Abstract: Context: Requirements Engineering for AI-based systems (RE4AI) presents unique challenges due to the inherent volatility and complexity of AI technologies, necessitating the development of specialized methodologies. It is crucial to prepare upcoming software engineers with the abilities to specify high-quality requirements for AI-based systems. Goal: This research aims to evaluate the effectiveness and applicability of Goal-Oriented Requirements Engineering (GORE), specifically the KAOS method, in facilitating requirements elicitation for AI-based systems within an educational context. Method: We conducted an empirical study in an introductory software engineering class, combining presentations, practical exercises, and a survey to assess students' experience using GORE. Results: The analysis revealed that GORE is particularly effective in capturing high-level requirements, such as user expectations and system necessity. However, it is less effective for detailed planning, such as ensuring privacy and handling errors. The majority of students were able to apply the KAOS methodology correctly or with minor inadequacies, indicating its usability and effectiveness in educational settings. Students identified several benefits of GORE, including its goal-oriented nature and structured approach, which facilitated the management of complex requirements. However, challenges such as determining goal refinement stopping criteria and managing diagram complexity were also noted. Conclusion: GORE shows significant potential for enhancing requirements elicitation in AI-based systems. While generally effective, the approach could benefit from additional support and resources to address identified challenges. These findings suggest that GORE can be a valuable tool in both educational and practical contexts, provided that enhancements are made to facilitate its application.
- Abstract(参考訳): コンテキスト: AIベースのシステムに必要なエンジニアリング(RE4AI)は、AI技術の本質的なボラティリティと複雑さのために、特殊な方法論の開発を必要とする、ユニークな課題を提示します。
AIベースのシステムに対して、高品質な要件を規定する能力を備えた、今後のソフトウェアエンジニアの準備が不可欠である。
Goal: この研究は,AIベースのシステムに対する要件適用を促進するために,Goal-Oriented Requirements Engineering(GORE),特にKAOSメソッドの有効性と適用性を評価することを目的としている。
方法: 導入型ソフトウェア工学の授業において, プレゼンテーション, 実践演習, GORE を用いた学生の体験評価を併用した実証的研究を行った。
結果: GOREはユーザの期待やシステムの必要性といった高レベルの要求を捉えるのに特に有効であることが明らかとなった。
しかし、プライバシの確保やエラー処理といった詳細な計画では効果が低い。
学生の大多数は、KAOSの方法論を正しくあるいは小さな不十分な方法で適用することができ、その使用性と教育環境における有効性を示した。
学生は、GOREの目的指向性や複雑な要件の管理を促進する構造的アプローチなど、いくつかの利点を見出した。
しかし、ゴール修正の終了基準の決定や図の複雑さの管理といった課題も指摘されている。
結論: GOREは、AIベースのシステムにおける要求の解放を強化する大きな可能性を示している。
一般的に効果的ではあるが、このアプローチは、特定された課題に対処するための追加のサポートとリソースの恩恵を受けることができる。
これらの結果から,GOREは教育と実践の両面で有用なツールになり得ることが示唆された。
関連論文リスト
- Work in Progress: AI-Powered Engineering-Bridging Theory and Practice [0.0]
本稿では,システム工学の重要なステップを自動化し,改善する上で,生成AIがいかに役立つかを考察する。
INCOSEの"よい要件"基準に基づいて、システム要件を分析するAIの能力を調べる。
この研究は、エンジニアリングプロセスを合理化し、学習結果を改善するAIの可能性を評価することを目的としている。
論文 参考訳(メタデータ) (2025-02-06T17:42:00Z) - URAG: Implementing a Unified Hybrid RAG for Precise Answers in University Admission Chatbots -- A Case Study at HCMUT [0.9208007322096533]
我々は、応答の精度を大幅に改善するハイブリッドアプローチであるUnified RAG Frameworkを導入する。
実験の結果,URAGは社内の軽量モデルを強化し,最先端の商用モデルと相容れない性能を実現していることがわかった。
論文 参考訳(メタデータ) (2025-01-27T18:10:34Z) - Leveraging Graph-RAG and Prompt Engineering to Enhance LLM-Based Automated Requirement Traceability and Compliance Checks [8.354305051472735]
本研究は,頑健なグラフ-RAGフレームワークを,思考の連鎖や思考の樹木といった先進的な技術と統合することにより,性能を著しく向上させることを実証する。
さまざまなコンテキストにまたがって実装するのはコストが高く、複雑で、特定のシナリオに慎重に適応する必要がある。
論文 参考訳(メタデータ) (2024-12-11T18:11:39Z) - Evolutionary Computation for the Design and Enrichment of General-Purpose Artificial Intelligence Systems: Survey and Prospects [19.000676941637987]
汎用人工知能システム(GPAIS)は、モデル構成と適応性の課題を提起する。
Evolutionary Computation (EC)は機械学習モデルの設計と最適化の両方に有用なツールである。
本稿では,GPAISの分野におけるECの役割を解析し,その設計や富化におけるECの利用について検討する。
論文 参考訳(メタデータ) (2024-06-03T15:47:17Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Towards Goal-oriented Intelligent Tutoring Systems in Online Education [69.06930979754627]
目標指向知能チューニングシステム(GITS)という新しいタスクを提案する。
GITSは,演習や評価のカスタマイズを戦略的に計画することで,学生の指定概念の習得を可能にすることを目的としている。
PAI(Planning-Assessment-Interaction)と呼ばれるグラフに基づく新しい強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-03T12:37:16Z) - Designing an AI-Driven Talent Intelligence Solution: Exploring Big Data
to extend the TOE Framework [0.0]
本研究の目的は、人材管理問題に対処するAI指向のアーティファクトを開発するための新しい要件を特定することである。
構造化機械学習技術を用いて実験的な研究を行うための設計科学手法が採用されている。
論文 参考訳(メタデータ) (2022-07-25T10:42:50Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳(メタデータ) (2022-03-06T10:12:56Z) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳(メタデータ) (2021-10-28T16:04:01Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳(メタデータ) (2021-05-07T12:01:31Z) - 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。