論文の概要: Exploring the Use of LLMs for Requirements Specification in an IT Consulting Company
- arxiv url: http://arxiv.org/abs/2507.19113v1
- Date: Fri, 25 Jul 2025 09:49:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:48.905644
- Title: Exploring the Use of LLMs for Requirements Specification in an IT Consulting Company
- Title（参考訳）: ITコンサルティング企業におけるLCMの要件仕様への活用を探る
- Authors: Liliana Pasquale, Azzurra Ragone, Emanuele Piemontese, Armin Amiri Darban,
- Abstract要約: 本稿では,大規模言語モデル(LLM)を用いた要件仕様プロセスの自動化について報告する。
LLMは要件仕様の自動化と標準化に役立ち、時間と人的労力の削減に役立ちます。
しかし、LLM生成FDSの品質は入力に大きく依存しており、しばしば人間の修正を必要とする。
- 参考スコア（独自算出の注目度）: 0.39563752273706504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In practice, requirements specification remains a critical challenge. The knowledge necessary to generate a specification can often be fragmented across diverse sources (e.g., meeting minutes, emails, and high-level product descriptions), making the process cumbersome and time-consuming. In this paper, we report our experience using large language models (LLMs) in an IT consulting company to automate the requirements specification process. In this company, requirements are specified using a Functional Design Specification (FDS), a document that outlines the functional requirements and features of a system, application, or process. We provide LLMs with a summary of the requirements elicitation documents and FDS templates, prompting them to generate Epic FDS (including high-level product descriptions) and user stories, which are subsequently compiled into a complete FDS document. We compared the correctness and quality of the FDS generated by three state-of-the-art LLMs against those produced by human analysts. Our results show that LLMs can help automate and standardize the requirements specification, reducing time and human effort. However, the quality of LLM-generated FDS highly depends on inputs and often requires human revision. Thus, we advocate for a synergistic approach in which an LLM serves as an effective drafting tool while human analysts provide the critical contextual and technical oversight necessary for high-quality requirements engineering (RE) documentation.
- Abstract（参考訳）: 実際には、要件仕様は依然として重要な課題です。
仕様を作成するために必要な知識は、さまざまなソース(会議時間、メール、高レベルの製品記述など)で断片化され、プロセスが煩雑で時間がかかります。
本稿では,ITコンサルティング企業における大規模言語モデル(LLM)を用いた要件仕様プロセスの自動化について報告する。
この会社では、要件は機能設計仕様(FDS)を使用して指定されます。
本報告では,LCMに要求資料とFDSテンプレートの要約を提供し,Epic FDS(高レベルな製品記述を含む)とユーザストーリを生成し,その後,完全なFDSドキュメントにコンパイルする。
我々は,3つの最先端LCMが生成するFDSの正しさと品質を,人間アナリストが生成するFDSと比較した。
我々の結果は、LCMが要求仕様の自動化と標準化に役立ち、時間と人的労力を削減できることを示している。
しかし、LLM生成FDSの品質は入力に大きく依存しており、しばしば人間の修正を必要とする。
そこで我々は,LLMが効果的な起草ツールとして機能し,人間アナリストが高品質な要求工学(RE)の文書化に必要な重要なコンテキストと技術的監視を提供する,シナジスティックなアプローチを提唱する。
関連論文リスト
- AGENTIF: Benchmarking Instruction Following of Large Language Models in Agentic Scenarios [51.46347732659174]
LLM(Large Language Models)は、現実世界のエージェントアプリケーションにおいて高度な機能を示す。
AgentIFは、エージェントシナリオでLLM命令に従う能力を体系的に評価する最初のベンチマークである。
論文 参考訳（メタデータ） (2025-05-22T17:31:10Z) - Extracting Formal Specifications from Documents Using LLMs for Automated Testing [11.129512305353055]
正式な仕様を定義する主なアプローチは、ソフトウェア文書のマニュアル分析である。
システム更新は、対応する正式な仕様を維持するための人件費をさらに高める。
大規模言語モデルの最近の進歩は、自然言語理解において有望な能力を示している。
論文 参考訳（メタデータ） (2025-04-02T01:58:11Z) - Analysis of LLMs vs Human Experts in Requirements Engineering [0.0]
大規模言語モデル(LLM)のソフトウェア開発への応用は、コード生成のテーマとなっている。
本研究は, LLMがソフトウェアシステムの要件を抽出する能力と, タイムボックス型およびプロンプトボックス型研究における人間専門家の要求とを比較した。
論文 参考訳（メタデータ） (2025-01-31T16:55:17Z) - Exploring LLMs for Verifying Technical System Specifications Against Requirements [41.19948826527649]
知識に基づく要求工学(KBRE)の分野は、システム要件の活用、検証、管理を支援する知識を提供することによって、技術者を支援することを目的としている。
大規模言語モデル(LLM)の出現はKBREの分野で新たな機会を開く。
本研究は, LLMの要件検証における可能性について実験的に検討する。
論文 参考訳（メタデータ） (2024-11-18T13:59:29Z) - SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。
学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。
ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
論文 参考訳（メタデータ） (2024-07-16T04:41:58Z) - DOCBENCH: A Benchmark for Evaluating LLM-based Document Reading Systems [99.17123445211115]
本稿では,大規模言語モデル(LLM)に基づく文書読解システムを評価するベンチマークであるDocBenchを紹介する。
我々のベンチマークには、人間のアノテーションの募集と、合成質問の生成が含まれる。
実際の文書は229件、質問は1,102件で、5つのドメインにまたがって4種類の質問がある。
論文 参考訳（メタデータ） (2024-07-15T13:17:42Z) - 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) - Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。
セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。
本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
論文 参考訳（メタデータ） (2024-06-14T19:24:00Z) - 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) - FOFO: A Benchmark to Evaluate LLMs' Format-Following Capability [70.84333325049123]
FoFoは、大規模言語モデル(LLM)の複雑なドメイン固有のフォーマットに従う能力を評価するための先駆的なベンチマークである。
本稿では,大規模言語モデル(LLM)の複雑なドメイン固有フォーマットに従う能力を評価するための先駆的ベンチマークであるFoFoを提案する。
論文 参考訳（メタデータ） (2024-02-28T19:23:27Z) - Towards Generating Executable Metamorphic Relations Using Large Language Models [46.26208489175692]
大規模言語モデル(LLM)を用いた要件から実行可能なMRを自動的に抽出する手法を提案する。
提案手法の有効性を評価するため,シーメンス・インダストリー・ソフトウェアと共同で質問紙調査を行った。
論文 参考訳（メタデータ） (2024-01-30T13:52:47Z) - Validation of Rigorous Requirements Specifications and Document
Automation with the ITLingo RSL Language [0.0]
ITLingoイニシアチブは、技術的文書の厳密さと一貫性を高めるためにRSLという要求仕様言語を導入した。
本稿では、要求検証と文書自動化の分野における既存の研究・ツールについてレビューする。
我々は、カスタマイズされたチェックと、RSL自体で動的に定義された言語規則に基づいて、仕様の検証によりRSLを拡張することを提案する。
論文 参考訳（メタデータ） (2023-12-17T21:39:26Z)
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。