論文の概要: Lessons Learned from the Use of Generative AI in Engineering and Quality Assurance of a WEB System for Healthcare
- arxiv url: http://arxiv.org/abs/2511.00658v1
- Date: Sat, 01 Nov 2025 18:42:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:26.883105
- Title: Lessons Learned from the Use of Generative AI in Engineering and Quality Assurance of a WEB System for Healthcare
- Title（参考訳）: 医療用WEBシステムの工学・品質保証における生成AIの利用から学んだ教訓
- Authors: Guilherme H. Travassos, Sabrina Rocha, Rodrigo Feitosa, Felipe Assis, Patricia Goncalves, Andre Gheventer, Larissa Galeno, Arthur Sasse, Julio Cesar Guimaraes, Carlos Brito, Joao Pedro Wieland,
- Abstract要約: ソフトウェアエンジニアリングプラクティスにおける生成AIの利用は、まだ初期段階にある。
本報告では,ソフトウェア開発プロセスにおけるジェネレーティブAIの利用に関する,開発チームの学習経験について報告する。
開発プロセスを著しく発展させる決定的な技術的証拠はまだ持っていませんが、その結果は、生成AIでソフトウェア品質を達成するための開発プラクティスを革新しようとするソフトウェア組織にとって、貴重な洞察となりました。
- 参考スコア（独自算出の注目度）: 0.6982947801732751
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The advances and availability of technologies involving Generative Artificial Intelligence (AI) are evolving clearly and explicitly, driving immediate changes in various work activities. Software Engineering (SE) is no exception and stands to benefit from these new technologies, enhancing productivity and quality in its software development processes. However, although the use of Generative AI in SE practices is still in its early stages, considering the lack of conclusive results from ongoing research and the limited technological maturity, we have chosen to incorporate these technologies in the development of a web-based software system to be used in clinical trials by a thoracic diseases research group at our university. For this reason, we decided to share this experience report documenting our development team's learning journey in using Generative AI during the software development process. Project management, requirements specification, design, development, and quality assurance activities form the scope of observation. Although we do not yet have definitive technological evidence to evolve our development process significantly, the results obtained and the suggestions shared here represent valuable insights for software organizations seeking to innovate their development practices to achieve software quality with generative AI.
- Abstract（参考訳）: 生成人工知能(AI)を含む技術の進歩と利用可能性は明確かつ明示的に進化しており、様々な作業活動の即時的な変化を促している。
ソフトウェアエンジニアリング(SE)は例外ではなく、これらの新技術から恩恵を受け、ソフトウェア開発プロセスの生産性と品質を向上させる。
しかし,SE実践におけるジェネレーティブAIの利用はまだ初期段階であり,現在進行中の研究による決定的な結果の欠如や技術的成熟度が限定されていることから,本大学における胸部疾患研究グループによる臨床試験に使用されるWebベースのソフトウェアシステムの開発にこれらの技術を取り入れることを選択した。
このような理由から、ソフトウェア開発プロセス中にジェネレーティブAIを使用することで、開発チームの学習経験を文書化するこの経験レポートを共有することにしました。
プロジェクト管理、要求仕様、設計、開発、品質保証活動は、観察の範囲を形成します。
開発プロセスを大幅に発展させる決定的な技術的証拠はまだ持っていませんが、得られた結果と、ここで共有した提案は、ソフトウェア開発の実践を革新し、生成的AIでソフトウェア品質を達成しようとするソフトウェア組織にとって貴重な洞察を示しています。
関連論文リスト
- Exploring the Evidence-Based SE Beliefs of Generative AI Tools [2.3480418671346164]
我々は、ソフトウェア開発の実践を支援するためにますます使われている生成型AIツールの「信条」を調査する。
我々の研究結果は、生成型AIツールには、研究の主張に関する曖昧な信念があり、回答を支援するための信頼できる証拠が欠如していることを示しています。
論文 参考訳（メタデータ） (2024-07-18T21:06:39Z) - The Role of Generative AI in Software Development Productivity: A Pilot Case Study [0.0]
本稿では,ソフトウェア開発における生成AIツールの統合について検討する。
パイロットケーススタディを通じて、生成可能なAIツールを日々の作業ルーチンに統合する上で、貴重な経験を集めました。
以上の結果から,これらのツールの個人の生産性に対する肯定的な認識と,特定された制限に対処する必要性が示唆された。
論文 参考訳（メタデータ） (2024-06-01T21:51:33Z) - Making Software Development More Diverse and Inclusive: Key Themes, Challenges, and Future Directions [50.545824691484796]
ソフトウェア開発者の多様性と包摂性(SDDI)を改善するための課題と機会に関する6つのテーマを特定します。
4つのテーマの利点、害、今後の研究の方向性を特定します。
残りの2つのテーマ、人工知能とSDDIとAIとコンピュータサイエンスの教育について論じる。
論文 参考訳（メタデータ） (2024-04-10T16:18:11Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Empowered and Embedded: Ethics and Agile Processes [60.63670249088117]
私たちは倫理的考慮事項を(アジャイル)ソフトウェア開発プロセスに組み込む必要があると論じています。
私たちは、すでに存在しており、確立されたアジャイルソフトウェア開発プロセスで倫理的な議論を実施する可能性を強調しました。
論文 参考訳（メタデータ） (2021-07-15T11:14:03Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Software engineering for artificial intelligence and machine learning
software: A systematic literature review [6.681725960709127]
本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
論文 参考訳（メタデータ） (2020-11-07T11:06:28Z) - 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) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。