論文の概要: Applying a Requirements-Focused Agile Management Approach for Machine Learning-Enabled Systems
- arxiv url: http://arxiv.org/abs/2602.05042v1
- Date: Wed, 04 Feb 2026 20:49:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.612684
- Title: Applying a Requirements-Focused Agile Management Approach for Machine Learning-Enabled Systems
- Title（参考訳）: 要件に焦点をあてたアジャイルマネジメントアプローチを機械学習で実現可能なシステムに適用する
- Authors: Lucas Romao, Luiz Xavier, Júlia Condé Araújo, Marina Condé Araújo, Ariane Rodrigues, Marcos Kalinowski,
- Abstract要約: 機械学習(ML)対応システムは、従来の要件工学(RE)とアジャイル管理に挑戦する。
既存のREとアジャイルのプラクティスは統合が不十分で、これらの特性に十分に適合していません。
本稿では,ML対応システムの継続的かつアジャイルな改善のための要件重視のアプローチであるRefineMLの適用経験について報告する。
- 参考スコア（独自算出の注目度）: 1.3704574906282525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning (ML)-enabled systems challenge traditional Requirements Engineering (RE) and agile management due to data dependence, experimentation, and uncertain model behavior. Existing RE and agile practices remain poorly integrated and insufficiently tailored to these characteristics. This paper reports on the practical experience of applying RefineML, a requirements-focused approach for the continuous and agile refinement of ML-enabled systems, which integrates ML-tailored specification and agile management approaches with best practices derived from a systematic mapping study. The application context concerns an industry-academia collaboration project between PUC-Rio and EXA, a Brazilian cybersecurity company. For evaluation purposes, we applied questionnaires assessing RefineML's suitability and overall acceptance and semi-structured interviews. We applied thematic analysis to the collected qualitative data. Regarding suitability and acceptance, the results of the questionnaires indicated high perceived usefulness and intention to use. Based on the interviews, stakeholders perceived RefineML as improving communication and facilitating early feasibility assessments, as well as enabling dual-track governance of ML and software work, allowing continuous refinement of the model while evolving the overall software project. However, some limitations remain, particularly related to difficulties in operationalizing ML concerns into agile requirements and in estimating ML effort.
- Abstract（参考訳）: 機械学習(ML)対応システムは、データ依存、実験、不確実なモデル動作のために、従来の要件工学(RE)とアジャイル管理に挑戦する。
既存のREとアジャイルのプラクティスは統合が不十分で、これらの特性に十分に適合していません。
本稿では,ML対応システムの継続的かつアジャイルな改善のための要件重視のアプローチであるRefineMLの適用経験について報告する。
アプリケーションコンテキストは、ブラジルのサイバーセキュリティ企業であるPUC-RioとEXAの産学連携プロジェクトに関するものだ。
評価のために、RefineMLの適合性および総合的な受理性および半構造化インタビューを評価する質問紙を適用した。
得られた定性データにテーマ解析を適用した。
適合性および受容性について, アンケートの結果は, 有効性と使用意図が高かった。
インタビューに基づいて、ステークホルダは、RefineMLはコミュニケーションを改善し、早期実行可能性の評価を促進すると同時に、MLとソフトウェア作業のデュアルトラックガバナンスを可能にし、ソフトウェアプロジェクト全体を進化させながら、モデルの継続的な改善を可能にしている、と認識した。
しかしながら、いくつかの制限は、特に、MLの懸念をアジャイル要件に運用することの難しさと、MLの取り組みを見積もることに関連している。
関連論文リスト
- Multi-Modal Requirements Data-based Acceptance Criteria Generation using LLMs [17.373348983049176]
マルチモーダル要求データから受け入れ基準を生成する新しい手法であるRAGcceptance M2REを提案する。
提案手法は,手作業の労力を効果的に削減し,未払いの利害関係者の意図を捉え,貴重な基準を提供する。
本研究は,ソフトウェア検証プロセスの合理化と開発効率の向上におけるマルチモーダルRAG技術の可能性を明らかにする。
論文 参考訳（メタデータ） (2025-08-09T08:35:40Z) - Define-ML: An Approach to Ideate Machine Learning-Enabled Systems [1.3541839896498067]
ソフトウェアシステムにおける機械学習(ML)は、特別なアイデアのアプローチを必要とする。
Lean Inceptionのような従来のアイデア手法では、MLの考慮事項に対する構造化されたサポートが欠如しています。
本稿では、リーンインセプションを適切なアクティビティで拡張するフレームワークであるDefin-MLを提案する。
論文 参考訳（メタデータ） (2025-06-25T17:11:26Z) - A Practical Guide for Evaluating LLMs and LLM-Reliant Systems [1.1715858161748576]
本稿では,代表的なデータセットを積極的にキュレートし,有意義な評価指標を選択するための実践的評価フレームワークを提案する。
我々は,現実の要求に順応し,ユーザニーズに応えなければならないシステムの実践的開発と展開をうまく統合する有意義な評価手法を採用する。
論文 参考訳（メタデータ） (2025-06-16T01:18:16Z) - OpenUnlearning: Accelerating LLM Unlearning via Unified Benchmarking of Methods and Metrics [82.0813150432867]
我々は,大規模言語モデル(LLM)のアンラーニング手法とメトリクスをベンチマークするための標準フレームワークであるOpenUnlearningを紹介する。
OpenUnlearningは、13のアンラーニングアルゴリズムと16のさまざまな評価を3つの主要なベンチマークで統合する。
また、多様なアンラーニング手法をベンチマークし、広範囲な評価スイートとの比較分析を行う。
論文 参考訳（メタデータ） (2025-06-14T20:16:37Z) - Federated In-Context Learning: Iterative Refinement for Improved Answer Quality [62.72381208029899]
In-context Learning (ICL) では、入力に提供される例を活用することで、パラメータを変更することなく、言語モデルで応答を生成することができる。
我々は,反復的協調プロセスを通じてICLを強化する汎用フレームワークであるFederated In-Context Learning (Fed-ICL)を提案する。
Fed-ICLは、クライアントと中央サーバ間のマルチラウンドインタラクションを活用することで、応答を徐々に洗練し、モデルパラメータを送信することなく、応答品質を向上させる。
論文 参考訳（メタデータ） (2025-06-09T05:33:28Z) - LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。
オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-07T04:00:30Z) - 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) - 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)
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。