論文の概要: The Impact of GenAI on the Future of Requirements Engineering
- arxiv url: http://arxiv.org/abs/2609.05667v1
- Date: Fri, 04 Sep 2026 19:01:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 12:55:47.801566
- Title: The Impact of GenAI on the Future of Requirements Engineering
- Title（参考訳）: GenAIが要求工学の将来に与える影響
- Abstract要約: 大規模言語モデル(LLM)は、システムの設計と構築方法を変えています。
ジェネラリストSEエージェントによる実装のコストが下がるにつれて、エンジニアリングの取り組みは正しいコードを書くことから離れる。
この記事では、RE研究者が将来の研究優先事項の選択において、この変革をどのようにナビゲートできるかを知らせることを目的としている。
- 参考スコア（独自算出の注目度）: 0.17188280334580197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in artificial intelligence (AI), particularly large language models (LLMs), are transforming how we design and build systems by increasing access to domain knowledge and by providing automation support to software engineering (SE). As implementation becomes less expensive through generalist SE agents, engineering effort shifts away from writing correct code and toward expressing, curating, verifying, and evaluating requirements. In this paper, we survey the state of the art in AI for requirements engineering (RE) research leading up to the transformation, before reviewing advances in LLMs. We survey two subsequent research areas: prompt programming, which treats LLM instructions as a program in SE vernacular, and generalist SE agents, which combine multiple LLM advances to yield semi-autonomous processes that complete SE tasks. Finally, we explore the future of requirements engineering along two axes: matters changing how we interact with requirements through the SE process, and matters changing how requirements are experienced by software developers and stakeholders more broadly, including end-users. This article aims to inform how RE researchers can navigate this transformation in the selection of future research priorities.
- Abstract（参考訳）: 人工知能(AI)、特に大規模言語モデル(LLM)の最近の進歩は、ドメイン知識へのアクセスを増やし、ソフトウェア工学(SE)への自動化サポートを提供することによって、システムの設計と構築の方法を変えつつある。
ジェネラリストSEエージェントによる実装のコストが下がるにつれて、エンジニアリングの取り組みは正しいコードを書くことから離れ、要求を表現し、キュレートし、検証し、評価することへと移行します。
本稿では、LLMの進歩をレビューする前に、この変革につながる要求工学(RE)研究のためのAIの現状を調査する。
本稿では,LLM命令をSE頂点のプログラムとして扱うプロンプトプログラミングと,複数のLLM前進を組み合わせ,SEタスクを完了した半自律プロセスを生成するジェネラリストSEエージェントの2つの研究分野を調査する。
最後に、私たちは2つの軸に沿って、要件エンジニアリングの将来について検討します。SEプロセスを通じて要件とどのように相互作用するかを変える問題と、エンドユーザを含むソフトウェア開発者やステークホルダーがより広く要求をどのように経験するかを変える問題です。
この記事では、RE研究者が将来の研究優先事項の選択において、この変革をどのようにナビゲートできるかを知らせることを目的としている。
関連論文リスト
- StartupBench: Benchmarking General-Purpose Agents on Market-Validated End-to-End Workflows [63.57092302641323]
textbfStartupBenchは、市場価値の高いAIスタートアップ製品に根ざしたE2Eエージェントベンチマークである。
我々は、AIが現実的な需要を確立した現実的なタスクを特定するために、製品やユーザとともに、AI製品の採用を実証して研究する。
以上の結果から,現在の汎用エージェントの信頼性を超越した,市場価値の高いエージェントが多数存在することが明らかとなった。
論文 参考訳（メタデータ） (2026-08-18T14:01:32Z) - From Determinism to Delegation: AI-Native Software Engineering and the Evolution of the Agentic Engineer [0.0]
ソフトウェアエンジニアリングは、ハイレベルなプログラミング言語の出現以来、最も重要な変革を経験しています。
本稿では、AI-Native Software Engineeringは単なるツールの進歩というよりもパラダイムシフトである、と論じる。
我々は、推論実行ループ、コンテキストエンジニアリング、ツール使用、メモリ、行動ドリフト、構成誤差を含む自律エージェントの中核メカニズムを定義する。
論文 参考訳（メタデータ） (2026-06-27T07:43:43Z) - Rethinking Software Engineering for Agentic AI Systems [0.0]
大規模言語モデルとエージェントAIシステムは、自動生成されたコードに前例のない量を生み出している。
本稿では、オーケストレーション、検証、人間とAIのコラボレーションを中心に、この規律を見直しるべきかどうかを検討する。
論文 参考訳（メタデータ） (2026-04-12T12:08:53Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - Let the Barbarians In: How AI Can Accelerate Systems Performance Research [80.43506848683633]
我々は、この繰り返しサイクルを、AI駆動システム研究の生成、評価、洗練のサイクルと呼ぶ。
我々はADRSが生成するソリューションが人間の最先端の設計に適合し、さらに優れることを示した。
論文 参考訳（メタデータ） (2025-12-16T18:51:23Z) - A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - A Survey on Code Generation with LLM-based Agents [61.474191493322415]
大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。
LLMは3つのコア特徴によって特徴づけられる。
本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
論文 参考訳（メタデータ） (2025-07-31T18:17:36Z) - Challenges and Paths Towards AI for Software Engineering [55.95365538122656]
ソフトウェア工学におけるAIの進歩を3倍に議論する。
まず、ソフトウェア工学のためのAIにおいて、具体的なタスクを構造化した分類法を提供する。
次に、現在のアプローチを制限するいくつかの重要なボトルネックを概説する。
論文 参考訳（メタデータ） (2025-03-28T17:17:57Z) - Unleashing the potential of prompt engineering for large language models [1.6006550105523192]
大規模言語モデル(LLM)の能力を解き放つ上で,迅速なエンジニアリングが果たす重要な役割を概観する
自己整合性、思考の連鎖、そして生成された知識などの技術を含む、素早い工学の基礎的方法論と先進的な方法論の両方を検査する。
AIセキュリティの側面、特に迅速なエンジニアリングの脆弱性を悪用する敵攻撃について論じる。
論文 参考訳（メタデータ） (2023-10-23T09:15:18Z) - Advancing Requirements Engineering through Generative AI: Assessing the
Role of LLMs [10.241642683713467]
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。
論文 参考訳（メタデータ） (2023-10-21T11:29:31Z) - Enhancing Trust in LLM-Based AI Automation Agents: New Considerations
and Future Challenges [2.6212127510234797]
プロセス自動化の分野では、AIベースのエージェントの新世代が登場し、複雑なタスクの実行が可能になった。
本稿では、既存の文献で議論されているAIエージェントの信頼性の主な側面を分析し、この新世代の自動化エージェントに関連する具体的な考察と課題を特定する。
論文 参考訳（メタデータ） (2023-08-10T07:12:11Z) - AI in Software Engineering: A Survey on Project Management Applications [3.156791351998142]
機械学習(ML)はデータセットでトレーニングを行うアルゴリズムを採用しており、特定のタスクを自律的に実行することができる。
AIは、特にプロジェクト管理と計画において、ソフトウェアエンジニアリングの分野で大きな可能性を秘めている。
論文 参考訳（メタデータ） (2023-07-27T23:02:24Z) - 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)
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。