ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ АНАЛІТИКАМИ ДЛЯ АНАЛІЗУ ТА РОЗРОБКИ ВИМОГ КОРИСТУВАЧА ДЛЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ - Научное сообщество
Главная
UA PL EN

Вас приветствует Интернет конференция!

Приветствуйем на нашем сайте

Рік заснування видання - 2011

ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ АНАЛІТИКАМИ ДЛЯ АНАЛІЗУ ТА РОЗРОБКИ ВИМОГ КОРИСТУВАЧА ДЛЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ

10.11.2025 18:37

[1. Systemy i technologie informacyjne]

Автор: Дегтярьова Тетяна Григорівна, старший викладач кафедри Інженерії програмного забезпечення, Національний аерокосмічний університет «Харківський авіаційний інститут» (ХАІ), м. Харків; Дегтярьова Ольга Вікторівна, Національний аерокосмічний університет «Харківський авіаційний інститут» (ХАІ), м. Харків


ORCID: 0000-0001-9573-1540 Дегтярьова Т.Г.

ORCID: 0000-0003-4524-715 Дегтярьова О.В.

Вступ

У сучасному світі програмне забезпечення (ПЗ) є основою функціонування бізнесу, освіти, медицини та державного управління. Зростання складності систем, поява нових технологій і швидкі зміни у потребах користувачів вимагають від аналітиків нових підходів до збору та формалізації вимог. 

Традиційні методи – інтерв’ю, опитування, аналіз документів залишаються актуальними, але вже не забезпечують необхідної швидкості та гнучкості. Саме тут на допомогу приходять інструменти штучного 

інтелекту (ШІ), які дозволяють автоматизувати рутинні завдання, виявляти приховані закономірності у великих масивах даних і навіть генерувати чернетки вимог.

Аналітики, які володіють інструментами ШІ, отримують конкурентну перевагу: вони можуть швидше реагувати на зміни, підвищувати якість документації та зменшувати кількість помилок у специфікаціях. У цій роботі розглянемо, як саме ШІ застосовується на різних етапах аналізу вимог, які інструменти доступні (у тому числі безкоштовні), а також які переваги й ризики супроводжують цей процес.

1. Збір даних і первинна інтерпретація

Перший етап роботи аналітика – це збір інформації про потреби користувачів. Традиційно це робиться через інтерв’ю, анкетування, аналіз звернень у службу підтримки. Проте обсяг даних у сучасних компаніях настільки великий, що без автоматизації він стає некерованим.

ШІ дозволяє:

- Агрегувати дані з різних каналів (електронна пошта, чати, соціальні мережі, системи підтримки).

- Класифікувати звернення за типом: баг, побажання, запитання.

- Виділяти ключові сутності (назви функцій, модулів, параметрів).

- Інструменти:

- Elastic Stack (ELK) – безкоштовний набір для збору та аналізу логів.

- Hotjar (free tier) – поведінковий аналіз користувачів.

- Google Forms + Zapier – простий спосіб автоматизувати збір відгуків.

Таким чином, аналітик отримує структуровану базу даних, з якою можна працювати далі.

2. Формалізація та трансформація вимог

Зібрані дані часто є неструктурованими: користувачі пишуть у довільній формі, з помилками, різними мовами. Завдання аналітика – перетворити ці дані у формальні вимоги.

ШІ допомагає:

- Нормалізувати мову: виправляти граматику, стандартизувати терміни.

- Генерувати user stories: наприклад, з фрази “Хочу, щоб система нагадувала мені про дедлайни” можна автоматично створити user story у форматі “Як користувач, я хочу отримувати нагадування про дедлайни, щоб не пропускати завдання”.

- Створювати acceptance criteria: моделі можуть запропонувати кілька варіантів критеріїв приймання.

- Будувати прототипи: інструменти на основі ШІ здатні з текстового опису створювати макети інтерфейсу.

- Інструменти:

- Hugging Face Transformers – генерація та класифікація текстів.

- spaCy – витяг сутностей і лінгвістичний аналіз.

- Figma (free tier), Penpot (open source) – прототипування інтерфейсів.

- ReqIF Studio – перевірка якості вимог.

3. Аналіз пріоритетів та впливу

Не всі вимоги однаково важливі. Частина з них критична для бізнесу, інші – другорядні. Аналітик має визначити пріоритети, оцінити ризики та вартість реалізації.

ШІ дозволяє:

- Прогнозувати витрати на основі історичних даних.

- Виявляти ризики: наприклад, якщо подібні функції раніше викликали проблеми.

- Кластеризувати вимоги за схожістю.

- Пріоритезувати з урахуванням бізнес-цінності та складності.

- Інструменти:

- Scikit-learn, AutoGluon, H2O.ai (open source) – для прогнозування effort та кластеризації.

- Jira (free for small teams), Taiga — управління беклогом і залежностями.

- Google Sheets / Power BI Desktop (free) – для побудови матриць пріоритетів.

4. Підтримка комунікації та узгодження

Аналітик працює не лише з даними, а й з людьми: замовниками, розробниками, тестувальниками. Тут важлива зрозуміла комунікація.

ШІ допомагає:

- Готувати резюме великих документів.

- Виявляти суперечності між вимогами.

- Створювати чат-ботів для уточнення деталей у користувачів.

- Автоматично перевіряти якість вимог на повноту, однозначність, відповідність стандартам.

- Інструменти:

- QVscribe – аналіз якості вимог.

- IBM DOORS Next – AI модулі для виявлення дублювань і конфліктів.

- Rasa (open source) – чат-боти для уточнення вимог.

- Visure Requirements ALM-інтегроване AI-керування вимогами.

5. Переваги та ризики

Переваги:

- Швидкість обробки даних.

- Зменшення людських помилок.

- Глибший аналіз великих масивів інформації.

- Автоматична трасованість вимог.

- Ризики:

- Залежність від якості даних.

- “Чорний ящик” моделей (важко пояснити рішення).

- Питання приватності та безпеки.

- Ризик надмірної автоматизації й втрати навичок у аналітиків.

Висновки

Штучний інтелект стає незамінним помічником аналітика. Він не замінює людину, але значно розширює її можливості. Найбільш ефективним є гібридний підхід: ШІ виконує рутинні завдання, а людина приймає остаточні рішення.

Література

1. Wiegers, K. E., & Beatty, J. (2013). Software Requirements (3rd ed.). Microsoft Press.

2. Sommerville, I. (2016). Software Engineering (10th ed.). Pearson.

3. Cockburn, A. (2000). Writing Effective Use Cases. Addison Wesley.

4. Wolf, T., et al. (2020). Transformers: State of the Art Natural Language Processing. EMNLP.

5. Explosion AI. (2023). spaCy Documentation. https://spacy.io

6. Grootendorst, M. (2022). BERTopic Documentation. https://maartengr.github.io/BERTopic/

7. QRA Corp. (2021). QVscribe for Requirements. https://qracorp.com/qvscribe

8. IBM. (2023). IBM Engineering Requirements Management DOORS Next with AI. https://www.ibm.com

9. Visure Solutions. (2023). AI in Requirements Management. https://

Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Другие научные работы даной секции

Конференции

Конференции 2025

Конференции 2024

Конференции 2023

Конференции 2022

Конференции 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення