Cadre pour l'évaluation automatique de la qualité des exigences logicielles basé sur les réseaux neuronaux

Framework para la Evaluación Automática de la Calidad de los Requerimientos de Software basado en Redes Neuronales

• Auteur / Autrice : María Gramajo
• Direction : Oumaya Baala, Luciana Balleros, Etienne Thuillier, Mariel Ale
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 28/09/2023
• Etablissement(s) : Bourgogne Franche-Comté en cotutelle avec Universidad Tecnológica Nacional. Facultad Regional Buenos Aires (Buenos Aires, Argentine)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : Etablissement de préparation : Université de technologie de Belfort-Montbéliard (1999-....)
• Jury : Président / Présidente : Marcelo Marciszack
• Jury : Examinateurs / Examinatrices : Oumaya Baala, Luciana Balleros, Etienne Thuillier, Mariel Ale, Luiz Angelo Steffenel, Graciela Hada, Gabriela Arévalo Blumenkron
• Jury : Rapporteurs / Rapporteuses : Luiz Angelo Steffenel, Graciela Hada, Gabriela Arévalo Blumenkron

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Mots clés libres

Apprentissage machine

Exigences logicielles

Ingénierie des exigences

Software requirements

Requirement engineering

Neural networks

Résumé

Le langage naturel est largement utilisé pour obtenir et documenter les exigences logicielles, ainsi que pour l'élicitation et la documentation de ces exigences. Bien que des modèles formels et des notations soient également utilisés, le langage naturel est largement prédominant dans la plupart des secteurs en raison de sa facilité d'utilisation et de sa flexibilité compréhensible. Cependant, sa nature flexible et expressive peut entraîner des incohérences, des redondances et des ambiguïtés dans les exigences, ce qui a un impact négatif sur le cycle de vie du logiciel. Cela peut conduire à la conception de logiciels de faible qualité ou à la présence de bogues de faible qualité. Pour résoudre ce problème, il est nécessaire de mettre en place des mécanismes de contrôle de la qualité dès les premières étapes du projet. La qualité des exigences est considérée comme un facteur déterminant de la réussite d'un projet logiciel. Dans ce sens, l'intégration de l'Intelligence Artificielle (IA) dans le processus de développement de logiciels a montré des résultats prometteurs en ingénierie des exigences, notamment dans l'optimisation des tâches intensives. L'IA a connu une croissance remarquable en raison de sa capacité à optimiser les tâches intensives et de son application dans divers domaines, grâce à l'utilisation de vastes ensembles de données, à une formation modulable et à des réseaux neuronaux avancés. La combinaison des techniques traditionnelles et de l'IA dans l'ingénierie des exigences a été étudiée dans le cadre d'une cartographie systématique, révélant des opportunités de recherche dans le domaine de l'apprentissage supervisé appliqué à cette discipline. Dans ce contexte, un ensemble de modèles neuronaux a été développé pour évaluer automatiquement la qualité des exigences en utilisant un corpus d'exigences logicielles couvrant différents domaines. Ces modèles neuronaux se concentrent sur l'évaluation de la qualité des exigences exprimées en langage naturel, conformément aux normes ISO/IEC/IEEE 29148:2018. Cette approche fournit des mécanismes automatiques de contrôle et de vérification de la qualité des exigences, ce qui permet aux ingénieurs et aux professionnels du logiciel d'obtenir des exigences de qualité répondant aux attentes des clients.

Natural language is widely used to obtain and document software requirements. The collection and documentation of software requirements are primarily done using natural language due to its ease of use. However, the use of natural language can lead to inconsistencies, redundancies, and ambiguities in requirements, which have a negative impact on the software's life cycle. To address this issue, it is necessary to establish quality control mechanisms from the early stages of the project. The quality of requirements is considered a determining factor in the success of a software project, and the integration of artificial intelligence (AI) in the software development process has shown promising results in requirements engineering. AI has experienced remarkable growth due to its ability to optimize intensive tasks and its application in various domains, leveraging large datasets, adaptable training, and advanced neural networks. The combination of traditional techniques and AI in requirements engineering has been analyzed through a systematic mapping, revealing research opportunities in the field of supervised learning. In this context, a set of neural models has been developed to automatically evaluate the quality of requirements, using a corpus of software requirements covering different domains. These neural models focus on evaluating the quality of requirements expressed in natural language, following the ISO/IEC/IEEE 29148:2018 standards. This approach provides automatic mechanisms for quality control and verification of requirements, enabling engineers and software professionals to obtain high-quality requirements that meet customer expectations.