[論文レビュー] Requirements Engineering for Machine Learning: A Review and Reflection

Zhongyi Pei, Lin Liu+2 more|arXiv (Cornell University)|Oct 3, 2022

Software Engineering Techniques and Practices被引用数 4

ひとこと要約

本論文は、機械学習アプリケーションにおける要件工学のための体系的フレームワークを提示しており、ソフトウェア工学の専門家とドメインエキスパートの間でのクロスドメイン連携を強調している。ドメインモデルとエンドツーエンドの機械学習手法をビジネスワークフローに統合するための段階的プロセスを提示し、データ駆動型インテリジェンスシステムに関する産業界の事例研究によって検証されている。

ABSTRACT

Today, many industrial processes are undergoing digital transformation, which often requires the integration of well-understood domain models and state-of-the-art machine learning technology in business processes. However, requirements elicitation and design decision making about when, where and how to embed various domain models and end-to-end machine learning techniques properly into a given business workflow requires further exploration. This paper aims to provide an overview of the requirements engineering process for machine learning applications in terms of cross domain collaborations. We first review the literature on requirements engineering for machine learning, and then go through the collaborative requirements analysis process step-by-step. An example case of industrial data-driven intelligence applications is also discussed in relation to the aforementioned steps.

研究の動機と目的

• デジタルトランスフォーメーションの流れの中で、機械学習アプリケーションにおける構造的要件工学の必要性に対応する。
• ソフトウェア工学チームとドメインエキスパートチームの間で、ドメイン知識と機械学習システム設計を一致させる際の課題を特定する。
• ドメインモデルと機械学習手法をビジネスワークフローに統合する、共同作業による要件分析プロセスを構築する。
• 実世界の機械学習アプリケーションにおける要件の抽出と仕様化のための実用的で段階的なメソッドを提供する。
• データ駆動型インテリジェンス分野における産業界の事例研究を通じて、提案手法の適用可能性と有効性を示す。

提案手法

• ソフトウェア工学と機械学習の分野における機械学習のための要件工学に関する包括的な文献レビューを実施する。
• ドメインエキスパートと機械学習実務者を含む、構造的かつ共同作業型の要件分析プロセスを提唱する。
• 段階的改善を通じて、ドメインモデルとエンドツーエンドの機械学習パイプラインをビジネスプロセスワークフローに統合する。
• 実際のデータ駆動型インテリジェンスアプリケーションを対象とした産業界の事例研究にフレームワークを適用し、実用性を検証する。
• ステークホルダー間の反復的フィードバックループを活用して、要件をビジネス目標と技術的目標に整合させる。
• 要件ライフサイクル全体にわたり意思決定のトレーサビリティとドキュメント化を強調し、保守性と監査可能性を支援する。

実験結果

リサーチクエスチョン

• RQ1 産業界の現場において、機械学習システム開発を効果的かつ的確に支援するためには、要件工学の実践をどのように適合させるべきか？
• RQ2 要件抽出の段階で、ドメイン知識と機械学習モデル設計を一致させるにあたり、主な課題は何であるか？
• RQ3 機械学習要件工学において、ソフトウェア工学の専門家とドメインエキスパートの間で、どのように体系的かつ効果的なクロスドメイン連携を支援できるか？
• RQ4 ドメインモデルは、エンドツーエンドの機械学習パイプラインの要件をどのように規定するか？
• RQ5 提案されたフレームワークは、実際の産業界のアプリケーションでどのように検証できるか？

主な発見

• ドメインモデルと機械学習パイプラインの統合は、ビジネス目標とシステム機能の整合性を著しく向上させる。
• 共同作業による要件工学プロセスは、機械学習システム開発の過程で曖昧さを低減し、ステークホルダーの関与度を高める。
• 提案されたフレームワークは、ビジネス要件からモデル設計およびデプロイ意思決定に至るまでの体系的トレーサビリティを可能にする。
• 産業界の事例研究では、構造的要件工学が保守性と監査可能性に優れた機械学習システムを生み出すことを示した。
• ドメインエキスパートと機械学習エンジニアが反復的かつ共同で仕様を策定することで、要件抽出の課題が軽減された。
• フレームワークは、初期の要件抽出からデプロイおよび監視に至るまで、要件のエンドツーエンドライフサイクル管理を支援する。