[论文解读] Requirements Engineering for Machine Learning: A Review and Reflection
本文提出了一套系统化的机器学习应用需求工程框架，强调软件工程师与领域专家之间的跨领域协作。该框架概述了将领域模型和端到端机器学习技术整合到业务工作流中的逐步流程，并通过一个关于数据驱动智能系统的工业案例研究进行了验证。
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.
研究动机与目标
- 应对数字化转型背景下机器学习应用中结构化需求工程日益增长的需求。
- 识别在软件工程团队与领域专家团队之间对齐领域知识与机器学习系统设计时面临的挑战。
- 开发一种协作式需求分析流程，将领域模型和机器学习技术整合到业务工作流中。
- 提供一种实用的、分步的方法论，用于在现实世界机器学习应用中获取和规范需求。
- 通过一个数据驱动智能领域的工业案例研究，展示所提方法的适用性和有效性。
提出的方法
- 对软件工程和机器学习领域中机器学习需求工程的文献进行全面回顾。
- 提出一种结构化、协作式的需求分析流程，涉及领域专家和机器学习实践者。
- 通过迭代优化，将领域模型和端到端机器学习流水线整合到业务流程工作流中。
- 将该框架应用于一个涉及数据驱动智能应用的工业案例研究，以验证其实际可行性。
- 通过利益相关者之间的迭代反馈回路，持续优化需求，确保与业务和技术目标保持一致。
- 强调在整个需求生命周期中对决策的可追溯性和文档化，以支持可维护性和可审计性。
实验结果
研究问题
- RQ1如何调整需求工程实践，以在工业环境中有效支持机器学习系统开发？
- RQ2在需求获取过程中，将领域知识与机器学习模型设计对齐时面临的关键挑战是什么？
- RQ3如何系统性地支持机器学习需求工程中软件工程师与领域专家之间的跨领域协作？
- RQ4领域模型在塑造端到端机器学习流水线需求方面发挥什么作用？
- RQ5如何在现实世界的工业应用中验证所提框架？
主要发现
- 将领域模型与机器学习流水线相结合，显著提升了业务目标与系统功能之间的对齐程度。
- 协作式需求工程流程减少了歧义，并提高了ML系统开发过程中各利益相关方的参与度。
- 所提出的框架实现了从业务需求到模型设计和部署决策的系统性可追溯性。
- 工业案例研究表明，结构化的需求工程可带来更具可维护性和可审计性的ML系统。
- 当领域专家与机器学习工程师通过迭代的联合规范活动参与时，需求获取中的挑战得以减少。
- 该框架支持从初始需求获取到部署和监控的端到端需求生命周期管理。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。