Asistencia en la captura de requerimientos y agrupamiento de funcionalidades

• Autores: Curti, Francisco
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Rodríguez, Guillermo; Marcos, Claudia
• Materia: Captura de requerimientos; Generador de descripciones arquitectónicas desde Requerimientos Naturales; Arquitectura de Software; ChatGPT; Modelos de lenguaje; Inteligencia artificial; Componentes funcionales; Desarrollo de software
• Institución: Universidad Nacional del Centro de la Provincia de Buenos Aires

Para analizar los resultados de GDAR, se hicieron pruebas con diferentes bases de requerimientos de software. Donde se evaluaron las funciones generadas así como también los agrupamientos formados. También se evaluaron modificando diferentes parámetros de GDAR y se compararon los diferentes resultados entre sí utilizando diferentes métricas que puedan ayudar a comprender la calidad de los resultados obtenidos. Los primeros dos ejemplos que se analizan son de casos de estudio en inglés, donde se manejan dos dominios de información completamente diferentes para evaluar si el LLM puede adaptarse a diferentes contextos. También son dos ejemplos de longitud diferente, siendo uno más extenso que el otro, lo que puede proveer también una idea de su capacidad para modelos de diferentes tamaños. Por otro lado, también se evaluó la calidad del resultado para enunciados en Inglés y Español donde se busca que GDAR pueda manipular ambos idiomas basándose en la premisa de que los LLM pueden operar en cualquier idioma en el que estén entrenados. En este caso se utilizó un enunciado en español, donde se realizó un proceso similar a los otros casos de estudio y a su vez se lo comparó con el mismo enunciado traducido al inglés. Con este escenario se buscó demostrar que GDAR puede trabajar con cualquier idioma y a su vez comparar si los resultados son mejores o no dependiendo del idioma en el que están escritos los requerimientos. Por último, también se hizo una comparativa donde se buscó hacer un proceso similar a GDAR pero interactuando directamente con la interfaz de chat-GPT. Esto se hizo con la intención de verificar si los resultados son similares o si existen diferencias cruciales para estas dos formas de agrupar funcionalidades. En este ejemplo se busca seguir las cuatro etapas de GDAR pero solamente utilizando la interfaz de chat-GPT, esto incluye no solamente la obtención de funciones a partir de los requerimientos sino también luego el agrupamiento o clustering de estos métodos. Al analizar los resultados de los experimentos se demostró que GDAR posee la capacidad de extraer funcionalidades a partir de las especificaciones de requerimientos en lenguaje natural. A su vez, también puede organizar dichas funcionalidades en agrupaciones donde, utilizando diferentes métricas, se demostró que son correctas. Por otro lado se demostró también que GDAR es independiente del idioma en el que estén escritos los documentos de requerimientos al haber realizado diferentes ejemplos tanto en español como inglés. Por último, se destacó que, a pesar de la capacidad del chat-GPT para listar requerimientos, presenta dificultades al intentar agruparlos correctamente, siendo una fortaleza de GDAR. Párrafo extraído de la tesis de grado a modo de resumen.
Fil: Curti, Francisco. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Rodríguez, Guillermo. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Marcos, Claudia. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.