چارچوب مهندسی نرم‌افزار پرسمن [1] بر اهمیت تحلیل‌های اولیه، مستندسازی دقیق، و مشخص‌سازی نیازمندی‌های قابل ردگیری تأکید دارد. هرچند این اصول همچنان اساسی‌اند، اما لازم است تا برای پوشش جنبه‌هایی نظیر منشأ داده، رفتار مدل، و پایش چرخه‌ی عمر در سیستم‌های هوشمند گسترش یابند. ماهیت تکرارشونده‌ی آموزش و اعتبارسنجی مدل‌ها، حلقه‌های بازخوردی ایجاد می‌کند که نیازمند پالایش مستمر نیازمندی‌ها حتی پس از فاز توسعه‌ی اولیه هستند.
مهندسی نیازمندی‌ها (RE) نقش اساسی در توسعه نرم‌افزار سنتی ایفا می‌کند، همانطور که توسط پرسمن و ماکسیم [1] تعریف شده است، و بر شناسایی، مستندسازی و مدیریت سیستماتیک نیازمندی‌های عملکردی و غیرعملکردی تمرکز دارد. با این حال، در زمینه سیستم‌های هوشمند، فرآیند RE باید تکامل یابد تا عدم قطعیت، تطبیق‌پذیری و وابستگی به داده ذاتی در سیستم‌های یادگیری ماشین (ML) و هوش مصنوعی (AI) را در نظر بگیرد.
سیستم‌های هوشمند مدرن لایه‌های جدیدی از پیچیدگی را به فرآیند RE وارد می‌کنند. برخلاف سیستم‌های سنتی که رفتار آنها توسط قوانین صریحاً نوشته شده دیکته می‌شود، سیستم‌های هوشمند اغلب رفتار خود را از داده‌ها یاد می‌گیرند. این تغییر منجر به چندین چالش RE می‌شود، مانند تعریف نتایج مطلوب به صورت احتمالی، مدیریت کیفیت داده به عنوان نوعی نیازمندی و در نظر گرفتن رفتار در حال تکامل در طول زمان.
همانطور که گیرای (2021) تأکید می‌کند، نیازمندی‌ها در سیستم‌های مبتنی بر یادگیری ماشین به‌شدت به در دسترس بودن و ماهیت داده‌ها وابسته‌اند. نیازمندی‌های عملکردی (Functional Requirements) در این نوع سیستم‌ها معمولاً قابل تعیین کامل از ابتدا نیستند و اغلب باید به‌صورت تکرارشونده و از طریق نمونه‌سازی (Prototyping) و آموزش مدل پالایش شوند.
علاوه بر این، نیازمندی‌های غیرعملکردی (Non-Functional Requirements) مانند دقت (Accuracy)، تاب‌آوری (Robustness) و قابلیت تفسیر (Interpretability) در این سیستم‌ها به موضوعات محوری تبدیل می‌شوند و باید با ذی‌نفعان مورد مذاکره قرار گیرند—آن هم با استفاده از معیارهای عملکردی جدید و نسبتاً ناآشنا نظیر دقت (Precision)، یادآوری (Recall) یا امتیاز (Score). [2]
این تفاوت بنیادین در ماهیت نیازمندی‌ها و معیارهای ارزیابی نشان می‌دهد که مهندسی نیازمندی‌ها در سیستم‌های یادگیری ماشین نیازمند بازنگری اساسی در روش‌ها، ابزارها و حتی زبان تعامل میان تیم توسعه و ذی‌نفعان است.
تصویری عملی توسط ونژینگ (2025) ارائه می‌شود، جایی که ربات‌های مجازی مبتنی بر یادگیری عمیق، وظایف مالی را شبیه‌سازی و خودکار می‌کنند. موفقیت این سیستم‌ها به ثبت نیازمندی‌هایی بستگی دارد که عملکرد یادگیری را با اهداف سازمانی، امنیت و قابلیت حسابرسی متعادل کند. نیازمندی‌هایی مانند تشخیص نفوذ در زمان واقعی، آستانه‌های دقت برای پیش‌بینی‌های مالی و قابلیت نگهداری، برای اطمینان از مناسب بودن چنین سیستم‌هایی برای استفاده عملیاتی، محوری هستند. [3]
متفاوت بودن نیازها در ساختار معماری سیستم‌های هوشمند که به مهندسی نیازمندی‌ها (requirements engineering) معروف است، چالش های متمایزی را در مورد سیستم‌های یادگیری ماشین که از سیستم‌های هوشمند بشمار می‌روند، ارائه می دهد که در توسعه سیستم‌های اطلاعاتی سنتی با آن ها مواجهی وجود ندارد. [4][5] با توجه به اهمیت معماری سیستم‌های هوشمند و وضعیت بازار نرم‌افزار، طراحی و توسعه این سیستم ها در حال رشد است، با ذکر این مهم که هدف مهندسی نرم‌افزار، کیفیت ساخت نرم‌افزار است، همانگونه در ساخت نرم‌افزارهای کاربردی، استفاده از مهندسی نرم‌افزار باعث بالا رفتن کیفیت می‌گردد، در سیستم‌های هوشمند که نسلی دیگر از نرم‌افزارها هستند، طراحی، نگهداری و به روزرسانی متناسب با نیازسنجی می‌باشد، ضرورت این تحقیق را بیان می کند.
منابع
[1] R. S. Pressman and B. R. Maxim, “Software Engineering,” 2020.
[2] G. Giray, “A software engineering perspective on engineering machine learning systems: State of the art and challenges,” J. Syst. Softw., vol. 180, p. 111031, Oct. 2021, doi: 10.1016/j.jss.2021.111031.
[3] C. Wenjing, “Simulation application of virtual robots and artificial intelligence based on deep learning in enterprise financial systems,” Entertain. Comput., vol. 52, Jan. 2025, doi: 10.1016/j.entcom.2024.100772.
[4] C. Cunha, R. Oliveira, and R. Duarte, “International Journal of INTELLIGENT SYSTEMS AND APPLICATIONS IN ENGINEERING Agile-based Requirements Engineering for Machine Learning: A Case Study on Personalized Nutrition.” [Online]. Available: www.ijisae.org
[5] “2023 Agile-based Requirements Engineering for Machine Learning A Case Study on Personalized Nutrition”.