در چارچوب سنتی مهندسی نرم‌افزار، پرسمن (Pressman) ذینفعان (Stakeholders) را شامل کاربران نهایی (End-users)، مشتریان (Customers) و مهندسان سیستم (System Engineers) می‌داند. در این مدل، فرآیند مهندسی نیازمندی‌ها (Requirements Engineering – RE) بر اساس تعامل میان این نقش‌های مشخص تعریف و انجام می‌شود.
اما در توسعه‌ی سیستم‌های هوشمند (Intelligent Systems)، نقش‌ها و ذینفعان جدیدی وارد فرآیند می‌شوند که هر کدام دیدگاه‌ها، اولویت‌ها و نیازمندی‌های متفاوتی دارند. این نقش‌ها عبارت‌اند از:
دانشمندان داده (Data Scientists): که مسئول تحلیل داده‌ها و آماده‌سازی آن‌ها برای مدل‌سازی هستند. دیدگاه آن‌ها اغلب داده‌محور و آماری است.
مهندسان یادگیری ماشین (ML Engineers): که مدل‌ها را پیاده‌سازی و بهینه‌سازی می‌کنند و به ملاحظات فنی مدل‌ها حساس هستند.
متخصصان اخلاق هوش مصنوعی (AI Ethicists): که به جنبه‌های اخلاقی، شفافیت، و عدالت در تصمیم‌گیری سیستم توجه دارند.
خبرگان حوزه‌ی کاربردی (Domain Experts): که دانش عمیق درباره زمینه‌ی عملیاتی سیستم (مثلاً پزشکی، مالی، حقوقی) دارند و به دقت و اعتبار سیستم در آن زمینه اهمیت می‌دهند.
ورود این ذینفعان جدید، فرآیند استخراج نیازمندی‌ها (Requirements Elicitation)، مذاکره (Negotiation) و اعتبارسنجی (Validation) را به مراتب پیچیده‌تر می‌سازد؛ زیرا باید میان دیدگاه‌های فنی، داده‌محور، اخلاقی، و حوزه‌ای تعادل برقرار کرد [1], [2].
در چنین شرایطی، رویکردهای سنتی برای مدیریت ذینفعان کافی نیستند و لازم است از روش‌های نوینی برای همسوسازی انتظارات (Expectation Alignment) و واسط‌سازی مؤثر (Effective Mediation) استفاده شود. تنها در این صورت می‌توان نیازمندی‌هایی جامع، قابل‌اتکا و واقع‌بینانه برای سیستم‌های هوشمند تدوین کرد.
مشارکت ذینفعان و نقش‌های جدید
پرسمن ذینفعان را کاربران نهایی، مشتریان و مهندسان سیستم معرفی می‌کند. سیستم‌های هوشمند نقش‌های جدیدی را معرفی می‌کنند مانند:
- دانشمندان داده
- مهندسان یادگیری ماشین
- متخصصان اخلاق هوش مصنوعی
- متخصصان دامنه (تخصصی)
هر یک دیدگاه‌ها و انتظارات متفاوتی را در فرآیند RE به همراه دارند. مدیریت و تطبیق این دیدگاه‌های متنوع، استخراج، مذاکره و اعتبارسنجی نیازمندی‌ها را پیچیده می‌کند. [1], [2]
[1] M. Shehab, L. Abualigah, M. I. Jarrah, O. A. Alomari, and M. S. Daoud, “(AIAM2019) Artificial Intelligence in Software Engineering and inverse: Review,” Int. J. Comput. Integr. Manuf., vol. 33, no. 10–11, pp. 1129–1144, 2020, doi: 10.1080/0951192X.2020.1780320.
[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.