در سیستم‌های سنتی، نیازمندی‌ها معمولاً در آغاز پروژه پایدار (Stable) و قابل تعریف (Definable) فرض می‌شوند. این رویکرد، مطابق با مدل آبشاری (Waterfall Model) است که پرسمن (Pressman) نیز در چارچوب مهندسی نرم‌افزار خود از آن دفاع می‌کند؛ در این مدل، نیازمندی‌ها باید پیش از شروع طراحی، به‌طور کامل مشخص و تثبیت شده باشند. [1]
در مقابل، سیستم‌های هوشمند (Intelligent Systems) اغلب با اهدافی مبهم و نامشخص آغاز می‌شوند. در این نوع پروژه‌ها، نیازمندی‌ها به‌صورت تدریجی و تکرارشونده (Iterative) پدید می‌آیند و تحت تأثیر عواملی چون داده‌های در دسترس (Available Data)، مدل‌سازی اکتشافی (Exploratory Modeling) و بازخورد ذی‌نفعان (Stakeholder Feedback) شکل می‌گیرند. این پویایی در نیازمندی‌ها، با فرض ثبات اولیه در رویکرد سنتی تضاد مستقیم دارد.
گیرای (Giray, 2021) نیز بر این نکته تأکید دارد که سیستم‌های مبتنی بر یادگیری ماشین (ML-based Systems) به مهندسی نیازمندی‌های مبتنی بر فرضیه (Hypothesis-driven Requirements Engineering) نیاز دارند؛ در این رویکرد، نیازمندی‌ها نه به‌صورت قواعد از پیش تعریف‌شده (Pre-defined Rules)، بلکه به‌شکل فرضیاتی بیان می‌شوند که باید از طریق آزمایش‌های مبتنی بر داده مورد بررسی و آزمون قرار گیرند. [2]
این تغییر بنیادین، نیازمند به‌کارگیری روش‌شناسی‌های انطباق‌پذیر (Adaptive Methodologies) مانند نمونه‌سازی (Prototyping)، مهندسی نیازمندی‌های چابک (Agile Requirements Engineering) و اعتبارسنجی مستمر (Continuous Validation) است—رویکردهایی که انعطاف‌پذیری لازم را برای مدیریت تغییرات مداوم نیازمندی‌ها در سیستم‌های هوشمند فراهم می‌کنند.
[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.