Requirements Engineering trifft IBMs Künstliche Intelligenz Watson

Transkript

1 Requirements Engineering trifft IBMs Künstliche Intelligenz Watson Hubert Spieß Vertriebsbeauftragter Watson Internet of Things Connected Products Phone: Pepper works in Watson Service and wants to make people happy

2 Künstliche Intelligenz in den Schlagzeilen

3 Künstliche Intelligenz (KI) / Artificial Intelligence (AI) Nachbilden von menschlicher Intelligenz Simulationen intelligenten Verhaltens auf Basis vorgegebener oder erlernter Muster Selbstlernende Maschinen Treffen von Entscheidungen auch anhand von Wahrscheinlichkeiten KI kann eigenständig Probleme lösen und ihre Handlung aufgrund von Erfahrungen anpassen Empfindet als Unterscheidung von dem Denken eines Menschen keine Gefühle wie Liebe, Hass, Angst oder Freude

4 Emotion & Leidenschaft

5 Künstliche neuronale Netze Das neuronale Netz lernt durch: Entwickeln oder Löschen von neuen Verbindungen Ändern der Gewichtung Anpassen der Schwellenwerte der Neuronen Hinzufügen oder Löschen von Neuronen

6 Beispiele für Künstliche Intelligenz (KI) Text- und Schrifterkennung, Bild- und Gesichtserkennung virtuelle Assistenten für Smartphone, Tablet oder Laptop (Sprachsteuerung: Cortana, Siri, Amazon Echo) DeepText: Facebooks KI analysiert Post und Status-Updates Erstellen von Börsenberichte und Wetter- oder Sportnachrichten Dienstleistungsbereich: Übernahme von Transport; Telefonsupport; Klassifizierung von Mails Wissensbasierte Systeme (IBM Watson) Gesundheitswesen: Teilaufgaben von Ärzte übernehmen

7 Requirements Engineeing gestern, heute und morgen?

8 Tools & Trends in Requirements Engineering Einsatz von KI-Dienste (z.b. NLU, NLC, Bots) 1993 erste kommerzielle DOORS Version seit Q DOORS Next Generation 60, 70, 80er 90er 2000 heute morgen?

9 Wie kann Künstliche Intelligenz in RE unterstützen?

10 Anwendungsfälle für Requirements Engineering Use Case Duplication/Conflicts (similar requirements) Quality Assessment Missing requirements Related Requirements Glossary generation domain Search improvements Requirements classification Specification Recommendation Description Find duplicate or conflicting requirements in a set (or set vs standard/regulation) Rate quality of individual requirements Find missing requirements compared to previous projects Find missing traceability links Generate glossary content from a requirements set or other document Powerful search tools, facet search, semantic search Discover a requirement class (for RFP, FAQs, Chat-Bots) and deliver to the appropriate engineering department Based on past Proposals (RFP), on existing engineering data and relevant lessons learned

11 Ist Pepper bald der neue Kollege in Ihrem Team?

12 Dienste für den Einsatz von KI in RE Natural Language Processing (NLP) versucht, natürliche Sprache zu erfassen und mithilfe von Regeln und Algorithmen computerbasiert zu verarbeiten Natural Language Understanding (NLU) Textanalyse, um Metadaten wie Entitäten, Schlüsselwörter, Beziehungen und Kategorien zu extrahieren Natural Language Classifier (NLC) verwendet Algorithmen für maschinelles Lernen, um für kurze Texteingaben die vordefinierten Klassen zurückzugeben, die die höchste Übereinstimmung aufweisen Conversation (für Chat-Bots und virtuelle Agenten) Discovery konvertieren, aufbereiten und normalisieren von Daten Text-to-Speech / Speech-to-Text / Language Translation

13 Überblick Dienste-Anbieter für Text-Analyse, Konversation, Google: Cloud Natural Language aws: Amazon Comprehend, Amazon Lex Microsoft: Language Understanding Intelligent Service, Textanalyse-API SAS: SAS Visual Data Mining and Machine Learning Open Source: Apache OpenNLP, Stanford CoreNLP, NLTK IBM Watson: Watson Natural Language Understanding, Watson Knowledge Studio, Watson Natural Classifier, Watson Discovery, Watson Conversation.. Machine Learning Framework: Apache Spark MLlib, Caffe, Microsoft Azure ML Studio, Google TensorFlow,.

14 Requirement Quality Assessment

15 Requirement Quality Assessment mit Textanalyse (NLU) Für eine Anforderung wird mithilfe des Watson-Dienstes Natural Language Understanding eine Qualitätsbewertung basierend auf der vorhandenen Entitäten und Beziehungen vorgenommen. Hauptvorteile Steigerung der Anforderungsqualität und der Konsistenz zwischen den Teams Reduzieren widersprüchlicher Anforderungen Automatisierter Prozess zur Bewertung der Anforderungsqualität

16 Weak-Words Beispiele sollen sollte mehr gering nötig weit schmal mehr oder weniger. Examples of ambiguous words: Adequate, As Appropriate, Bad, Better, But not limited to, Correct, Easy, Effective, Satisfactory, Maximize, Minimize, Most, Must, Ideal, Large, Relevant, Shall not, Small, Sufficient, Suitable, Timely, Typical, User friendly, was, Utilize, All

17 Training des kundenspezifischen Models Empfehlung etwa 2000 Anforderungen Konsistente und vollständige positive Beispiele und negative Beispiele Tagging Anforderungen mit Entities und Relations

18

19

20 Modellarten: Rule-based Model (mit Dictionary und Classes) machine-learning annotator (train, learn, evaluate)

21 Anwender arbeitet an seinen Anforderungen im RE-Tool Anwender wählt eine bzw. mehrere Anforderungen aus Mit dem Klick auf Analyze wird der Anforderungstext zu Watson NLU gesandt

22 Watson NLU analysiert den Anforderungstext Watson NLU sendet Requirement Score, Entities und Relations zurück

23

24 Automatisierte Textanalyse für Prüfung von Spezifikationen Custom Document Crawler Export Annotated Files Data Directory Frontend Web User Interface Backend IBM Watson Explorer Content Analytics Specifications Ziel: Steigende formale Qualität der Spezifikationen mit weniger manuellen Aufwand Identifizierung falscher und unvollständiger Verweise auf andere anwendbare Dokumente

25 Kategorisieren von Informationen

26 Natural Language Classifier (NLC) NLC verwendet Algorithmen für maschinelles Lernen, um für Texteingaben die vordefinierten Klassen zurückzugeben, die die höchste Übereinstimmung aufweisen.

27 1. Trainingsdaten vorbereiten 2. Klassifikationsmerkmal erstellen und trainieren 3. Trainiertes Klassifikationsmerkmal abfragen 4. Ergebnisse bewerten und Trainingsdaten aktualisieren

28

29 Klassifizierung von häufig gestellter Fragen (FAQs) Klassifizieren eines Ausschreibungsdokuments Kategorisieren der Anforderungen/Defekts/Workitems und Weiterleitung an die entsprechende Entwicklungsabteilung

30 Chatbots Kombinieren von Conversation mit NLU/NLC (Machine Learning)

31 Can we meet?