GPT-modellers konsekvens vid klassificering av krav uttryckta på naturligt språk

Kravhantering är en hörnsten i systemutveckling. Vanligtvis dokumenteras kraven i naturligt språk, dvs, dessa fungerar som en bro mellan intressenternas förväntningar och den tänkta lösningen. Men i takt med att volymen krav ökar, ökar också sannolikheten för att man förbiser kritiska aspekter i dessa förväntningar. För att hantera denna utmaning är det viktigt att klassificera krav uttryckta med naturligt språk, eftersom det hjälper till att organisera och prioritera kraven. Dessa krav kan t.ex. kategoriseras i funktionella krav och icke-funktionella krav, och dessa klasser kan sedan delas upp ytterligare.

I det här projektet undersöker vi hur stora språkmodeller kan användas för att stödja uppgiften att klassificera krav på naturligt språk. Vi är särskilt intresserade av att använda GPT-modeller (Generative Pretrained Transformer), till exempel OpenAI:s GPT-serie. GPT-modeller verkar vara mindre använda för denna typ av kategoriseringsuppgifter, delvis på grund av en oro för att de inte är konsekventa när det gäller att producera tillförlitliga resultat. Syftet med detta projekt är att undersöka konsekvensen när GPT-modeller klassificerar NLR med hjälp av zero shot och few shot inlärning.