基于需求知识工程建设的增强大语言模型赋能需求提效_36页_8mb

2024 AI+研发数字峰会总结

核心内容

2024 AI+研发数字峰会在北京举行，聚焦于AI驱动研发变革，旨在通过增强大语言模型（LLM）赋能需求提效，解决研发流程中高能耗活动的问题。会议重点围绕需求知识工程建设，探讨了如何将AI技术融入需求分析流程，实现研发流程的自动化与智能化。

主要观点

• 需求分析是研发中的高能耗活动：包括需求准入检查、需求实例化分析和需求评审，这些活动消耗大量人力和时间。
• 需求实例化分析工作量大：由于需求来源零散、相似需求占比高，实例化内容难以复用，导致研发人力浪费。
• AI辅助需求分析提效：通过构建基于知识工程的AI应用，覆盖需求高能耗活动，实现大模型需求分析的自动化和智能化。
• 知识库的建设与应用：通过需求QA对和需求知识图谱，支撑AI模型的训练与推理，提升需求实例化内容生成的准确性和效率。
• 自动化与人工结合：开发了脚本自动回填和**@自动回复**两种方式，实现AI应用的工程化推广，提高AI生成内容的采纳率。

关键信息

高能耗活动分析

解决思路与整体方案

• 构建基于知识工程的AI应用：覆盖需求高能耗活动，设计原子应用编排，模拟BA工作嵌入研发流程。
• 需求体系化：作为需求知识工程的底座，构建需求知识图谱，支持RAG（检索增强生成）、跨知识库检索和相关信息检索。
• 自动化与人工结合：通过脚本自动回填和**@自动回复**两种方式，实现AI应用的工程化推广，自动执行后标记AI生成。

具体实现

• 开发自定义清洗算子：将需求节点上的历史需求处理成格式化的需求语料，适配多种任务场景。
• 需求QA对：支撑知识库建设，通过iCenter需求节点数据提取出需求描述和画场景。
• 知识库按项目独立存储：支持索引和元数据文件，便于RAG应用编排和跨知识库检索。
• 每日自动识别新增需求：通过自动化脚本将人工评审通过的需求更新到知识库，实现知识库保活。
• AI模型能力：支持自然语言处理和理解、领域通识（如电信领域基础知识）、语言风格一致性。
• AI输出内容与格式：根据不同项目要求，生成JSON或Markdown格式内容，便于后续解析或查看。

实例化内容生成

• 五步法：定系统、问目的、找用户、画场景、列功能。
• 实例化内容自动回填：通过脚本自动回填生成结果到iCenter需求页面，并标识AI生成。
• AI应用底座：基于DN Studio平台编排AI应用，实现知识库检索、LLM多路并行生成和内容格式化。

评估与采纳

• 自动化评估集：用于评估AI生成内容的质量，包括相似度计算和采纳率。
• 无侵入式度量：在不改变现有流程的前提下，评估AI生成内容的性能和效果。

总结与展望

• 成果：通过AI辅助需求分析，实现了需求实例化内容的自动回填，减少了BA人员的工作量，提高了需求分析的效率和准确性。
• 未来展望：进一步优化AI模型的训练与应用，提升知识库的覆盖率和准确性，实现更全面的AI辅助研发流程。同时，探索更多AI应用场景，推动研发智能化发展。