基于需求知识工程建设的增强大语言模型赋能需求提效_37页_8mb

2024 AI+研发数字峰会总结

核心内容

本次峰会聚焦“AI驱动研发变革，促进企业降本增效”的主题，重点探讨了如何通过构建基于需求知识工程的增强大语言模型（LLM）来提升需求分析的效率与质量。中兴通讯有线研究院需求AI应用负责人王一分享了该领域在AI赋能下的实践成果，提出通过知识工程与AI结合，实现需求分析流程的优化与自动化。

主要观点

• 需求分析是研发过程中的高能耗活动：需求准入检查、需求实例化分析、需求评审等环节工作量大，且存在沟通成本高、分析产能不足、需求描述不完整等问题。
• AI与知识工程结合：通过构建需求知识图谱、实现需求QA对的提取与存储，为大语言模型提供丰富的训练与推理数据，从而提升AI在需求分析中的准确性与实用性。
• 模型能力与需求场景匹配：AI模型不仅具备自然语言处理和理解能力，还支持领域知识（如电信领域）的运用，同时可适配不同项目的需求描述与输出格式。
• 自动化与智能化的融合：通过脚本自动识别新增需求、自动生成实例化内容、AI生成内容回填至需求页面、以及@自动回复机制，实现需求分析的无侵入式度量和工程化推广。

关键信息

需求分析现状与痛点

解决思路与整体方案

• 构建需求知识工程的AI应用：通过需求体系化建设，实现需求知识图谱的构建，为AI提供结构化数据支持。
• 原子应用编排：设计并编排多个AI原子应用，模拟BA工作流程，嵌入研发流程中。
• RAG与知识库应用：利用检索增强生成（RAG）技术，将知识库内容作为提示词，提升AI生成内容的准确性与适用性。
• 知识库建设与管理：知识库按项目独立存储，支持跨知识库检索，便于AI模型调用与分析。

具体实现

• 语料清洗与格式化：开发通用和定制清洗算子，将需求节点内容进行格式化处理，适配多种任务场景。
• 需求知识图谱构建：将历史需求节点转换为需求QA对，支撑知识库的建立与维护。
• AI模型应用：基于DN Studio平台实现AI应用的编排，支持LLM多路并行生成与内容格式化。
• 自动化脚本与@自动回复：通过自动化脚本每日识别新增需求并回填AI生成内容，同时支持@触发AI生成，提升效率与可操作性。

AI生成内容与效果

• 实例化内容自动生成：AI模型能够根据需求描述生成Markdown格式或JSON格式的实例化内容，帮助BA进行需求分析。
• 相似需求推荐：AI通过知识库检索，为用户推荐相似需求，提升需求分析的准确性与效率。
• AI生成内容采纳率：通过评估，AI生成内容的采纳率在不同项目中有所差异，部分项目已达到较高采纳率。

工程化与推广

• 自动化流程：通过自动化脚本和@自动回复机制，实现需求实例化内容的自动回填与生成，减少人工干预。
• 无侵入式度量：AI生成内容可自动标记，便于后续跟踪与评估。

总结与展望

中兴通讯通过构建基于需求知识工程的AI应用，有效解决了需求分析中的高能耗问题，提升了研发效率。未来，AI在需求分析中的应用将更加深入，结合更多领域知识与自动化流程，进一步降低人工成本，提高需求质量与一致性。同时，AI与知识图谱的结合将为研发流程提供更智能的支持，推动企业向更高效、更智能的方向发展。