طراحی و ساخت سیستم‌های مدرن مانند ماهواره‌ها، خودروهای خودران یا شبکه‌های پیچیده مخابراتی، یکی از دشوارترین چالش‌های مهندسی امروز است. این سیستم‌ها از هزاران قطعه و زیرسیستم تشکیل شده‌اند که هرکدام باید دقیقاً مطابق با نیازمندی‌های تعیین‌شده کار کنند. اما پیچیدگی اصلی وقتی رخ می‌دهد که این نیازمندی‌ها با یکدیگر تداخل پیدا کنند یا به‌طور غیرمستقیم بر هم تأثیر بگذارند. متأسفانه در پروژه‌های بزرگ، مهندسان اغلب با انبوهی از نیازمندی‌های نوشتاری روبرو هستند که تشخیص روابط پنهان میان آنها را تقریباً غیرممکن می‌کند. این پایان‌نامه راهکاری نوین ارائه می‌دهد تا با استفاده از هوش مصنوعی، این روابط پیچیده را به‌صورت خودکار کشف کنیم.

پژوهش حاضر از شاخه‌ای از هوش مصنوعی به نام «پردازش زبان طبیعی» بهره می‌گیرد تا معنی و مفهوم جملات را درک کند. روش اصلی این پژوهش «شباهت معنایی متنی» نام دارد که می‌تواند میزان نزدیکی معنی دو جمله را با یک عدد اندازه‌گیری کند. فرض کنید جمله «موشک باید در ارتفاع ۱۰۰ متری چتر نجات را باز کند» با جمله «در ارتفاع صد متری، سازهٔ ترمزدهنده و چتر نجات آزاد شوند» مقایسه شود. این دو جمله از نظر واژگان متفاوت هستند، اما مفهوم یکسانی دارند و الگوریتم شباهت معنایی می‌تواند این هم‌معنایی را با دقت بالایی تشخیص دهد. این قابلیت پایه و اساس تمام تحلیل‌های انجام‌شده در این پژوهش است.

نوآوری اصلی این پایان‌نامه در ترکیب دو منبع اطلاعاتی متفاوت است: از یک سو، فهرستی از نیازمندی‌های پروژه و از سوی دیگر، یک مدل ساده از اجزای سیستم که روابط فیزیکی و عملکردی میان قطعات را نشان می‌دهد. مدل سیستم شبیه به نقشهٔ راهی است که نشان می‌دهد کدام قطعه به کدام قطعه دیگر متصل است. الگوریتم طراحی‌شده ابتدا هریک از نیازمندی‌ها را با نام، شرح و مترادف هر قطعه مقایسه می‌کند تا تشخیص دهد آن نیازمندی بیشتر به کدام بخش از سیستم مربوط می‌شود. سپس با استفاده از شباهت معنایی، نیازمندی‌هایی را که روی قطعهٔ یکسانی تأثیر می‌گذارند، به‌عنوان نیازمندی‌های مرتبط با یکدیگر شناسایی می‌کند. همچنین اگر دو نیازمندی بر دو قطعهٔ متفاوت اما متصل به هم تأثیر بگذارند، آنها را به‌عنوان روابط غیرمستقیم در نظر می‌گیرد. این روش به مهندسان کمک می‌کند تا هم تأثیرات مستقیم و هم تأثیرات غیرمستقیم تغییرات در یک نیازمندی را بر سایر نیازمندی‌ها پیش‌بینی کنند.

برای آزمایش این چارچوب، از مجموعه‌دادهٔ مسابقات «کان‌ست» استفاده شده است که یک مسابقهٔ دانشجویی برای ساخت محموله‌های مینیاتوری موشکی است. این مجموعه شامل ۱۰۰ نیازمندی عملکردی و یک مدل سیستم با ۳۰ قطعهٔ اصلی مانند باتری، آنتن، کامپیوتر پرواز و چتر نجات می‌باشد. هر قطعه در مدل با نام، شرح کوتاه و یک مترادف تعریف شده است. همچنین برای سنجش دقت، همهٔ نیازمندی‌ها به‌صورت دستی برچسب‌گذاری شده‌اند تا مشخص شود هر نیازمندی به کدام قطعه مربوط است. نتایج آزمایش‌ها نشان می‌دهد که در آستانه‌های شباهت بالا (بالای ۰٫۴۵ از ۱)، دقت الگوریتم در تشخیص قطعهٔ صحیح بین ۹۴ تا ۱۰۰ درصد است؛ یعنی تقریباً هر بار که الگوریتم ادعا می‌کند یک نیازمندی به یک قطعه خاص مربوط است، این ادعا درست از آب درمی‌آید. اگرچه معیار جامع‌تر F1 که ترکیبی از دقت و پوشش است، در بهترین حالت به ۰٫۵۹ می‌رسد، اما همین مقدار نیز برای یک اثبات مفهوم امیدوارکننده محسوب می‌شود. همچنین الگوریتم توانست نیازمندی‌های تقریباً تکراری را با شباهت بالای ۰٫۹۰ شناسایی کند که نشان‌دهندهٔ کارایی خوب آن در تشخیص نیازمندی‌های هم‌معناست.

از کاربردهای عملی این پژوهش می‌توان به کمک به مهندسان در مراحل اولیهٔ طراحی اشاره کرد. وقتی یک مهندس مسئولیت یک نیازمندی خاص مانند «ایستگاه زمینی باید از آنتن دستی استفاده کند» را بر عهده می‌گیرد، این سیستم می‌تواند به‌سرعت سایر نیازمندی‌هایی را که به ایستگاه زمینی، آنتن یا قطعات متصل به آنها مربوط می‌شوند، به او پیشنهاد دهد. این کار زمان بررسی دستی هزاران صفحه سند را به چند دقیقه کاهش می‌دهد و احتمال اشتباهات انسانی را کم می‌کند. همچنین این روش می‌تواند نیازمندی‌های مبهم، تکراری یا متناقض را شناسایی کند؛ مثلاً اگر دو نیازمندی مشابه اما با جزئیات متفاوت وجود داشته باشند، الگوریتم آنها را تشخیص داده و به مهندس هشدار می‌دهد. کشف این تناقض‌ها در مراحل اولیهٔ پروژه می‌تواند از هزینه‌های سنگین اصلاح در مراحل پایانی جلوگیری کند، زیرا طبق برآوردهای صنعتی، هزینهٔ رفع یک خطا در مرحلهٔ تولید تا ۱۰۰ برابر بیشتر از مرحلهٔ مفهوم‌سازی است. به‌عنوان مثال، نیازمندی شماره ۱۰ که می‌گوید «در ارتفاع ۱۰۰ متری، محموله باید سپر حرارتی را رها کرده و همزمان چتر نجات را باز کند» و نیازمندی شماره ۴۵ که می‌گوید «در ارتفاع ۱۰۰ متری، محموله باید چتر نجات را باز کند تا سرعت فرود به کمتر از ۵ متر بر ثانیه برسد»، شباهت معنایی ۰٫۸۷۸ دارند و الگوریتم به‌خوبی ارتباط آنها را شناسایی می‌کند.

با وجود نتایج مثبت، پژوهش محدودیت‌هایی نیز دارد. مهم‌ترین چالش، وابستگی شدید عملکرد به هم‌اهنگی واژگان میان نیازمندی‌ها و مدل سیستم است. اگر نیازمندی از اصطلاحی استفاده کند که در مدل سیستم وجود نداشته باشد، الگوریتم نمی‌تواند ارتباط را تشخیص دهد. همچنین مجموعه‌دادهٔ استفاده‌شده نسبتاً ساده و کوچک است و عملکرد این روش روی پروژه‌های بسیار بزرگ با هزاران نیازمندی و صدها قطعه هنوز آزموده نشده است. بخشی از الگوریتم که مسیرهای میان قطعات را پیشنهاد می‌دهد، در مدل‌های بزرگ با سرعت بسیار پایینی اجرا می‌شود و نیاز به بهینه‌سازی دارد. با این حال، همین محدودیت‌ها مسیر پژوهش‌های آینده را مشخص می‌کنند و نشان می‌دهند که با بهبود مدل‌های زبانی و بهینه‌سازی محاسباتی، می‌توان این چارچوب را برای کاربردهای صنعتی مقیاس‌پذیر کرد. همچنین انتخاب مترادف‌ها از ویکی‌پدیا بدون توجه به متن نیازمندی‌ها، یکی از عواملی بود که دقت کلی را کاهش داد و در پژوهش‌های آینده باید مترادف‌ها با دقت بیشتری انتخاب شوند.

این پژوهش همچنین نشان داد که روش شباهت معنایی می‌تواند به‌عنوان ابزاری برای کنترل کیفیت مدل سیستم و نیازمندی‌ها استفاده شود. اگر یک نیازمندی با هیچ‌یک از قطعات مدل شباهت معنایی بالایی نداشته باشد، این نشانهٔ آن است که یا نیازمندی به‌اندازهٔ کافی واضح نیست یا مدل سیستم فاقد قطعهٔ متناسب با آن نیازمندی است. به‌عنوان مثال، نیازمندی «چرخش کنترل‌نشده مجاز نیست» که یکی از ضعیف‌ترین عملکردها را داشت، نشان می‌دهد که مدل سیستم باید شامل مؤلفه‌های مرتبط با پایداری یا کنترل وضعیت نیز باشد. این قابلیت می‌تواند به تیم‌های مهندسی کمک کند تا پیش از شروع طراحی تفصیلی، شکاف‌های موجود در مدل خود را شناسایی و برطرف کنند. همچنین الگوریتم توانست خوشه‌هایی از نیازمندی‌های مرتبط را در ساختار سند شناسایی کند که می‌تواند برای دسته‌بندی بهتر نیازمندی‌ها مورد استفاده قرار گیرد.

از دیگر دستاوردهای این پژوهش، ارائهٔ روشی برای ردیابی تأثیرات غیرمستقیم نیازمندی‌ها از طریق قطعات مجاور است. فرض کنید یک نیازمندی به قطعهٔ A مربوط می‌شود و قطعهٔ A به قطعهٔ B متصل است. اگر نیازمندی دیگری به قطعهٔ B مربوط شود، این دو نیازمندی به‌طور غیرمستقیم با یکدیگر مرتبط هستند، زیرا تغییر در هر یک می‌تواند از طریق اتصال میان A و B بر دیگری تأثیر بگذارد. این قابلیت به مهندسان کمک می‌کند تا اثرات زنجیره‌ای تغییرات را بهتر درک کنند. در آزمایش‌ها، این روش توانست با دقت حدود ۷۷ درصد در آستانهٔ ۰٫۴۰، قطعات مجاور صحیح را شناسایی کند که برای یک اثبات مفهوم عدد قابل‌قبولی است. البته با افزایش آستانه، دقت افزایش و پوشش کاهش می‌یابد و مهندسان باید تعادل مناسبی را بر اساس نیاز خود انتخاب کنند.

در مجموع، این پایان‌نامه گامی بنیادین در جهت استفاده از هوش مصنوعی برای مدیریت پیچیدگی سیستم‌های مهندسی محسوب می‌شود. چارچوب پیشنهادی نشان می‌دهد که می‌توان نیازمندی‌های نوشتاری را به مدل‌های سیستم متصل کرد و از این اتصال برای کشف روابط پنهان میان نیازمندی‌ها بهره برد. با گسترش مدل‌سازی مبتنی بر مدل در صنایع هوافضا، خودروسازی و دفاعی، روش‌هایی مانند این پژوهش می‌توانند به ابزاری استاندارد برای مهندسان تبدیل شوند و به آنها در تصمیم‌گیری‌های آگاهانه‌تر، کاهش ریسک‌های پروژه و تحویل سریع‌تر محصولات با کیفیت بالاتر کمک کنند. هرچند راه طولانی تا صنعتی‌شدن کامل این روش وجود دارد، اما نتایج اولیه نویدبخش است و پژوهش‌های بیشتری را در این حوزه ضروری می‌سازد. پیشنهادات پژوهشگر برای آینده شامل آزمایش با مدل‌های زبانی تخصصی‌تر، استفاده از چندین مدل سیستم با سطوح انتزاع متفاوت، و بررسی تأثیر شکستن نیازمندی‌های طولانی به بخش‌های کوتاه‌تر است که همگی می‌توانند به بهبود عملکرد این چارچوب کمک کنند.

آینده مهندسی سیستم: چگونه هوش مصنوعی نیازمندی‌های پنهان را کشف می‌کند؟

تصور کنید در حال طراحی یک ماهواره هستید. هزاران نیازمندی نوشته‌شده، صدها قطعه و زیرسیستم، و ده‌ها مهندس که هرکدام روی بخشی از پروژه کار می‌کنند. حالا فرض کنید یک نیازمندی تغییر می‌کند. چطور می‌توانید مطمئن شوید که این تغییر روی نیازمندی‌های دیگر تأثیر نمی‌گذارد؟ در پروژه‌های بزرگ، تشخیص این روابط پنهان مانند یافتن سوزن در انبار کاه است. اما پژوهش جدیدی نشان می‌دهد که هوش مصنوعی می‌تواند این کار را با دقتی شگفت‌انگیز انجام دهد.

چالش بزرگ: وقتی نیازمندی‌ها با هم حرف نمی‌زنند

در پروژه‌های پیچیده، نیازمندی‌ها اغلب به‌صورت متن نوشته می‌شوند. مهندسان باید صدها یا حتی هزاران جمله را بخوانند و تشخیص دهند کدام‌یک به هم مرتبط هستند. این کار نه‌تنها زمان‌بر است، بلکه خطای انسانی را نیز افزایش می‌دهد. جالب اینجاست که بسیاری از نیازمندی‌ها مفهوم یکسانی دارند، اما با کلمات متفاوتی بیان شده‌اند. مثلاً «موشک باید در ارتفاع ۱۰۰ متری چتر را باز کند» و «در ارتفاع صد متری، چتر نجات آزاد شود» هر دو یک معنا دارند، اما الگوریتم‌های سنتی نمی‌توانند این شباهت را تشخیص دهند.

اینجاست که پردازش زبان طبیعی (NLP) وارد می‌شود. این شاخه از هوش مصنوعی به کامپیوترها می‌آموزد که معنی جملات را درک کنند، نه فقط کلمات را. روشی به نام «شباهت معنایی متنی» می‌تواند میزان نزدیکی معنی دو جمله را با یک عدد بین صفر تا یک اندازه‌گیری کند. اعدادی نزدیک به یک یعنی جملات از نظر معنی بسیار شبیه هستند.

راه‌حل نوآورانه: اتصال نیازمندی‌ها به مدل سیستم

نوآوری اصلی این پژوهش در ترکیب دو منبع اطلاعاتی است: از یک سو، نیازمندی‌های پروژه و از سوی دیگر، یک مدل ساده از سیستم که نشان می‌دهد کدام قطعات به هم متصل هستند. این مدل مانند یک نقشه است که روابط فیزیکی و عملکردی میان قطعات را نشان می‌دهد. الگوریتم طراحی‌شده ابتدا هر نیازمندی را با نام، شرح و مترادف هر قطعه مقایسه می‌کند تا تشخیص دهد آن نیازمندی بیشتر به کدام بخش از سیستم مربوط است. سپس نیازمندی‌هایی را که روی قطعهٔ یکسانی تأثیر می‌گذارند، به‌عنوان نیازمندی‌های مرتبط شناسایی می‌کند.

اما جالب‌تر این است که اگر دو نیازمندی بر دو قطعهٔ متفاوت اما متصل به هم تأثیر بگذارند، الگوریتم آنها را به‌عنوان روابط غیرمستقیم در نظر می‌گیرد. مثلاً اگر نیازمندی اول به باتری و نیازمندی دوم به کامپیوتر پرواز مربوط شود و این دو قطعه به هم متصل باشند، تغییر در هرکدام می‌تواند بر دیگری تأثیر بگذارد. این روش به مهندسان کمک می‌کند تا هم تأثیرات مستقیم و هم تأثیرات غیرمستقیم تغییرات را پیش‌بینی کنند.

«در آستانه‌های شباهت بالا (بالای ۰٫۴۵)، دقت الگوریتم در تشخیص قطعهٔ صحیح بین ۹۴ تا ۱۰۰ درصد است؛ یعنی تقریباً هر بار که الگوریتم ادعا می‌کند یک نیازمندی به یک قطعه خاص مربوط است، این ادعا درست است.»

نتایج شگفت‌انگیز: وقتی الگوریتم از انسان بهتر عمل می‌کند

پژوهشگران این روش را روی مجموعه‌دادهٔ مسابقات «کان‌ست» آزمایش کردند؛ مسابقه‌ای که دانشجویان در آن محموله‌های مینیاتوری موشکی می‌سازند. این مجموعه شامل ۱۰۰ نیازمندی عملکردی و یک مدل با ۳۰ قطعهٔ اصلی مانند باتری، آنتن و چتر نجات است. نتایج نشان داد که در آستانه‌های شباهت بالا، دقت الگوریتم به ۱۰۰ درصد می‌رسد. به‌عنوان مثال، نیازمندی شماره ۱۰ که می‌گوید «در ارتفاع ۱۰۰ متری، محموله باید سپر حرارتی را رها کرده و همزمان چتر نجات را باز کند» و نیازمندی شماره ۴۵ که می‌گوید «در ارتفاع ۱۰۰ متری، محموله باید چتر نجات را باز کند تا سرعت فرود به کمتر از ۵ متر بر ثانیه برسد»، شباهت معنایی ۰٫۸۷۸ دارند و الگوریتم به‌خوبی ارتباط آنها را شناسایی می‌کند.

از کاربردهای عملی این روش می‌توان به شناسایی نیازمندی‌های مبهم یا تکراری اشاره کرد. وقتی یک مهندس مسئولیت یک نیازمندی خاص را بر عهده می‌گیرد، این سیستم می‌تواند به‌سرعت سایر نیازمندی‌های مرتبط را به او پیشنهاد دهد. این کار زمان بررسی دستی هزاران صفحه سند را به چند دقیقه کاهش می‌دهد و احتمال اشتباهات انسانی را کم می‌کند. همچنین کشف تناقض‌ها در مراحل اولیهٔ پروژه می‌تواند از هزینه‌های سنگین اصلاح در مراحل پایانی جلوگیری کند.

آینده مهندسی سیستم با هوش مصنوعی

این پژوهش نشان می‌دهد که هوش مصنوعی می‌تواند به ابزاری قدرتمند برای مهندسان تبدیل شود. با گسترش مدل‌سازی مبتنی بر مدل در صنایع هوافضا، خودروسازی و دفاعی، روش‌هایی مانند این پژوهش می‌توانند به استاندارد صنعتی تبدیل شوند. هرچند چالش‌هایی مانند نیاز به هم‌اهنگی واژگان میان نیازمندی‌ها و مدل سیستم وجود دارد، اما نتایج اولیه نویدبخش است.

پیشنهادات پژوهشگر برای آینده شامل آزمایش با مدل‌های زبانی تخصصی‌تر، استفاده از چندین مدل سیستم با سطوح انتزاع متفاوت، و بررسی تأثیر شکستن نیازمندی‌های طولانی به بخش‌های کوتاه‌تر است. این پیشرفت‌ها می‌توانند به مهندسان در تصمیم‌گیری‌های آگاهانه‌تر، کاهش ریسک‌های پروژه و تحویل سریع‌تر محصولات با کیفیت بالاتر کمک کنند.