Deep learning in streamlining the conversion of natural language requirements into template-based architecture

Abstract

In dieser Arbeit wird evaluiert, wie die kürzlichen Entwicklungen im Bereich des Machine Learning, insbesondere die Entwicklung von Large Language Models dazu genutzt werden kann, bei der Konvertierung von natürlichsprachlichen Anforderungen, in eine vorlagenbasierte Struktur unterstützen können. Es werden verschiedene Ansätze implementiert, getestet und evaluiert, sowie ein existierender Datensatz um Anforderungen in umstrukturierter Form ergänzt. Die untersuchten Ansätze erweisen sich als potenzielle Ansätze für zukünftige Arbeiten und sind in der Lage die Aufgabe im Ansatz zu bewältigen. Daher kann eine auf maschinellem Lernen basierende Umwandlung von Anforderungsstatements den Prozess der Umwandlung vorhandener Statements in eine normierte Struktur verbessern.

This thesis evaluates how recent development in Machine Learning, especially Large Language Models could be used to help with the conversion of natural language based requirement statements into a template-based structure. To evaluate different approaches, they have been implemented, tested and evaluated, on an existing dataset, complemented by converted requirement statements. It seems that the tested approaches are feasible to be used and further investigated, as they were already able to provide a decent performance. Therefore, machine learning based conversion of requirement statements can improve the process of converting existing statements into a normed structure.