Модели и алгоритмы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Гайдамака Кирилл Игоревич

• Гайдамака Кирилл Игоревич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Гайдамака Кирилл Игоревич

ОГЛАВЛЕНИЕ

Введение

Глава 1. Постановка задачи интеллектуальной поддержки принятия решений

при контроле качества требований к сложным техническим системам

1.1 Работа с требованиями при создании сложных технических систем

1.2 Концепция качества требований при создании сложных технических систем

1.3 Контроль качества требований

1.4 Интеллектуальная поддержка принятия решений при контроле

качества требований

1.5 Применение машинного обучения для интеллектуальной поддержки принятия решений при контроле качества требований

1.6 Постановка задачи исследования 58 Выводы по Главе

Глава 2. Модели и алгоритмы интеллектуальной поддержки принятия

решений при контроле качества требований

2.1 Разработка моделей процесса контроля качества требований, ориентированного на интеллектуальную поддержку

2.2 Разработка алгоритма интеллектуальной поддержки принятия

решений при контроле структурных свойств требований

2.3 4. 88 Выводы по Главе

Глава 3. Программная реализация алгоритмов интеллектуальной поддержки

принятия решений при контроле качества требований

3.1 Обзор программной реализации

3.2 Программная реализация типового алгоритма интеллектуальной поддержки принятия решений при контроле качества требований

3.3 Программная реализация алгоритма интеллектуальной поддержки принятия решений при контроле структурных свойств требований

3.4 Программная реализация алгоритма интеллектуальной поддержки принятия решений при контроле качества наборов требований на предмет наличия дублирований и противоречий

Выводы по Главе

Глава 4. Экспериментальное исследование алгоритмов интеллектуальной

поддержки принятия решений при контроле качества требований

4.1 Формирование и анализ наборов данных для апробации предложенных алгоритмов

4.2 Экспериментальное исследование применимости существующих алгоритмов интеллектуальной поддержки принятия решений при контроле качества требований для русскоязычных требований

4.3 Экспериментальное исследование алгоритма интеллектуальной поддержки принятия решений при контроле структурных свойств требований

4.4 Экспериментальное исследование алгоритма интеллектуальной поддержки принятия решений при контроле качества наборов требований на предмет наличия дублирований и противоречий

4.5 Оценка повышения эффективности контроля качества требований от предлагаемых алгоритмов интеллектуальной поддержки принятия решений

Выводы по Главе

Заключение

Список сокращений

Список литературы 145 Приложение А. Зарегистрированные результаты интеллектуальной

деятельности

Приложение Б. Акты о внедрении

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам»

ВВЕДЕНИЕ

Актуальность темы исследования. Важнейшей составляющей деятельности по созданию сложных технических систем является работа с требованиями (инженерия требований) [42]. Практически все крупные компании, занятые созданием сложной техники, признают, что налаженная инженерия требований критически важна для успеха проектов и является одним из ключевых элементов повышения конкурентоспособности предприятий и их продукции на мировом рынке [111].

Такое внимание к инженерии требований в контексте создания сложных технических систем обусловлено целым рядом факторов. Среди крупных проектов создания сложных технических систем только 10% могут быть признаны успешными [23]. Анализ показывает, что проблемы таких проектов более, чем на 50% связаны с плохой работой с требованиями. Это объясняется тем, что требования разрабатываются в начале жизненного цикла создаваемых систем и являются основой для всех последующих видов деятельности [44]: проектирования, конструирования/кодирования и испытаний. А в случае создания сложных технических систем, состоящих из множества составных частей, требования к системе в целом также являются основой для разработки требований к составным частям. Такой характер взаимосвязи процессов разработки приводит к тому, что устранение ошибок в требованиях тем дороже, чем позже они обнаружены. Причем стоимость устранения ошибок на соседних стадиях отличается в разы, между стадиями разработки исходных требований и эксплуатацией - на несколько порядков [96].

Современная ситуация в области создания сложных технических систем такова, что необходимо доказывать не только соответствие созданной системы требованиям к ней, но также необходимо предоставлять свидетельства того, что процесс разработки этой системы соответствовал нормам [113]. Например, в

автомобилестроении разработчики должны соответствовать требованиям стандарта ISO 26262 [45]. Разработчики, создающие железнодорожный транспорт, должны соответствовать требованиям EN 50128 [29]. Разработчики авиационной техники должны соблюдать требования таких нормативных документов как ARP4754(A) [89] и DO-178 [83] (Р4754 и КТ-178) для бортовой техники и DO-278 [87] для наземных систем обеспечения безопасности воздушного движения. Аналогичные стандарты действуют или начнут действовать по отношению к разработке автономных систем во всех этих отраслях. Разработка систем по процессам, заложенным в указанных стандартах, подразумевает выполнение ряда анализов, связанных с обеспечением безопасности создаваемых систем. Выполнение этих анализов неразрывно связано с работой с требованиями [49] (опирается на предъявленные требования и дополняет их с учетом результатов анализа).

Для того чтобы требования могли должным образом использоваться в процессе проектирования, анализа и испытаний системы, они должны быть качественными, то есть обладать рядом свойств [42]: необходимость, независимость от реализации, недвусмысленность, непротиворечивость, полнота, простота/атомарность, реализуемость, прослеживаемость и проверяемость. Если требования к системе не обладают указанными свойствами, это приводит к росту проектных рисков и снижению конкурентоспособности разрабатывающего систему предприятия [111]. Кроме того, это не позволяет предприятиям, разрабатывающим критические с точки зрения безопасности системы, доказать безопасность этих систем, блокируя их выход на рынок [49].

Обеспечение качества требований к сложным техническим системам - одна из ключевых задач современной системной инженерии. Налаживание процесса контроля качества требований - один из путей решения этой задачи. Главная трудность при налаживании процесса контроля качества требований связана с его высокой трудоемкостью, обусловленной необходимостью проверки каждого требования, а также всего набора требований на обладание необходимыми

свойствами. Такая проверка не является тривиальной операцией, а предполагает принятие решения о возможности использования требований в дальнейшей работе или о необходимости их корректировки. Таким образом, интеллектуальная поддержка принятия решений при контроле качества требований к сложным техническим системам является актуальным направлением научных исследований.

Степень разработанности темы исследования. Проблемой интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам занимается целый ряд исследовательских коллективов в различных странах начиная с начала 1990-х годов.

Одно из основных направлений исследований по данной проблеме основано на опосредовании контроля необходимых свойств требований через индикаторы качества, вычисляемые путем анализа формулировок требований средствами обработки естественного языка. В основе данного направления лежат методические рекомендации Айви Хукс [40], систематизирующие необходимые свойства качественных требований. Их использование в качестве основы для интеллектуальной поддержки принятия решений при контроле качества требований предложено Уильямом Уилсоном и Линдой Розенберг [102] в рамках исследований, проводившихся в интересах Национального управления по аэронавтике и исследованию космического пространства США (NASA). В дальнейшем данный подход существенно развит Хуаном Лоренсом [34] в исследованиях в интересах авиастроительной компании Airbus.

Другое значительное направление исследований проблемы интеллектуальной поддержки принятия решений при контроле качества требований связано с именем Джузеппе Лами из университета Карнеги Меллон, который обобщив предшествующий опыт по автоматизированному выявлению дефектов в формулировках требований, предложил альтернативный подход, сфокусированный на выявлении множества частных дефектов в формулировках

требований [62]. В дальнейшем данный подход был развит немецким исследователем Хеннингом Феммером [32].

Среди отечественных исследователей существенный вклад в решение проблем интеллектуальной поддержки принятия решений при контроле качества требований сделали Александр Константинович Петренко, Алексей Владимирович Хорошилов (Институт системного программирования РАН), Борис Аронович Позин (МИЭМ).

Оба описанных подхода основаны на простейших процедурах анализа текста, которые дают приемлемые результаты, но в то же время обладают рядом недостатков, наиболее важными из которых являются невозможность проверки плохо формализуемых свойств, а также сложность адаптации к особенностям конкретного предприятия. Альтернативный подход, формирующийся в настоящее время, заключается в применении новейших достижений в области машинного обучения и обработки естественного языка, позволяющих эффективно решать задачу извлечения экспертных знаний для интеллектуальной поддержки принятия решений в процессе контроля качества требований при создании сложных технических систем.

Цель и задачи исследования. Целью диссертации является разработка алгоритмов интеллектуальной поддержки принятия решений для повышения эффективности контроля качества требований при создании сложных технических систем.

Для достижения поставленной цели, на основе анализа существующих моделей и алгоритмов интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам в диссертационной работе решаются следующие основные задачи:

1. Оценка применимости существующих моделей и алгоритмов для интеллектуальной поддержки принятия решений при контроле качества требований в русскоязычной инженерной среде.

2. Разработка моделей процесса контроля качества требований, ориентированного на применение средств интеллектуальной поддержки принятия решений.

3. Разработка алгоритма интеллектуальной поддержки принятия решений при контроле структурных свойств требований.

4. Разработка алгоритма интеллектуальной поддержки принятия решений при контроле качества наборов требований на предмет наличия дублирований и противоречий.

5. Программная реализация предложенных алгоритмов интеллектуальной поддержки принятия решений при контроле качества требований.

6. Экспериментальное исследование предложенных алгоритмов на синтетических данных и данных промышленных проектов.

7. Оценка повышения эффективности процесса контроля качества требования за счет применения предложенных алгоритмов интеллектуальной поддержки принятия решений.

Научная задача заключается в разработке и исследовании моделей и алгоритмов интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам, применимых в русскоязычной инженерной среде.

Объект исследования - процесс контроля качества требований к сложным техническим системам.

Предмет исследования - модели и алгоритмы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам.

Соответствие паспорту научной специальности: содержание диссертации соответствует следующим пунктам паспорта научной специальности 2.3.1. Системный анализ, управление и обработка информации, статистика (технические науки) ВАК РФ: «4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и

искусственного интеллекта», «10. Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах».

Научная новизна работы заключается в том, что исследовано новое направление решения научной проблемы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам -применение стратегии извлечения экспертных знаний путем их формирования на основе данных (машинного обучения). Также исследована применимость существующих и предложенных алгоритмов для работы с требованиями в русскоязычной инженерной среде.

Основные научные результаты, полученные в работе:

1. Разработаны модели процесса контроля качества требований (модель черного ящика, концептуальная модель, функциональная модель, процессно-событийные модели), обеспечивающие повышение эффективности контроля качества требований за счет применения алгоритмов интеллектуальной поддержки принятия решений, отличающиеся от известных тем, что ориентированы на извлечение экспертных знаний путем их формирования на основе данных (машинного обучения).

2. Разработан новый алгоритм интеллектуальной поддержки принятия решений при контроле структурных свойств требований, применимый к требованиям на русском языке, отличающийся от существующих реализацией комбинации метрического классификатора, частеречных шаблонов и обучения сходству, позволяющий избежать этапа ручного формирования признаков и повысить качество контроля.

3. Разработан новый алгоритм интеллектуальной поддержки принятия решений при контроле качества наборов требований, применимый к требованиям на русском языке, отличающийся от существующих применением средств векторного представления текста на основе контекстной близости для формирования аналитических представлений,

позволяющий исключить дублирования и противоречия в больших наборах требований.

Теоретическая значимость диссертационного исследования заключается в развитии научно-методического аппарата интеллектуальной поддержки принятия решений в области контроля качества требований к сложным техническим системам и его модернизации в части разработки моделей и алгоритмов основанных на извлечении экспертных знаний путем их формирования на основе данных (машинного обучения) и применимых для работы с требованиями на русском языке.

Практическая значимость. Разработана программная реализация существующих и предложенных алгоритмов интеллектуальной поддержки принятия решений в области контроля качества требований к сложным техническим системам. Выполнена экспериментальная апробация программной реализации алгоритмов на данных реальных проектов, подтвердившая их результативность и применимость для работы с требованиями в русскоязычной инженерной среде. На основе обработки результатов экспериментов показано, что применение предложенных алгоритмов интеллектуальной поддержки принятия решений позволяет повысить эффективность процесса контроля качества отдельных требований и наборов требований на 20% и 6% соответственно. Созданное программное обеспечение может быть использовано при налаживании процессов контроля качества требований во многих важнейших отраслях народного хозяйства: транспортном машиностроении, энергетической промышленности, оборонно-промышленном комплексе.

Методология и методы исследования. Теоретическую и методологическую основу исследования составили методы интеллектуальной поддержки принятия решений и методы обработки естественного языка. Информационно-эмпирическую базу исследования составили действующие нормативно-технические документы в области системной и программной инженерии, а также корпус требований из ряда проектов авиационной отрасли.

Положения, выносимые на защиту.

1. Предложены новые модели процесса контроля качества требований: модель черного ящика, концептуальная модель, функциональная модель, процессно-событийные модели.

2. Предложен новый алгоритм интеллектуальной поддержки принятия решений при контроле структурных свойств требований, применимый к требованиям на русском языке.

3. Предложен новый алгоритм интеллектуальной поддержки принятия решений при контроле качества наборов требований, применимый к требованиям на русском языке.

4. Экспериментально подтверждено, что предложенные алгоритмы интеллектуальной поддержки контроля качества требований повышают результативность контроля качества требований.

Обоснованность и достоверность научных положений и выводов диссертации обеспечивается корректным выбором исходных данных, основных допущений и ограничений при постановке научной задачи, использованием системного подхода и современного апробированного математического аппарата при ее решении и подтверждается достаточной сходимостью полученных результатов с практикой контроля качества требований.

Апробация результатов исследования. Основные положения и выводы диссертации доложены и получили положительную оценку на международных и всероссийских научно-практических конференциях «Технологии разработки информационных систем» (Геленджик, 2017); «Actual Problems of Systems and Software Engineering» (Москва, 2017); «XIII Всероссийское совещание по проблемам управления, посвященное 80-летию Института проблем управления им. В.А. Трапезникова РАН» (Москва, 2017); «Технологии разработки информационных систем» (Геленджик, 2019); «Actual Problems of Systems and Software Engineering» (Москва, 2019); «Технологии разработки информационных

систем» (Коктебель, 2021); «Actual Problems of Systems and Software Engineering» (Москва, 2021).

Теоретические и методические положения работы использованы в учебном процессе на кафедре системной инженерии Института искусственного интеллекта РТУ МИРЭА в 2018 - 2024 годах. Практические положения диссертации реализованы и апробированы в ООО «Сейфети Консалт» (проект «Управление требованиями безопасности») и АО «Кама» (программа «Электромобиль АТОМ»).

Результаты исследований, выполненных в диссертации, использованы при выполнении НИР «Модели и алгоритмы интеллектуальной поддержки инженерии требований при создании сложных инженерных объектов» (2018 - 2019 гг.).

Публикации. По теме диссертации опубликовано 14 научных работ общим объемом 12,1 п.л. (авторский вклад - 8,8 п.л.), из них 3 статьи общим объемом 3,5 п.л. (авторский вклад - 2,7 п.л.) в изданиях, индексируемых в международных базах цитирования Scopus и WoS, и 6 статей общим объемом 4,0 п.л. (авторский вклад - 3,1 п.л.) в рецензируемых изданиях, рекомендованных ВАК при Минобрнауки России. Получено свидетельство о государственной регистрации программы для ЭВМ № 2019665856. Дата публикации и номер бюллетеня: 02.12.2019 Бюл. No 12.

Структура и объем работы. Диссертация изложена на 162 страницах и состоит из введения, четырех глав, с выводами по каждой из них, общих выводов по диссертационной работе, списка сокращений, списка литературы из 134 наименований, содержит 18 таблиц и 23 рисунка.

Во введении отражена актуальность диссертационной работы, определены цель и задачи исследования, изложены научная новизна, теоретическая значимость и практическая ценность, приведены основные научные результаты, выносимые на защиту, а также сведения об апробации и публикациях полученных результатов.

В первой главе выполнен анализ объекта и предмета исследования, изучены существующие модели и инструментальные средства интеллектуальной поддержки принятия решений при контроле качества требований, а также

существующие приложения алгоритмов машинного обучения для решения задач инженерии требований. Выявлены проблемные области в данной области исследования. Содержательно поставлена научная задача исследования, осуществлена ее декомпозиция на частные задачи.

Во второй главе разработаны модели процесса контроля качества требований, ориентированные на интеллектуальную поддержку. Разработаны два новых алгоритма интеллектуальной поддержки принятия решений при контроле качества требований с применением машинного обучения с учителем и без учителя. В своей совокупности, разработанные в диссертации авторские модели и алгоритмы обеспечивают решение поставленной научной задачи.

В третьей главе описана разработанная программная реализация предложенных алгоритмов интеллектуальной поддержки принятия решений при контроле качества требований. Приводится общее описание программной реализации, включающее описание вариантов использования и контекста. Подробно описана программная реализация каждого из алгоритмов, включая использованные средства и библиотеки, а также примеры структур данных.

В четвертой главе проведены экспериментальные исследования с использованием данных студенческих и реальных промышленных проектов. Изложены результаты, приводятся оценки результативности и качества предлагаемых алгоритмов. Выполнена оценка повышения эффективности процесса контроля качества требования за счет применения предложенных алгоритмов интеллектуальной поддержки.

В заключении представлены основные результаты и общие выводы по диссертационной работе, определены пути их эффективной реализации и направления дальнейших исследований по проблематике диссертации.

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ ИНТЕЛЛЕКТУАЛЬНОЙ

ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ КОНТРОЛЕ КАЧЕСТВА ТРЕБОВАНИЙ К СЛОЖНЫМ ТЕХНИЧЕСКИМ

СИСТЕМАМ

1.1 Работа с требованиями при создании сложных технических систем 1.1.1 Сложная техническая система как объект проектирования

Сложная система - составной объект, части которого можно рассматривать как отдельные системы, объединенные в единое целое в соответствии с определенными принципами или связанные между собой заданными отношениями [127]. Части сложной системы (подсистемы) можно расчленить (часто лишь условно) на более мелкие подсистемы и т.д., вплоть до выделения компонентов сложной системы, которые либо объективно не подлежат дальнейшему расчленению, либо относительно их неделимости имеется договоренность. Свойства сложной системы в целом определяются как свойствами составляющих ее элементов, так и характером взаимодействия между ними.

Ряд авторов полагают понятия сложной системы и большой системы идентичными, другие же считают, что величина системы отражает лишь количество ее элементов и связей между ними, а сложность системы отражает также неоднородность этих элементов и связей. В работе [66] предлагается различать три измерения сложности: сложность описания, сложность создания и сложность организованности.

В контексте инженерной деятельности, в частности, деятельности по созданию систем, критических с точки зрения безопасности, дополнительным критерием сложности является возможность проверки корректности функционирования создаваемой системы путем испытаний. Сложными называются системы, доказательство корректности функционирования которых

невозможно только за счет испытаний и анализа [28]. Это связано с тем, что поведение таких систем сложно моделировать из-за сложных зависимостей между их частями или из-за сложных взаимодействий между данной системой и окружающей средой [133]. Для гарантии безопасности таких систем к процессам их разработки предъявляются дополнительные требования.

С учетом того, что создание сложной технической системы не может быть выполнено полностью одним коллективом, для организации разработки таких систем, формируют иерархическую модель состава системы (которая документируется в форме схемы деления или электронной структуры изделия) [41]. Такая модель состава может иметь несколько уровней деления (системных уровней, уровней разукрупнения). Часто деление системы на части определяется сложившейся в отрасли типовой архитектурой [112], например для авиационной отрасли в качестве такой типовой архитектуры выступает классификатор подсистем АТА-100 [5].

Модель состава системы является основой для построения кооперации по ее созданию [110]: головной разработчик (интегратор) занят проектированием и комплексированием системы в целом, проектированием и комплексированием промежуточных уровней заняты соответствующие интеграторы, а созданием составных частей нижнего уровня заняты разработчики или поставщики нижнего уровня. Такой процесс разработки хорошо иллюстрируется У-моделью [90]: на левой (нисходящей) ветке показаны процессы проектирования на последовательных системных уровнях. На каждом системном уровне происходит разделение системы на составные части, разработка требований к этим составным частям и их выдача на последующий системный уровень. На правой ветке У-модели показаны процессы комплексирования (интеграции) составных частей. Комплексирование происходит в обратном порядке (снизу вверх), причем на каждом уровне производятся испытания полученной составной части на соответствие требованиям этого уровня.

Формирование требований происходит на левой (нисходящей) ветке V-модели. При этом сам процесс инженерии требований носит «рекурсивный» характер [42], то есть процедуры работы с требованиями (выявление, анализ, проверка, привязка, документирование) повторяются на каждом последующем системном уровне в рамках всех составных частей. Передача требований между смежными системными уровнями осуществляется в рамках процедуры привязки требований [61]. В результате привязки требование верхнего системного уровня может перейти на нижний системный уровень как практически без изменений формулировки, так и быть определенным образом разделено или распределено по подсистемам. Кроме того, требования на нижнем системном уровне могут быть сформулированы вследствие технических решений, принятых на более высоком системном уровне и не иметь непосредственной связи с отдельным требованием верхнего системного уровня.

Результатом процессов инженерии требований является система требований, включающая в себя требования ко всем составным частям на всех уровнях разукрупнения. Очевидно, что для успеха проекта необходимо чтобы все эти требования не противоречили друг другу.

1.1.2 Особенности инженерии требований при создании сложных систем

В больших проектах создания сложных технических систем общее количество требований на всех уровнях может достигать сотен тысяч и даже миллионов [113]. Например, набор сертификационных требований к пассажирскому воздушному судну (сертификационный базис) составляет порядка 6000 отдельных требований, а это только верхний уровень и только требования безопасности [126]. С учетом дополнения их другими видами требований (как функциональными, так и нефункциональными), а также каскадирования на несколько системных уровней вниз, общее количество требований увеличивается

на два порядка. Количество требований в проекте создания атомной электростанции еще выше.

Другая иллюстрация большого количества требований в проектах относится к созданию сложных программно-насыщенных систем. Для критических с точки зрения безопасности систем, разрабатываемых в соответствии со стандартами, такими как DO-178 [83], одно требование приходится на 5-10 строк кода. При этом авионика современного самолета, такого, как Boeing 787, содержит более 10 млн строк кода. Это значит, что при создании этой авионики было создано более миллиона требований.

Одна из важных проблем при работе с требованиями в крупных инженерных проектах связана с изменениями требований [3]. Причинами таких изменений могут быть, например, изменившиеся потребности заказчика или техническая невозможность выполнить требования к какой-то составной части. С учетом того, что требования в системе требований взаимосвязаны, анализ влияния таких изменений представляет собой сложную задачу: изменение требования может приводить к изменению требований как на более высоких системных уровнях (то есть требований к надсистеме), так и на более низких системных уровнях (то есть требований к подсистеме или подсистемам) или на том же системном уровне. Более того, такие изменения могут вызывать цепную реакцию, если изменение связанных требований приведет к изменению требований, не связанных напрямую с изменяемым.

Список литературы диссертационного исследования кандидат наук Гайдамака Кирилл Игоревич, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Abualhaija S. et al. A machine learning-based approach for demarcating requirements in textual specifications //2019 IEEE 27th International Requirements Engineering Conference (RE). - IEEE, 2019. - С. 51-62.

2. Adithya V., Deepak G. OntoReq: an ontology focused collective knowledge approach for requirement traceability modelling //European, Asian, Middle Eastern, North African Conference on Management & Information Systems. -Cham : Springer International Publishing, 2021. - С. 358-370.

3. Afaq, S.A. and Faisal, M., 2020. Influences of Requirement Change on Software Failure.

4. Ahmad A. et al. A systematic literature review on using machine learning algorithms for software requirements identification on stack overflow //Security and Communication Networks. - 2020. - Т. 2020. - С. 1-19.

5. ATA Specification 100 - Specification for Manufacturers' Technical Data, Revision No. 37, Air Transport Association of America, 1999.

6. Baker C. et al. Automatic multi-class non-functional software requirements classification using neural networks //2019 IEEE 43 rd annual computer software and applications conference (COMPSAC). - IEEE, 2019. - Т. 2. - С. 610-615.

7. Baskoro F. et al. A Systematic Comparison of Software Requirements Classification //IPTEK The Journal for Technology and Science. - 2021. - Т. 32. - №. 3. - С. 184-193.

8. Batovrin V., Gaydamaka K. Automated System for Requirements Assessment // Proceedings - 2019 Actual Problems of Systems and Software Engineering, APSSE 2019, 2019, стр. 58-62.

9. Bilal H. A. et al. Requirements validation techniques: An empirical study //International Journal of Computer Applications. - 2016. - Т. 148. - №. 14.

10.Bisong E., Bisong E. Matplotlib and seaborn //Building Machine Learning and Deep Learning Models on Google Cloud Platform: A Comprehensive Guide for Beginners. - 2019. - С. 151-165.

11.Blanchard B. S., Fabrycky W. J., Fabrycky W. J. Systems engineering and analysis. - Englewood Cliffs, NJ : Prentice hall, 1990. - Т. 4.

12.Brown T. Machine learning (ML) framework for identifying inconsistency in software requirement documents (SRD).

13.Qevikol S., Aydemir F. B. Detecting Inconsistencies of Natural Language Requirements in Satellite Ground Segment Domain //REFSQ Workshops. -2019.

14.Chaithra P. et al. Machine Learning Technique for Identifying Ambiguities of in Software Requirements //Turkish Journal of Computer and Mathematics Education (TURCOMAT). - 2021. - Т. 12. - №. 11. - С. 6852-6857.

15.Chandrasekaran D., Mago V. Evolution of semantic similarity—a survey //ACM Computing Surveys (CSUR). - 2021. - Т. 54. - №. 2. - С. 1-37.

16.Chari K., Agrawal M. Impact of incorrect and new requirements on waterfall software project outcomes //Empirical Software Engineering. - 2018. - Т. 23. - С. 165-185.

17.Chatzipetrou P., Unterkalmsteiner M., Gorschek T. Requirements' Characteristics: How do they Impact on Project Budget in a Systems Engineering Context? //2019 45th Euromicro Conference on Software Engineering and Advanced Applications (SEAA). - IEEE, 2019. - С. 260-267.

18.Chestnut H. Systems Engineering Methods. - Wiley, New York, 1967.

19.Chestnut H. Systems Engineering Tools. - Wiley, New York, 1965. (Имеется перевод: Честнат Г. Техника больших систем (средства системотехники): Пер. с англ./ Под ред. О.И. Авена. — М.: Энергия, 1969)

20.Colijn C., Plazzotta G. A metric on phylogenetic tree shapes //Systematic Biology. - 2018. - Т. 67. - №. 1. - С. 113-126.

21.Dargan J. L. Analyzing Requirement Statement Qualities to Assure the Required System Performance : guc. - The George Washington University, 2015.

22.Dave D., Anu V. Identifying Functional and Non-functional Software Requirements From User App Reviews //2022 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). - IEEE, 2022. -C. 1-6.

23.Davis, Tom. "Why Software Development Projects Fail." 3Pillar Global, 11 Jan. 2022

24.Defays D. An efficient algorithm for a complete link method //The computer journal. - 1977. - T. 20. - №. 4. - C. 364-366.

25.Deshpande G. et al. Requirements dependency extraction by integrating active learning with ontology-based retrieval //2020 IEEE 28th International Requirements Engineering Conference (RE). - IEEE, 2020. - C. 78-89.

26.Devlin J., Chang M. W., Lee K., Toutanova K. Bert: Pretraining of deep bidirectional transformers for language understanding// arXiv preprint arXiv:1810.04805. 2018 Oct 11.

27.Deza E. et al. Encyclopedia of distances. - Springer Berlin Heidelberg, 2009. - C. 1-583.

28.DO-254/ED-80 - Design Assurance Guidance for Airborne Electronic Hardware

29.EN 50128, "Railway applications - communication, signalling and processing systems - software for railway control and protection systems," 2011

30.F. Koto, M. Adriani, "The Use of POS Sequence for Analyzing Sentence Pattern in Twitter Sentiment Analysis," Proceedings - IEEE 29th International Conference on Advanced Information Networking and Applications Workshops, WAINA 2015, (March), 547-551, 2015, doi:10.1109/WAINA.2015.58.

31.FAA Systems Engineering Manual. Version 1.1. September 2015. - URL: https: //sep .faa.gov/policy_and_guidance/main

32.Femmer H - "Requirements quality defect detection with the qualicen requirements scout" CEUR Workshop Proceedings 2018 vol: 2075

33.Ferguson R. W., Lami G. An empirical study on the relationship between defective requirements and test failures //2006 30th Annual IEEE/NASA Software Engineering Workshop. - IEEE, 2006. - C. 7-10.

34.Genova G., Fuentes J., Llorens J. et al. A framework to measure and improve the quality of textual requirements // Requir. Eng. 2013. № 18:25-41. C. 2541

35.Gokyer G. et al. Non-functional requirements to architectural concerns: ML and NLP at crossroads //2008 the third international conference on software engineering advances. - IEEE, 2008. - C. 400-406.

36.Goldberg Y., Levy O. word2vec Explained: deriving Mikolov et al.'s negative-sampling word-embedding method //arXiv preprint arXiv: 1402.3722. - 2014.

37.Gramajo M. G., Ballejos L., Ale M. Recurrent Neural Networks to automate Quality assessment of Software Requirements //arXiv preprint arXiv:2105.04757. - 2021.

38.Guo J., Cheng J., Cleland-Huang J. Semantically enhanced software traceability using deep learning techniques //2017 IEEE/ACM 39th International Conference on Software Engineering (ICSE). - IEEE, 2017. - C. 3-14.

39.Heigold G., Neumann G., van Genabith J. An extensive empirical evaluation of character-based morphological tagging for 14 languages //Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Volume 1, Long Papers. - 2017. - C. 505-513.

40.Hooks I. Writing Good Requirements // Proceeding's of the Third International Symposium of the INCOSE. 1993. Volume 2.

41.Hull E., Jackson K, Dick J. Requirements Engineering (4th Edition). -Springer-Verlag. - 2017.

42.IEEE/ISO/IEC 29148-2018 - ISO/IEC/IEEE International Standard - Systems and software engineering -- Life cycle processes -- Requirements engineering, Dec. 2020.

43.INCOSE Guide for Writing Requirements - INCOSE-TP-2010-006-02, Version/Revision: 2. -July 1, 2015

44.INCOSE Systems Engineering Handbook: A Guide for System Life Cycle Processes and Activities, 4th Edition, ISBN: 978-1-118-99940-0 - August 2015, 304 pages.

45.ISO 26262-9:2011(en), Road vehicles — Functional safety

46.ISO 9000:2015 Quality management systems — Fundamentals and vocabulary

47.ISO/IEC TR 24766:2009 Information technology — Systems and software engineering — Guide for requirements engineering tool capabilities

48.ISO/IEC/IEEE 15288:2015 «Systems and software engineering. System life cycle processes». URL:

http://www.iso.org/iso/ru/home/store/catalogue_tc/catalogue_detail.htm?csnu mber=63711

49.Jacklin, Stephen. "Certification of safety-critical software under DO-178C and DO-278A." Infotech@ Aerospace 2012. 2012. 2473.

50.Jeremy Dick 1999 - Linguistic patterns "Using statement-level templates to improve the quality of requirements" An Integrate white paper October 2012.

51.John C. Knight and E. Ann Myers. 1991. 51 inspections and their implementation. SIGSOFT Softw. Eng. Notes 16, 3 (July 1991), 29-35.

52.Kamata M. I., Tamai T. How does requirements quality relate to project success or failure? //15th IEEE International Requirements Engineering Conference (RE 2007). - IEEE, 2007. - C. 69-78.

53.Karl E. Wiegers. Writing Quality Requirements // Software Development, May 1999. Software Development Volume 7, Issue 5, p.p. 44-48

54.Katasonov A., Sakkinen M. Requirements quality control: a unifying framework // Requirements Engineering, 2006, Vol. 11, № 1

55.Kluyver T. et al. Jupyter Notebooks-a publishing format for reproducible computational workflows //Elpub. - 2016. - T. 2016. - C. 87-90.

56.Knauss E., El Boustani C., Flohr T. Investigating the impact of software requirements specification quality on project success //Product-Focused Software Process Improvement: 10th International Conference, PROFES 2009, Oulu, Finland, June 15-17, 2009. Proceedings 10. - Springer Berlin Heidelberg, 2009. - C. 28-42.

57.Kossiakoff A. et al. Systems engineering principles and practice. - John Wiley & Sons, 2020.

58.Krogstie J., Lindland O. I., Sindre G. Defining quality aspects for conceptual models //Information System Concepts: Towards a consolidation of views. -1995. - C. 216-231.

59.Kuchta J. Completeness and Consistency of the System Requirement Specification // Position Papers of the Federated Conference on Computer Science and Information Systems. 2016. C. 265-269. URL: https://doi.org/10.15439/2016F468

60. Kumar M. S. et al. Automated Extraction of Non-Functional Requirements From Text Files: A Supervised Learning Approach //Handbook of Intelligent Computing and Optimization for Sustainable Development. - 2022. - C. 149170.

61.Kusiak A., Qin F. Requirements Allocation //Handbook of Measuring System Design. - 2005.

62.Lami G. QuARS: A tool for analyzing requirements. - Carnegie Mellon University, Software Engineering Institute, 2005.

63.Lau J. H., Baldwin T. An empirical evaluation of doc2vec with practical insights into document embedding generation //arXiv preprint arXiv:1607.05368. - 2016.

64.Li L. F. et al. An Empirical comparison of machine learning algorithms for classification of software requirements //International Journal of Advanced Computer Science and Applications. - 2019. - T. 10. - №. 11.

65.Liu C. et al. Automated conditional statements checking for complete natural language requirements specification //Applied Sciences. - 2021. - T. 11. - №. 17. - C. 7892.

66.Lloyd S. Measures of complexity: a nonexhaustive list //IEEE Control Systems Magazine. - 2001. - T. 21. - №. 4. - C. 7-8.

67.Loper E., Bird S. Nltk: The natural language toolkit //arXiv preprint cs/0205028. - 2002.

68.M. U. Bokhari, S. T. Siddiqui. Metrics for Requirements Engineering and Automated Requirements Tools. - Proceedings of the 5th National Conference; INDIACom-2011. URL: https: //www.researchgate.net/publication/233952392_Metrics_for_Requireme nts_Engineering_and_Automated_Requirements_Tools

69.Madhulatha T. S. An overview on clustering methods //arXiv preprint arXiv:1205.1117. - 2012.

70.McKinney W. et al. pandas: a foundational Python library for data analysis and statistics //Python for high performance and scientific computing. - 2011. - T. 14. - №. 9. - C. 1-9.

71.Mekala R. R. et al. Classifying user requirements from online feedback in small dataset environments using deep learning //2021 IEEE 29th International requirements engineering conference (RE). - IEEE, 2021. - C. 139-149.

72.Moreno V. et al. Application of machine learning techniques to the flexible assessment and improvement of requirements quality //Software Quality Journal. - 2020. - T. 28. - C. 1645-1674.

73.Mori K. et al. Supporting viewpoints to review the lack of requirements in space systems with machine learning //Proceedings of the IEEE/ACM 15th

International Symposium on Software Engineering for Adaptive and Self-Managing Systems. - 2020. - C. 38-44.

74.Mund J. et al. Does quality of requirements specifications matter? combined results of two empirical studies //2015 ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM). - IEEE, 2015.

- C. 1-10.

75.P. Kar and M. Bailey. Characteristics of Good Requirements. Presented at the 1996 INCOSE Symposium URL: http://www.literateprogramming.com/Characteristics%20of%20Good%20Re quirements.htm

76.Panichella S., Ruiz M. Requirements-collector: Automating requirements specification from elicitation sessions and user feedback //2020 IEEE 28th International Requirements Engineering Conference (RE). - IEEE, 2020. - C. 404-407.

77.Parra E. et al. A methodology for the classification of quality of requirements using machine learning techniques //Information and Software Technology. -2015. - T. 67. - C. 180-195.

78.Pedregosa F. et al. Scikit-learn: Machine learning in Python //the Journal of machine Learning research. - 2011. - T. 12. - C. 2825-2830.

79.Perkins J. Python text processing with NLTK 2.0 cookbook. - PACKT publishing, 2010.

80.Pohl K. Requirements Engineering: Fundamentals, Principles, and Techniques.

- Springer-Verlag. - 2010.

81.Post, Amalinda and Thomas Fuhr. "Case study: How Well Can IBM's "Requirements Quality Assistant" Review Automotive Requirements?" REFSQ Workshops (2021).

82.Qamar A. M. et al. Similarity learning for nearest neighbor classification //2008 Eighth IEEE International Conference on Data Mining. - IEEE, 2008. - C. 983988.

83.Radio Technical Commission for Aeronautics RTCA/DO-178B "Software Considerations in Airborne Systems and Equipment Certification". - 1992.

84.Ramos J. et al. Using tf-idf to determine word relevance in document queries //Proceedings of the first instructional conference on machine learning. - 2003. - T. 242. - №. 1. - C. 29-48.

85.Rolon-Mérette D. et al. Introduction to Anaconda and Python: Installation and setup //Quant. Methods Psychol. - 2016. - T. 16. - №. 5. - C. S3-S11.

86.Rong X. word2vec parameter learning explained //arXiv preprint arXiv:1411.2738. - 2014.

87.RTCA DO-278A, "Software Integrity Assurance Considerations for Communication, Navigation, Surveillance and Air Traffic Management (CNS/ATM) Systems," December 2011.

88.Rundlet N., Miller W. D. Requirements Management: DOORS to the Battlefield of the Future //INCOSE International Symposium. - 1994. - T. 4. -№. 1. - C. 59-66.

89.SAE Standard ARP 4754A Guidelines for Development of Civil Aircraft and Systems. - Revised: 2010-12-21. URL: http://standards.sae.org/arp4754a/

90.Scheithauer D., Forsberg K. 4.5. 3 V-Model Views //INCOSE International Symposium. - 2013. - T. 23. - №. 1. - C. 502-516.

91. Scott E., Toemets T., Pfahl D. An Empirical Study of User Story Quality and Its Impact on Open Source Project Performance //Software Quality: Future Perspectives on Software Engineering Quality: 13th International Conference, SWQD 2021, Vienna, Austria, January 19-21, 2021, Proceedings 13. -Springer International Publishing, 2021. - C. 119-138.

92.Shah U. S., Jinwala D. C. Resolving ambiguities in natural language software requirements: a comprehensive survey //ACM SIGSOFT Software Engineering Notes. - 2015. - T. 40. - №. 5. - C. 1-7.

93.Sharma R., Sharma N., Biswas K. K. Machine learning for detecting pronominal anaphora ambiguity in NL requirements //2016 4th Intl Conf on

Applied Computing and Information Technology/3rd Intl Conf on Computational Science/Intelligence and Applied Informatics/1st Intl Conf on Big Data, Cloud Computing, Data Science & Engineering (ACIT-CSII-BCD).

- IEEE, 2016. - C. 177-182.

94.Shkarin, S. ruTS, a library for statistics extraction from texts in Russian.

(Moscow,2023), https://github.com/SergeyShk/ruTS 95.Spanoudakis G., Garcez A. S. A., Zisman A. Revising Rules to Capture Requirements Traceability Relations: A Machine Learning Approach //SEKE.

- 2003. - C. 570-577.

96.Stecklein, Jonette M., et al. "Error cost escalation through the project life cycle." 14th Annual International Symposium. No. JSC-CN-8435. 2004.

97. URL: https: //www. qualicen. de/en/products/scout/

98. URL: https://www.reusecompany.com/rqa-quality-studio

99.Varma M., Ray D. Learning the discriminative power-invariance trade-off //2007 IEEE 11th International Conference on Computer Vision. - IEEE, 2007.

- C. 1-8.

100. Vieira C. D. M. Classification of Requirements Ambiguity Through Machine Learning Techniques.

101. Viering T., Loog M. The shape of learning curves: a review //IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2022.

102. W. M. Wilson, L. H. Rosenberg and L. E. Hyatt. "Automated analysis of requirement specifications." Proceedings of the 19th International Conference on Software Engineering (ICSE), pages 161-171, 1997

103. William M. Wilson. Writing Effective Natural Language Requirements Specifications // The Journal of Defense Software Engineering. - February. -1999, p.p. 16-18.

104. Yang H. et al. Speculative requirements: Automatic detection of uncertainty in natural language requirements //2012 20th IEEE International Requirements Engineering Conference (RE). - IEEE, 2012. - C. 11-20.

105. Yang L., Shami A. On hyperparameter optimization of machine learning algorithms: Theory and practice //Neurocomputing. - 2020. - Т. 415. - С. 295316.

106. Yeung K. Y., Ruzzo W. L. Details of the adjusted rand index and clustering algorithms, supplement to the paper an empirical study on principal component analysis for clustering gene expression data //Bioinformatics. - 2001. - Т. 17.

- №. 9. - С. 763-774.

107. Yousaf M. S. et al. Fagan Inspection: A Defects Finding Mechanism in Software Requirements Specification (SRS) Document. - 2022.

108. Zhang Y., Jin R., Zhou Z. H. Understanding bag-of-words model: a statistical framework //International journal of machine learning and cybernetics. - 2010. - Т. 1. - С. 43-52.

109. Zubrow D. Software quality requirements and evaluation, the ISO 25000 series //Software Engineering Institute, Carnegie Mellon. - 2004.

110. Батоврин В.К. Современная системная инженерия и ее роль в управлении проектами // Управление проектами и программами. Часть 1

- №3 (43), 2015. - С. 166-179, Часть 2 - №4 (44), 2015. - С. 276-289.

111. Батоврин В.К., Гайдамака К.И. Инженерия требований - ключевой фактор успешности проектов // Управление проектами и программами, 2017, №1 (49), С. 6-20

112. Батоврин В.К., Гайдамака К.И. Моделирование процесса инженерии требований на промышленном предприятии. - Пятая международная конференция «Актуальные проблемы системной и программной инженерии», АПСПИ-2017. Сборник научных трудов. - М.: Издательство НИУ ВШЭ, 2017. - с. Издательство 2017, с. 401-408.

113. Батоврин В.К., Позин Б.А. Инженерия требований на современном промышленном предприятии. // Программная инженерия. 2019. Т. 10, № 3. С. 114-124.

114. Воронцов К. В. Лекции по метрическим алгоритмам классификации //М.: МФТИ. - 2007.

115. Гаршин Т. С., Иванков А. Ю., Муравьёва Е. В. Процедуры упрощения предложений на естественном языке на основе синтаксической разметки СоКЪЬ-и для задач TextMining //Информатика: проблемы, методы, технологии. - 2021. - С. 1362-1370.

116. ГОСТ Р 59194 - 2020 Управление требованиями. Основные положения

117. ГОСТ Р ИСО/МЭК 25010-2015 Требования и оценка качества систем и программного обеспечения (SQuaRE). Модели качества систем и программных продуктов

118. Гуд Г. Х., Макол Р. Э. Системотехника. Введение в проектирование больших систем. М.: Советское радио, 1962. 384 с.

119. Демин Г. А. Методы принятия управленческих решений //Пермь: Перм. гос. нац. исслед. ун-т. - 2019.

120. Дунаев А. А. Исследовательская система для анализа текстов на естественном языке //Проблемы интеллектуализации и качества систем информатики. Н.: Ин-т систем информатики имени АП Ершова СО РАН-2006-Вып. - 2006. - С. 55-66.

121. Емельянов С. В., Ларичев О. И. Многокритериальные методы принятия решений //М.: Знание. - 1985. - Т. 32. - С. 23.

122. Кононенко И. С., Сидорова Е. А. Методика разработки лексико-семантических паттернов для извлечения терминологии научной предметной области //Системная информатика. - 2022. - №. 20. - С. 2546.

123. Кочеткова Н. А. Статистические языковые методы. Коллокации и коллигации //Новые информационные технологии в автоматизированных системах. - 2013. - №. 16. - С. 301-305.

124. Кулямин В. В. и др. Формализация требований на практике //М.: ИСП РАН. - 2006. - С. 50.

125. Ларичев О. И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах. - 2008.

126. Межгосударственный авиационный комитет. Авиационные правила. Часть 25. Нормы летной годности самолетов транспортной категории. -2015. URL: http://www.armak-iac.org/dokumenty/aviatsionnye-pravila/

127. Овчинников В. А. Графы в задачах анализа и синтеза структур сложных систем. - 2014.

128. Рыков А. С. Системный анализ: модели и методы принятия решений и поисковой оптимизации //М.: Издательский Дом МИСиС. - 2009. - Т. 608.

129. Свидетельство о государственной регистрации программы для ЭВМ №2 2019665856. Дата публикации и номер бюллетеня: 02.12.2019 Бюл. No 12.

130. Холл А. Д. Опыт методологии для системотехники. М.: Советское радио, 1975. 448 с.

131. Хомицевич О. Г., Соломенник М. В. Автоматическая расстановка пауз в системе синтеза русской речи по тексту //Матер. Междунар. конф.„Диалог. - 2010.

132. Хорошилов А. В. Верификация соответствия между разноуровневыми моделями функциональных требований //Труды Института системного программирования РАН. - 2020. - Т. 32. - №. 6. - С. 19-30.

133. Цветков В. Я. Сложные технические системы //Образовательные ресурсы и технологии. - 2017. - №. 3 (20). - С. 86-92.

134. Частиков А. П. Разработка экспертных систем. Среда CLIPS // БХВ-Петербург. - 2004.

Приложение А. Зарегистрированные результаты интеллектуальной деятельности

Приложение Б. Акты о внедрении

А АТОМ

АКТ О ВНЕДРЕНИИ

результатов диссертационной работы на тему «Модели и алгоритмы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам» Гайдамаки Кирилл Игоревича, представленной на соискание ученой степени кандидата технических наук.

Настоящий акт составлен комиссией в составе:

1. Б. Н. Рахимбердиев, технический директор

2. Р. С. Терлекчи, руководитель проектов

3. А. Ю. Шаманин, системный аналитик

в том, что результаты диссертационной работы:

• модели процесса контроля качества требований,

• алгоритм интеллектуальной поддержки принятия решений при контроле структурных свойств требований,

• алгоритм интеллектуальной поддержки принятия решений при контроле качества наборов требований

использованы при реализации программы по разработке электромобиля АТОМ для интеллектуальной поддержки принятия решений при контроле качества требований. Внедрение указанных моделей и алгоритмов позволило своевременно обнаруживать дефекты в требованиях к электромобилю и повысить эффективность процессу контроля качества требований.

Члены комиссии:

А. Ю. Шаман

Б. Н. Рахимб( Р. С. Терлекч

§ SAFETY CONSULT

УТВЕРЖДАЮ Генеральный директор ^Сейфсти Консалт»

(

j' ) А. Э. Бейлуллаев «7ъ> Us-AJ 2024 г.

АКТ О ВНЕДРЕНИИ

результатов диссертационной работы на тему «Модели и алгоритмы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам» Гайдамаки Кирилл Игоревича, представленной на соискание ученой степени кандидата технических наук.

Настоящий акт составлен комиссией в составе:

1. А. Э. Бейтуллаев, директор

2. О. М. Кировский, главный инженер по кибербезопасности

3. А. А. Васильев, веду щий инженер по функциональной безопасности

в том, что результаты диссертационной работы:

• модели процесса контроля качества требований,

• алгоритм интеллектуальной поддержки принятия решений при контроле структурных свойств требований.

• алгоритм интеллектуальной поддержки принятия решений при контроле качества наборов требований

использованы при реализации проектов по выстраиванию и интеллектуальной поддержке процессов функциональной безопасности для верификации требований концепции функциональной безопасности и концепции технической безопасности. Внедрение указанных моделей и алгоритмов позволило повысить эффективность процесса контроля качества требований в проектах, проведенных в интересах заказчиков - ведущих предприятий автомобильной и машиностроительной промышленности.

Члены комиссии:

А. Э. Бейгуллаев ( О. М. Кировский«^ А. А. Васильев

АКТ

О внедрении результатов диссертационной работы на соискание учёной степени кандидата технических наук по научной специальности 2.3.1. Системный анализ, управление и обработка информации, статистика Гайдамаки Кирилла Игоревича на тему «Модели и алгоритмы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим

системам»

Результаты диссертационной работы на соискание учёной степени кандидата технических наук по научной специальности 2.3.1. «Системный анализ, управление и обработка информации, статистика» старшего преподавателя кафедры системной инженерии Гайдамаки Кирилла Игоревича на тему «Модели и алгоритмы интеллектуальной поддержки принятия решений при контроле качества требований к сложным техническим системам» были использованы в период с 2018 по 2024 г. в учебном процессе на кафедре системной инженерии Института искусственного интеллекта РТУ МИРЭА. Материалы диссертационной работы «модели процесса контроля качества требований (модель черного ящика, концептуальная модель, функциональная модель, проессно-событийные модели), обеспечивающие повышение эффективности контроля качества требований за счет применения алгоритмов интеллектуальной поддержки принятия решении, отличающиеся от известных тем, что ориентированы на извлечение экспертных знаний путем их формирования на основе данных (машинного обучения)» использованы в

составе материалов лекционных и практических занятий по курсам:

1. «Основы инженерии требований» для направления подготовки 27.03.03 «Системный анализ и управление»

2. «Управление требованиями» для направления подготовки 27.04.03 «Системный анализ и управление»

Результаты «новый алгоритм интеллектуальной поддержки принятия решений при контроле структурных свойств требований, применимый к требованиям на русском языке, отличающийся от существующих реализацией комбинации метрического классификатора, частеречных шаблонов и обучения сходству, позволяющий избежать этапа ручного формирования признаков и повысить качество контроля» и «новый алгоритм интеллектуальной поддержки принятия решений при контроле качества наборов требований, применимый к требованиям на русском языке, отличающийся от существующих применением средств векторного представления текста на основе контекстной близости для формирования аналитических представлений, позволяющий исключить дублирования и противоречия в больших наборах требований» внедрены в научно-исследовательскую практику студентов и выпускные квалификационные работы студентов бакалавриата кафедры системной инженерии РТУ МИРЭА.

Заведующий кафедрой системной

инженерии кандидат технических наук, доцент

Директор

Института искусственного интеллекта, доктор технических наук, профессор