Reikalavimų gavybos, taikant paieškos papildytąjį generavimą, efektyvumo tyrimas
Urbaitis, Karolis |
Stefanovič, Pavel | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šiais laikais dirbtinis intelektas yra viena iš plačiausiai naudojamų technologijų. Dažniausiai naudojama funkcija - teksto generavimas tam tikroms užduotims atlikti. Nors šiuolaikinis dirbtinis intelektas veikia itin greitai ir gali sugeneruoti atsakymą į bet kokį klausimą, kai kalbama apie siauresnę sritį arba kai atsakymas turi būti itin tikslus, dažnai kyla pavojus, kad sugeneruotas turinys bus paviršutiniškas ir gali neatitikti tikrovės. Šio darbo tikslas - pasiūlyti metodą, kuris leistų generuoti tikslesnius ir labiau pagrįstus funkcinius bei nefunkcinius reikalavimus. Darbe nagrinėjamos natūralios kalbos apdorojimo bei paieška pagrįsto generavimo galimybės, jų pritaikymas ir įtaka teksto generavimui. Vėliau atliekamas RAG sistemos taikymo procesas, remiantis trimis skirtingomis konfigūracijomis. Pateikiami sugeneruoti reikalavimai ir apskaičiuojamos vertinimo metrikos. Gauti rezultatai parodo skirtumus tarp reikalavimų, sugeneruotų vien tik naudojant LLM, ir tų, kurie sugeneruoti taikant su RAG integraciją.
Nowadays, artificial intelligence is one of the most widely used technologies. One of it's most common applications is text generation for specific tasks. Although current AI systems operate very quickly and can generate answers to almost any question, when the domain is more specialized or when a highly accurate response is required, there is a significant risk that the generated content will be superficial and potentially inaccurate. The aim of this thesis is to propose a method that enables the generation of more precise and well-grounded functional and non-functional requirements. The work explores the capabilities, applications and influence of natural language processing and retrieval-augmented generation on text generation. Subsequently, the RAG system is applied using three different configurations. The generated requirements are presented and evaluated using selected metrics. The resulting analysis highlights the differences between requirements generated solely using an LLM and those generated through RAG integration.