الذكاء الاصطناعي ودوره في استنباط متطلبات المستخدمين

Dr. Arwa Aleryani
Oct 5
5 min read

تُعد مرحلة استنباط متطلبات المستخدمين (Requirements Elicitation) من أكثر المراحل حساسية في دورة تطوير النظم، إذ تمثل الأساس الذي تُبنى عليه جميع المراحل اللاحقة. إلا أن هذه المرحلة غالباً ما تواجه تحديات تتعلق بسوء الفهم، أو غموض احتياجات المستخدمين، أو صعوبة تحليل البيانات النوعية. ومع تطور تقنيات الذكاء الاصطناعي، بدأ استخدام أدواته وأساليبه لتسهيل جمع المتطلبات وتحليلها بدقة أكبر، مما أحدث نقلة نوعية في منهجيات التحليل النظامي.

استنباط المتطلبات في تطوير النظم

استنباط المتطلبات هو العملية التي تهدف إلى تحديد وفهم احتياجات المستخدمين وأصحاب المصلحة من النظام الجديد، وترجمتها إلى متطلبات واضحة وقابلة للتنفيذ. تتضمن العملية أنشطة مثل المقابلات، الاستبيانات، الملاحظة، تحليل الوثائق، ورش العمل، والنمذجة.وتكمن الصعوبة في أن المستخدمين أنفسهم قد لا يعرفون بدقة ما يحتاجونه أو كيف يعبّرون عنه بلغة تقنية.

أدوات وتقنيات الذكاء الاصطناعي في استنباط المتطلبات

بدأ الذكاء الاصطناعي يسهم في أتمتة وتحسين عملية جمع وتحليل المتطلبات عبر أدوات متعددة، منها:

تحليل اللغة الطبيعية (NLP) :
تُستخدم لتحليل نصوص المقابلات، والاستبيانات، ورسائل البريد الإلكتروني، ومنتديات المستخدمين لاستخلاص المتطلبات الضمنية أو المتكررة.
تعلم الآلة (Machine Learning) :
يُستخدم لاكتشاف الأنماط في سلوك المستخدمين أو في بيانات الاستخدام السابقة، والتنبؤ بالمتطلبات المستقبلية بناءً على التجارب السابقة.
أنظمة الدردشة الذكية (AI Chatbots) :
تعمل كمساعدين افتراضيين لجمع المتطلبات من المستخدمين بطريقة تفاعلية، عبر طرح أسئلة ذكية وتفسير الإجابات.
تحليل المشاعر (Sentiment Analysis) :
يُستخدم لتقييم رضا المستخدمين عن النظام الحالي، مما يساعد في تحديد المجالات التي تحتاج إلى تحسين.
تحليل البيانات الضخمة (Big Data Analytics) :
يُستخدم لتحليل كميات هائلة من البيانات التشغيلية لتحديد الاحتياجات الحقيقية للمستخدمين من خلال سلوكهم الفعلي.

فوائد الذكاء الاصطناعي مقارنة بالأساليب التقليدية

استخدام الذكاء الاصطناعي	الأساليب التقليدية	الجانب
تحليل سريع وآني للبيانات الضخمة	بطيئة وتعتمد على جمع يدوي للمعلومات	السرعة
تقليل الانحياز واستخراج الأنماط الدقيقة	عرضة للأخطاء البشرية وسوء الفهم	الدقة
تخفيض الجهد البشري على المدى الطويل	تتطلب وقتاً وجهداً بشرياً كبيراً	التكلفة
تحليل متقدم قائم على البيانات والسلوك	محدودة بقدرات المحلل	العمق التحليلي
القدرة على التنبؤ بالمتطلبات المستقبلية	صعب أو غير ممكن	التنبؤ

مهارات محلل النظم في عصر الذكاء الاصطناعي

أصبح من الضروري أن يمتلك محلل النظم الحديث مهارات رقمية جديدة تتماشى مع التطور التقني، مثل:

فهم أساسيات تعلم الآلة وتحليل البيانات.
القدرة على استخدام أدوات تحليل اللغة الطبيعية لفهم احتياجات المستخدمين.
مهارة التعامل مع منصات الذكاء الاصطناعي واختيار الأداة المناسبة لكل مرحلة.
المعرفة بأساليب تقييم جودة البيانات وتنقيتها قبل التحليل.
التفكير التحليلي والنقدي لتفسير مخرجات الذكاء الاصطناعي بدقة.
الوعي بالجانب الأخلاقي والخصوصية في جمع وتحليل بيانات المستخدمين.

التحديات المرتبطة باستخدام الذكاء الاصطناعي

رغم الفوائد، إلا أن هناك تحديات يجب الانتباه إليها:

الحاجة إلى بيانات ذات جودة عالية لتدريب النماذج.
احتمال وجود تحيزات في البيانات تؤثر على دقة النتائج.
ضعف فهم المستخدمين لطريقة عمل الذكاء الاصطناعي مما قد يقلل الثقة في النتائج.
الاعتماد المفرط على الأدوات دون تحليل بشري ناقد.

الأبحاث الناشئة والأفكار المتاحة

هناك عدد كبير من الأبحاث التي تمت وقدمت كثير من الاكتشافات التي ساهمت في تطوير استنباط متطلبات المستخدمين باستخدام الذكاء الاصطناعي منها:

البحث 1

ReqBrain: Task-Specific Instruction Tuning of LLMs for AI-Assisted Requirements Generation (2025)

يقدم هذا البحث أداة تسمى ReqBrain تُستخدم فيها نماذج لغوية كبيرة (LLMs) تم تعديلها (fine-tuned) خصيصًا لتوليد متطلبات برمجية دقيقة ومتوافقة مع المواصفات مثل ISO 29148. ما يميّزه: توليد المتطلبات بطريقة محادثة (chat-based) مع تصنيفها بأنواع المتطلبات، وتجربة بشرية للتقييم، حيث أحرز النموذج أداءً جيدًا وفق مقاييس مثل BERT-score و FRUGAL score.

البحث 2

Large Language Models (LLMs) for Requirements Engineering (RE): A Systematic Literature Review (2025)

مراجعة منهجية تغطي حوالي 74 ورقة بحثية نشرت بين 2023-2024، تنظر في كيفية التطبيقات العملية للنماذج اللغوية الكبيرة في هندسة المتطلبات، خصوصًا في الاستنباط (elicitation) والتحقق (validation). أهم النتائج: أنَّ معظم الأبحاث تركّز الآن على elicitation - validation، مع استخدام أساليب مثل zero-shot أو few-shot prompting، لكن القليل منها يُطبَّق في سياقات صناعية معقدة.

البحث 3

AI-Based Multiagent Approach for Requirements Elicitation and Analysis (2024)

يقترح هذا البحث نظامًا متعدد الوكلاء (multi‐agent system) يستخدم نماذج ذكاء اصطناعي، حيث يقوم وكلاء بتوليد user stories من متطلبات أولية، تصنيفِها، وتحسينها، وأيضًا تحديد أولوياتها. أهم المساهمات: استكشاف قابلية هذا النهج لتقديم متطلبات أكثر دقة وتنظيمًا، وتحسين عملية التحليل والاستنباط بوسائل آلية.

البحث 4

Requirements Elicitation Follow-Up Question Generation (2025)

هذا البحث يدرس استخدام نموذج LLM مثل GPT-4o لتوليد أسئلة متابعة أثناء مقابلات استنباط المتطلبات، استنادًا إلى نوعيات الأخطاء التي قد يقع فيها المحاور (interviewer) كالفراغات في المعلومات أو سوء الفهم أو عدم استكمال التفاصيل. ما يقدّمه: مساعدة المحاور البشريين في التغلب على الضغوط المعرفية والموقفيات التي تحتاج فيها إلى ردود فورية على كلام أصحاب المصلحة لتوضيح المتطلبات المخبأة أو الناقصة.

البحث 5

Simulating Requirement Elicitation: Development and Evaluation of a Persona-Based Tool (2025)

ورقة عرضية (poster/tool) طُوِّر فيها أداة تستخدم نموذج لغة كبير (LLM) مثل GPT-4O-mini للتفاعل مع شخصيات مفترضة (personas) تمثيلية لأصحاب المصلحة، لمحاكاة عملية جمع المتطلبات. مثلاً يستخدمها طُلّاب علوم الحاسوب لبناء نموذج مفاهيمي (Conceptual Model) ومخططات علاقة الكيانات (ER diagrams). الفائدة: توفير بيئة تدريبية أو تعليمية يمكن من خلالها استكشاف كيفية صياغة الأسئلة، الاستجابة لمستخدمين افتراضيين، وممارسة الاستنباط دون الحاجة دائماً إلى أصحاب المصلحة الحقيقين من بداية المشروع.

الثغرات والأسئلة البحثية التي لا تزال مفتوحة

ولكن تظل هناك ثغرات وفجوات بحثية وأفكار جديدة على النحو التالي:

كيف يمكن ضمان أن المتطلبات المستنبطة آليًا لا تحتوي على تحيّزات موجودة في البيانات أو في نماذج الذكاء الاصطناعي؟
ما هي أفضل الطرق لدمج استنباط الذكاء الاصطناعي مع تحليل بشري ناقد للتأكد من أن النتائج مفهومة، واقعية، ومقبولة من أصحاب المصلحة؟
كيف يمكن التعامل مع المتطلبات غير الواضحة أو الضمنية (latent requirements) التي لا تتلاءم بسهولة مع النصوص المنفّذة؟
ما هي المقاييس المناسبة لتقييم جودة المتطلبات المُولَّدة من الذكاء الاصطناعي؟ مثل: الصّحة، الشموليّة، القابلية للتنفيذ، القابلية للقياس، وغيرها.
خصوصًا في أنظمة الذكاء الاصطناعي: كيف تُدمج القيم الأخلاقية، الأمن، الخصوصية، التفسير والشفافية والمتطلبات القانونية؟ هذه غالبًا تكون ضعيفة التغطية في الأبحاث.
كيف يمكن ضمان أن الأدوات قابلة للتكيّف مع سياقات مختلفة: قطاعات مختلفة، ثقافات لغوية مختلفة، أحجام فرق مختلفة، ومتطلبات متغيّرة؟
التحدّي العملي في تنفيذ هذه الأدوات في الصناعة: التكلفة، القبول من المستخدِمين والمحلّلين، التوافق مع المعايير التنظيمية والمؤسسية.

فرص بحثية محتملة

تطوير أطر منهجية تُدمج الذكاء الاصطناعي مع الممارسات البشرية بطريقة مختلطة (hybrid) للتأكد من الجودة والأخلاق.
إنشاء مجموعات بيانات مفتوحة ومتنوّعة لمحاكاة حالات استنباط متطلبات من محادثات وأحداث واقعية، تغطّي لغات وثقافات متعددة.
تحسين قدرات أدوات الذكاء الاصطناعي في استنباط المتطلبات غير الواضحة (latent) وفهم السياق والتفاعل مع أصحاب المصلحة بطرق أكثر واقعية.
البحث في استخدام نماذج التفاعل أو الوكلاء المتعددة (multi-agent) التي تُحاكي وجهات نظر مختلفة من أصحاب المصلحة.
التركيز على المتطلبات المتعلقة بالذكاء الاصطناعي نفسه: التفسير، الشفافية، الأمان، الخصوصية، العدالة، المسؤولية.
تقييم الأثر العملي للأدوات (تكاليف-منفعة) في مشاريع فعلية، ليس فقط في الدراسات الأكاديمية.

الخلاصة

يُعد الذكاء الاصطناعي اليوم شريكاً حقيقياً لمحلل النظم، وليس بديلاً عنه. فهو يوسع قدراته التحليلية، ويساعده على فهم المستخدمين بشكل أعمق وأدق. ومع تطور أدوات التحليل الذكية، ستتحول عملية استنباط المتطلبات من نشاط يعتمد على الحدس إلى عملية علمية دقيقة قائمة على البيانات والمعرفة الاصطناعية. ويظل المجال مفتوح لمزيد من الأبحاث والاكتشافات العلمية والأكاديمية.