Ontwikkeling en evaluatie van een raamwerk voor vereisten in Machine Learning projecten: een literatuurstudie en methodologische verkenning

Abstract

In klassieke softwareontwikkeling wordt logica geschreven door de ontwikke- laar. Bij de ontwikkeling van Machine Learning (ML) projecten ligt dat anders. De logica wordt in dat geval geleerd of zelfs gecreëerd door de computer. Traditionele methoden voor het capteren en documenteren van vereisten zijn afgestemd op die eerste manier van software- ontwikkeling. Huidig onderzoek wijst uit dat er een gebrek is aan gevestigde methodologieën voor het capteren en documenteren van vereisten binnen ML-projecten. Omgaan met vereis- ten is echter een cruciale stap in het softwareontwikkelingsproces. Om zo’n methodologie op te stellen is het van belang dat er in kaart gebracht wordt welke vereisten relevant zijn in ML-projecten. Aan de hand van een kritische literatuurstudie en validatie door middel van interviews, tracht dit onderzoek een overzicht te bieden van die relevante vereisten om een succesvol ML-systeem te ontwikkelen. Daarenboven worden huidige methodologieën voor het capteren en documenteren van vereisten zowel in de academische literatuur als de industrie verkend. Er werd een raamwerk opgesteld van 32 ML-relevante vereisten, dewelke zijn gevalideerd door middel van interviews met domeinexperten. Uit de interviews kwam naar voren dat er geen frequent toegepaste methoden zijn voor het capteren en documenteren van vereisten in ML-projecten. Dit onderzoek kan de basis vormen voor een methodologie waarbij er rekening gehouden wordt met de belangrijkste ML-vereisten.