KI@HOOD-Requirements Analyst: Jetzt kann auch DOORS Requirements mit Hilfe von KI reviewen

Viele neue Requirements Management Tools bieten bereits KI-Unterstützung. Die Benutzer greifen gerne auf diese Funktionalität zurück. Oft bleibt dabei allerdings das ungute Gefühl, private Daten in die Cloud zu schicken. Wir haben eine Lösung für dieses Problem gefunden.

Die rasante Entwicklung auf dem KI-Sektor ermöglicht es seit kurzer Zeit, KI auch lokal auf Rechnern zu betreiben, wenn auch mit Einschränkungen hinsichtlich der Leistungsfähigkeit und der Geschwindigkeit. Deshalb haben wir uns die Frage gestellt, ob wir nicht auch KI mit alten Tools wie DOORS koppeln können.

Unser Lösungsansatz besteht darin, über einen DOORS Benutzerdialog Requirements einzugeben, diese an ein lokales Sprachmodell zum Review zu übertragen und die Antwort des Sprachmodells wieder im DOORS Benutzerdialog auszugeben.

Hierzu wird das lokale Sprachmodell über das frei verfügbare LM Studio (LM Studio – Discover, download, and run local LLMs) für DOORS bereitgestellt. LM Studio ist eine Plattform, die es Nutzern ermöglicht, Large Language Modelle lokal auf ihren Geräten zu betreiben, was insbesondere für Datenschutz und Internetbeschränkungen nützlich ist. Die Plattform bietet benutzerfreundliche Funktionen wie lokale Inferenzserver, automatische Prompt-Formatierung und unterstützt verschiedene Modelle, was die Anwendung von KI-Modellen vereinfacht.

Für unsere Demonstration haben wir in LM Studio ein Mistral 7B 4bit Quantized Instruction Model geladen (siehe Screenshot) und über die Inferenzserverfunktionalität für DOORS bereitgestellt. Über eine REST API kann DOORS so mit dem Modell kommunizieren.

In DOORS DXL haben wir den Benutzerdialog und die Ausgabe wie abgebildet umgesetzt. Die Ausgabe erfolgt strukturiert im JSON-Format, was eine weitere Verarbeitung ermöglicht. Mit dem hier nicht dargestellten System Prompt haben wir für das Modell die Aufgabe des Requirements Engineers formuliert und die erwartete Form der Ausgabe beschrieben.

Das Bild oben zeigt, wie das Modell auf ein schlecht formuliertes Requirement reagiert und welche Verbesserungsvorschläge es unterbreitet.

Auf dem Bild unten sieht man die Reaktion des Modells auf ein gutes Requirement.

Dieses Beispiel zeigt, dass die Integration von KI in DOORS möglich ist, ohne dass Daten den geschützten Bereich verlassen. Falls Sie mehr darüber wissen wollen, kontaktieren Sie uns gerne.