https://www.mdu.se/

We live in a world that depends on software. From the moment we log in to a banking system or when we take the bus to work, we are surrounded by software-intensive systems. These systems are often not built from scratch, but as further iterations of existing systems, adapted for different customers and market segments.

The development of such complex software and variant-intensive systems is centered around customer needs that are usually described in long documents, full of detail, and written in natural language. Companies must read through, interpret, and extract the relevant requirements, decide which teams should develop and test them, and simultaneously identify what can be reused from earlier projects. This process is often manual, carries a risk of mistakes, and demands great experience and precision.

This thesis explores how Artificial Intelligence (AI), and in particular natural language processing (NLP), can help make the process both faster and more reliable. The work is based on six scientific articles, which make four contributions, as follows. First, we study how requirements management and reuse are handled today to identify opportunities for enhancement. Next, we focus on automating the identification and allocation of requirements, so that correct requirements are identified and directed to the right teams from the start. We also develop methods for discovering which parts of previous projects can be reused, to avoid redundant development efforts. Finally, we create a pedagogical resource that enables teachers, students, and professionals to apply the technical solutions in practice.

Through these contributions, the thesis demonstrates how AI can become a powerful support in processing requirements and supporting reuse in complex software development.

Vi lever i en värld som är beroende av programvara. Från det att vi loggar in på banken eller att vi tar bussen till jobbet är vi omgivna av programvaruintensiva system. Ofta byggs dessa system inte från grunden, utan som vidareutvecklingar av redan befintliga lösningar, anpassade för olika kunder och marknader.

Kundernas behov beskrivs vanligen i långa dokument, fulla av detaljer och skrivna på vanligt språk. Företagen måste läsa igenom, tolka och plocka ut de relevanta kraven, bestämma vilka team som ska utveckla och testa dem, och samtidigt se vad som kan återanvändas från tidigare projekt. Det sparar tid och pengar, men är också ett pussel som kräver stor erfarenhet och noggrannhet. I praktiken tar det ofta lång tid, innebär risk för misstag och är beroende av ett fåtal experter.

Den här avhandlingen undersöker hur artificiell intelligens (AI), och i synnerhet naturlig språkbehandling (NLP), kan hjälpa till att göra processen både snabbare och mer tillförlitlig.

Arbetet bygger på sex vetenskapliga artiklar och bidrar inom fyra områden: Först kartlägger vi hur arbetet med kravhantering och återanvändning går till idag, och var det finns störst potential till förbättring. Därefter fokuserar vi på att automatisera själva identifieringen och fördelningen av krav, så att de hamnar hos rätt team från början. Vi utvecklar också metoder för att upptäcka vilka delar av tidigare projekt som kan återanvändas, för att undvika att uppfinna hjulet på nytt. Slutligen skapar vi en pedagogisk resurs som gör det möjligt för lärare, studenter och yrkesverksamma att använda de tekniska lösningarna i praktiken.

Med hjälp av dessa insatser visar avhandlingen hur AI kan bli ett kraftfullt stöd i arbetet med att förstå, organisera och återanvända den kunskap som ryms i komplex programvaruutveckling.

Engineering large-scale industrial systems requires an efficient Requirements Engineering (RE) process to manage the complexity resulting from continuous technological advancements. In manufacturing domains such as railways, the complexity of software-intensive systems is growing due to evolving standards, infrastructure specifications, and increasing customer expectations. Typically, the RE process begins with analyzing extensive tender documents from external customers to assess project feasibility. This analysis is critical, as the tender documents define the scope and the standards to which the system-to-be must comply. Once validated and agreed upon, the requirements are distributed among various subsystem teams for development and testing. During implementation, the evolving requirements are cross-referenced with existing technical documents to ensure consistency across project artifacts and prevent integration issues within subsystems. However, the reliance on manual efforts in performing these RE tasks makes the process labor-intensive and time-consuming, often leading to project scope creep in industrial settings.

This thesis empirically investigates Artificial Intelligence (AI), particularly Large Language Models (LLMs)-based solutions, to augment the RE process for realizing complex industrial systems. The proposed solutions aim to provide decision support to reduce the manual efforts typically required for (i) identifying requirements from other supporting information in tender documents, (ii) detecting ambiguous requirements and explaining them, (iii) allocating validated requirements to appropriate subsystem teams for development and (iv) addressing requirement-related queries during the development and release phases of the project. Consequently, this research contributes to enhancing requirements management in complex industrial systems by enabling more efficient and informed decision-making.

Att konstruera storskaliga industriella system kräver en effektiv Requirements Engineering (RE)-process för att hantera den komplexitet som följer av kontinuerliga tekniska framsteg. Inom tillverkningsdomäner som järnväg ökar komplexiteten i mjukvaruintensiva system på grund av standarder som förändras, infrastrukturspecifikationer och ökade kundförväntningar. RE-processen inleds vanligen med att omfattande anbudsunderlag från externa beställare analyseras för att bedöma projektets genomförbarhet. Denna analys är avgörande eftersom anbudsunderlaget fastställer omfattningen och de standarder som det framtida systemet måste uppfylla. När kraven har validerats och godkänts fördelas de till olika delsystemteam för utveckling och test. Under implementeringen korsrefereras de föränderliga kraven med befintlig teknisk dokumentation för att säkerställa konsekvens emellan artefakter och förhindra integrationsproblem mellan delsystem. Det manuella arbete som krävs för dessa RE-uppgifter gör dock processen arbets- och tidskrävande, vilket ofta leder till 'scope creep' i industriella projekt.

Denna avhandling undersöker empiriskt AI-, särskilt LLMs-baserade, lösningar för att stärka RE-processen vid realisering av komplexa industriella system. De föreslagna lösningarna syftar till att ge beslutsstöd för att minska det manuella arbete som normalt krävs för (i) att identifiera krav bland övrig information i anbudsunderlag, (ii) att upptäcka tvetydiga krav och förklara dem, (iii) att fördela validerade krav till lämpliga delsystemteam för utveckling och (iv) att besvara kravsrelaterade frågor under projektets utvecklings- och releasefaser. Därmed bidrar forskningen till förbättrad kravhantering i komplexa industriella system genom att möjliggöra effektivare och mer välgrundade beslut.