https://www.mdu.se/

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.