AI 기반 복합 시스템을 위한 요구공학 도전과 RE4AI 체계

초록

본 논문은 인공지능(AI)·머신러닝(ML) 기반 복합 시스템 개발 시 요구공학(RE)에서 발생하는 핵심 문제들을 식별하고, 기존 소프트웨어·AI 연구를 종합해 에이전트 기반 소프트웨어 공학과 목표 지향 RE 기법을 적용할 가능성을 탐색한다. 이를 바탕으로 RE4AI라는 새로운 분류 체계를 제시하여 데이터·모델·시스템 단계별 요구활동을 구조화하고, 실무 적용 시점과 방법을 제안한다.

상세 분석

논문은 AI·ML 시스템이 전통적인 소프트웨어와 달리 데이터 의존성, 모델 불투명성, 지속적인 학습·배포 사이클 등 복합적인 특성을 가진다는 점을 강조한다. 이러한 특성은 요구공학의 전통적인 흐름—요구 도출, 분석, 명세, 검증—에 여러 차원의 불확실성을 도입한다. 첫째, 데이터 확보와 라벨링 비용, 불균형·편향 데이터셋, 데이터 흐름의 지속적 변동은 요구 사양이 데이터 레이어와 밀접하게 연결돼야 함을 의미한다. 둘째, ML 모델은 ‘블랙박스’ 특성으로 인해 요구 충족 여부를 정량화하기 어려우며, 모델 버전 관리와 성능 변동이 요구 추적성을 저해한다. 셋째, 시스템 수준에서는 모델이 다른 서브시스템에 소비자 역할을 하면서 발생하는 ‘undeclared consumer’ 문제와, 모델 업데이트가 전체 시스템 동작에 미치는 파급 효과를 사전에 예측하기 힘들다.

이에 대한 해결책으로 논문은 에이전트 기반 소프트웨어 엔지니어링(ABSE)과 목표 지향 RE(GORE)를 융합한 접근을 제안한다. ABSE는 각 서브시스템을 ‘에이전트’로 모델링해 독립적 의사결정과 상호작용을 명시화함으로써 복합 의존성을 구조화한다. GORE는 시스템 목표를 계층화하고, 목표와 요구를 매핑해 요구 변화 시 영향 분석을 자동화한다. 이러한 두 기법을 RE4AI 분류 체계에 통합해 데이터·모델·시스템 3계층으로 구분하고, 각 계층별 역할(데이터 과학자, 데이터 엔지니어, 비즈니스 분석가 등)과 필요 활동(데이터 라벨링, 파이프라인 자동화, 모델 검증, 목표 추적)을 명시한다.

또한, 논문은 기존 SPLC(Software Product Line Engineering)와 MDR(E) 모델을 AI 개발에 적용하는 사례를 검토한다. 대규모 조직에서 AI 프로젝트를 기존 애자일 프로세스와 결합할 때 나타나는 ‘엔드‑투‑엔드 파이프라인 지원 부족’, ‘모델 디버깅·해석 어려움’, ‘규제·윤리 요구사항 불명확’ 등의 구체적 문제들을 제시하고, RE4AI가 제공하는 단계별 체크리스트와 목표 기반 검증 메커니즘이 이러한 문제를 완화할 수 있음을 논증한다.

결과적으로, 논문은 요구공학이 AI 기반 복합 시스템에 적용될 때 데이터·모델·시스템 전반에 걸친 다층적 관점과 목표‑중심 설계가 필수이며, RE4AI가 이를 체계화하는 실용적 프레임워크임을 강조한다.