Requirements engineering current practice and capability in small and medium software development enterprises in New Zealand
本文介绍了在新西兰的软件开发公司内实施的需求工程方面的当前行业实践的研究。设计并部署了测量仪器。对结果进行了分析,并与国际上认为的“最佳做法”以及新西兰和澳大利亚以前的研究进行了比较。试图评估需求工程能力的新西兰公司使用正式和非正式的框架。
2014-07-23 cs.SE
Spreadsheet Engineering: A Research Framework
本文提出电子表格工程研究框架,借鉴软件工程经验并总结八项原则,以应对电子表格在建模、用户差异及最佳实践部署等方面的独特挑战。
2007-11-04 cs.SE
Privacy Engineering Meets Software Engineering. On the Challenges of Engineering Privacy ByDesign
当今的软件开发在很大程度上依赖于使用服务架构和敏捷的迭代开发方法来设计、实现和部署系统。这些实践导致系统由多个服务组成,这些服务引入了新的数据流,并使设计脱离了单个设计人员的控制。学术隐私工程文献通常抽象出软件生产的这些条件,以实现可推广的结果。然而,通过对文献的系统研究,我们表明,提出的解决方案不可避免地会对软件架构、开发方法和设计师控制范围做出与当前实践不一致的假设。这些错位可能会对隐私工程解决方案的实际操作构成障碍。具体来说,我们确定的方法,研究人员采取的设计和评估隐私增强技术的涟漪隐私工程方法的建议的重要限制。根据我们的分析,我们描绘的研究和行动需要重新调整的研究与实践,变化,学术隐私的结果在共同的软件工程实践的操作化的先决条件。
2020-07-16 cs.SE
Automated Quantum Software and AI Engineering
University of Colorado Colorado Springs(科罗拉多大学科罗拉多斯普林斯分校)
本文系统回顾了量子软件工程和量子人工智能中半自动化方法的发展,探讨了自动化在提升量子和混合量子-经典应用效率中的作用及未来方向。
2026-04-21 cs.SE
Towards practicable Machine Learning development using AI Engineering Blueprints
Ansbach UAS(安斯巴赫应用技术大学);Aschaffenburg UAS(阿沙芬堡应用技术大学)
本文提出了一种针对中小企业的AI工程蓝图,旨在帮助其开发定制的机器学习模型,通过参考架构和自动化方法提升AI系统的开发、部署和操作效率。
2025-04-08 cs.SE
Meta-Engineering Harnesses for AI-Native Software Production: A Contract-Driven Adversarial Verification Architecture with Early Deployment Report
HireNimbus
提出一种元工程框架,通过合约驱动、角色专业化AI代理和对抗性验证,实现AI原生软件的持续生产、验证与改进,并在小型服务公司的CTO即服务场景中部署17项功能,验证了其可靠性。
2026-05-25 cs.AI cs.SE
Modern Software Engineering in the LAMMPS Molecular Dynamics Software Package: Development Process, Refactoring, Testing, and Deployment
Institute for Computational Molecular Science, Temple University(天普大学计算分子科学研究所)
本文回顾了LAMMPS软件包近年来的开发流程改进,包括源代码管理、自动化测试、代码重构、现代C++采用等,这些改进提升了代码质量并促进了软件的持续流行。
2026-06-23 cs.SE physics.comp-ph
Software Performance Engineering for Foundation Model-Powered Software
Centre for Software Excellence at Huawei(华为卓越软件中心);Western University(西方大学);Queen's University(皇后大学)
本文提出面向基础模型驱动软件的性能工程重要性,探讨了认知架构设计、通信协议、调优与部署等四个关键挑战。
2026-02-07 cs.AI cs.SE
Engineering AI Systems: A Research Agenda
Chalmers University of Technology(查尔姆斯理工大学);Malmö University(马尔默大学)
人工智能(AI)和机器学习(ML)在工业中的应用越来越广泛,然而,基于十几个案例研究,我们了解到,在系统中部署行业实力,生产质量ML模型被证明是具有挑战性的。公司面临着与数据质量、设计方法和流程、模型性能以及部署和合规性相关的挑战。我们了解到,需要一种新的结构化工程方法来构建和发展包含ML/DL组件的系统。在本文中,我们提供了一个概念化的典型演变模式,公司在采用ML时的经验,以及我们所研究的公司所经历的关键问题的概述。本文的主要贡献是AI工程的研究议程,概述了围绕ML解决方案的关键工程挑战,并概述了需要由整个研究社区解决的开放项目。
2020-06-03 cs.AI cs.LG cs.SE
Reality Is the Final Verifier: On Two Key Gaps in Agentic Software Engineering
UC Berkeley(加州大学伯克利分校)
本文提出两差距框架,指出需求与模型差距是智能体软件工程失败主因,并引入保证-修订循环,以现实部署为最终验证,持续缩小差距。
2026-09-14 cs.AI cs.SE
Software Engineering for AI-driven Building Operation
University of Innsbruck(因斯布鲁克大学);Bartenbach - The Lighting Innovators(巴滕巴赫照明创新公司);University of Applied Sciences Burgenland(布尔根兰应用科学大学)
该研究针对AI驱动建筑运行部署面临的软件工程挑战,结合跨学科项目识别缺失视角,分享经验与最佳实践,为故障有物理后果的系统的SE4AI奠定基础。
2026-08-18 cs.AI cs.SE
A Model-driven Approach for Continuous Performance Engineering in Microservice-based Systems
针对微服务系统快速演进部署易影响性能且缺乏系统化性能管理方法的问题,提出利用监测数据与架构模型的可追溯关系推导性能重构建议的模型驱动方法,并在两个领域系统上验证有效。
2023-02-20 cs.PF cs.SE
Beyond Models: Reflections on Engineering AI-enabled Systems in a Project-Based Course
Department of Mathematics and Computer Science, University of Bremen(不莱梅大学数学与计算机科学系);School of Computing Technologies, RMIT University(皇家墨尔本理工学院计算技术学院)
本文反思了一门研究生项目式课程的设计与实施,该课程通过开发电影推荐系统,培养学生对AI使能系统的架构设计、部署和监控能力,并基于混合方法研究揭示了学生在早期架构决策、ML集成、需求演进和数据管理方面的持续困难。
2026-06-16 cs.AI cs.SE
Software Engineering Approaches for TinyML based IoT Embedded Vision: A Systematic Literature Review
Boise State University(博伊西州立大学)
物联网(IoT)通过无处不在的传感、通信、计算和驱动,使人类能够控制我们的环境。在过去的几年里,物联网与机器学习(ML)联手,在远端嵌入深度智能。TinyML(Tiny机器学习)支持在极其精简的边缘硬件上部署用于嵌入式视觉的ML模型,将物联网和ML的力量结合在一起。然而,TinyML驱动的嵌入式视觉应用仍处于初期阶段,它们刚刚开始扩展到广泛的现实世界物联网部署。为了利用物联网和机器学习的真正潜力,有必要为产品开发人员提供强大的,易于使用的软件工程(SE)框架和最佳实践,这些框架和最佳实践是针对TinyML工程所面临的独特挑战而定制的。通过这一系统的文献综述,我们汇总了TinyML开发人员报告的关键挑战,并确定了大规模计算机视觉、机器学习和嵌入式系统中最先进的SE方法,这些方法可以帮助解决基于TinyML的物联网嵌入式视觉中的关键挑战。总之,我们的研究利用了嵌入式系统开发人员和ML开发人员独立开发的SE专业知识之间的协同作用,以帮助解决基于TinyML的物联网嵌入式视觉工程中的独特挑战。
2022-04-19 cs.CV cs.LG cs.SE
Technology Readiness Levels for AI & ML
Augustus Intelligence(奥古斯都智能)
机器学习系统的开发和部署可以通过现代工具轻松执行,但这个过程通常很匆忙,而且是为了达到目的。缺乏尽职调查可能会导致技术债务、范围蔓延和目标不一致、模型误用和失败,以及代价高昂的后果。另一方面,工程系统遵循明确定义的流程和测试标准,以简化开发,获得高质量,可靠的结果。极端的情况是航天器系统,其中任务关键措施和鲁棒性在开发过程中根深蒂固。借鉴航天器工程和AI/ML(从研究到产品)的经验,我们提出了一种经过验证的机器学习开发和部署的系统工程方法。我们的机器学习技术准备水平(TRL 4 ML)框架定义了一个原则性的过程,以确保强大的系统,同时简化机器学习研究和产品,包括与传统软件工程的关键区别。此外,TRL 4 ML还为整个组织的人员定义了一种共同语言,以便在ML技术上进行协作。
2020-12-16 cs.AI cs.LG cs.SE
Investigating Detection and Obfuscation of Prompt Injection Attacks Against Software Reverse Engineering AI Agents
Dept. of Computer Science(计算机科学系);Naval Postgraduate School(海军学院)
本研究针对软件逆向工程AI代理面临的提示注入攻击,提出了检测反编译器输出中提示注入字符串的防御策略,并探索了攻击混淆及相应防御方法。
2026-05-29 cs.AI cs.CR cs.SE