12.17

自然语言处理在需求中的应用：学习了NLP技术如何辅助需求工程：自动从访谈录音或文档中提取关键术语和关系、检测需求描述中的歧义和模糊词汇、将自然语言需求自动分类（功能/非功能）或聚类相似需求。

需求推荐与相似性分析：了解了基于历史需求库和知识图谱，为新项目智能推荐相关需求、用例模式或设计组件的可能性。这可以极大提升复用率和分析效率。

AI系统自身的需求工程挑战：探讨了为机器学习系统、自主系统定义需求的特殊性：需求可能基于概率（如“准确率应达到95%”）、涉及伦理选择（如自动驾驶的“电车难题”决策规则）、且系统行为会随数据演化。这要求新的需求表述和验证方法。

反思与问题：

AI是强大的辅助工具，但不能取代需求工程师的核心作用——业务理解、批判性思维和创造性问题解决。人机协同是未来方向。

问题：如何为一个人工智能的“推荐算法”编写可验证、可测试的需求？传统的输入-输出式用例是否依然适用？

实践/下一步计划：
思考一个场景：使用NLP工具分析1000条用户关于某产品的反馈评论，自动归纳出Top 5的功能改进需求。描述你期望这个工具的工作流程，以及作为分析师你还需要做哪些后续工作。