計畫概述：

自動化服務組合（ASC）多年來一直是一個受到廣泛關注與探討的議題，並且在此領域中仍然有一些尚未被明確辨別出來或是還沒被詳盡調查的研究主題。

本計畫定義和鎖定調查的是一個原創的研究問題，目標是消除 ASC 研究與軟體開發實務間的一個隔閡，讓現有之 ASC方法∕研究更加實用（提升可應用性），不會因為需要人為介入（進行轉換工作）而破壞或降低其自動化的程度。

除了原本的目標問題與應用之外，預期所開發的方法和工具也能在軟體工程的不同環節中派上用場，像是軟體文件自動總覽、測試案例自動產生、需求的誘發等。

不同於大部分研究對於一個問題大多僅提出或嘗試一至二種解法，我們發想構思、規畫調查一系列原理相異且各具特性的 ML 方法與模型，從以演化之方式產生自然語言處理規則（Evolutionarily generated NLP rules）到運用當前最受矚目的大型語言模型（Pre- trained LLM，如 GPT 等）和 Fine-tuning 技巧（Transfer learning），系統性地探究此目標問題，並且開發、分析、比較這幾種 ML 解法，讓研究計畫的探究、思索範圍更加寬廣完整、結果更具說服力及參考價值。

最後，藉由這個機會（一個 ML 的實際應用實例）我們也計畫探討 ML AI的重要性質與熱門議題，像是所需之訓練資料量（Data-hungry）與模型可解釋性（Explainable AI）等。

以後者為例，目前的 AI 研究越來越注重一個模型產生結果（Inference）的過程是否可受檢驗（能否被人類理解∕解釋），而各種深度學習與大型語言模型雖然效能表現相當優異卓越，但其由大量參數（神經元權重值，規模可達數千億，如 GPT-3）所構成的類神經網路對人類使用者而言幾乎是一個黑箱。

另一方面，透過觀察訓練後 CRF 的特徵參數權重和分析演化產生之 NLP 規則，理論上應能說明或解釋模型結果（輸出）的產生過程或決策依據（理由），有助於深入了解問題（方法）的本質、結構∕組織、重要特性等。

計畫主持人：許揚 副教授

執行期間：115.08.01～116.07.31