생성형 AI를 이용한 소프트웨어 특허 문서로부터 가장 작은 기능적 요소 추출 메커니즘

Abstract

소프트웨어를 검증하기 위해서는 다양한 측면에서 많은 테스트를 수행하는 것이 중요하다. 역공학 기반 테스트는 중간 산출물들로부터 테스트 케이스를 생성 및 실행한다. 하지만 다양한 중간 산출물 중 소프트웨어 특허로부터 테스트 케이스 생성 연구는 미비하다. 특허 문서는 일반적인 요구사항 명세서와는 다른 형태를 가지기 때문에 기존 요구사항 분석 기법과는 다른 분석 방법이 필요하다. 또한 특허 문장의 해석, 구성요소 분류 등은 자동화가 어렵다. 기존 문제의 해결을 위해, 우리는 생성형 AI를 사용하여 소프트웨어 특허 문장으로부터 가장 작은 기능적 요소를 추출하는 메커니즘을 제안한다. 1) 소프트웨어 특허 문서로부터 텍스트 데이터를 추출한다. 2) 추출된 데이터를 분류하여 알고리즘이 포함된 파트를 식별한다. 3) 문장을 정규화한다. 4) 소프트웨어 기능을 설명하는 문장을 식별한다. 5) 문장을 단문화 한다. 6) 단문에서 가장 작은 기능적 요소를 식별한다. 이 방법은 특허 자연어 문장으로부터 기능적 요소를 분류 및 식별하여 테스트 케이스 생성을 위한 기반을 마련할 수 있다. 테스트 케이스가 중간 산출물로부터 자동 생성되기 때문에 테스트 비용이 감소될 수 있다.

Software verification requires extensive testing across various aspects. Reverse engineering-based testing generates and executes test cases from intermediate outputs. These artifacts include software patents. However, research on test case generation from software patents is very few. Because patent documents have a different format than typical requirements specifications, they require a different approach than traditional analysis techniques. Also processes such as patent sentence interpretation and component classification are difficult to automate. To solve this problem, we proposes a mechanism that extracts the smallest functional elements from software patent sentences using generative AI. 1) Text data is extracted from software patent documents. 2) The extracted text is classified, and text containing algorithms is identified. 3) The sentences are normalized. 4) Sentences describing software functions are identified. 5) The sentences are simplified. 6) The simplified sentences are converted into the smallest functional components. This method classifies and identifies functional elements from patent natural language sentences. Furthermore, it can generate basic model for test case generation. Testing costs can be reduced because test cases are automatically generated from intermediate outputs.