Побудова специфікації діаграми класів засобами штучного інтелекту для розпізнавання англійської мови

Abstract

У магістерській кваліфікаційній роботі досліджено і розроблено систему автоматизації побудови UML-діаграм класів із застосуванням штучного інтелекту для розпізнавання природної мови. Проведений аналіз сучасних підходів та інструментів створення діаграм класів підтвердив актуальність використання голосових технологій для автоматизації та оптимізації проектування програмного забезпечення. Розроблена система використовує модель Whisper від OpenAI, яка ефективно перетворює голосові команди англійською мовою у текстові специфікації UMLдіаграм класів. Для програмної реалізації обрано мову програмування Python із застосуванням фреймворку PyTorch, що забезпечило високу продуктивність та точність роботи. Експериментально досліджено вплив якості запису голосу, рівня фонового шуму та параметрів використовуваної моделі Whisper на точність та швидкість розпізнавання. Дослідження показали, що модель Whisper Medium забезпечує найвищу точність, однак вимагає значних обчислювальних ресурсів. Модель Whisper Small визначена оптимальною за співвідношенням швидкості та точності. Статистичний аналіз результатів експериментів підтвердив достовірність отриманих даних та їхню практичну значущість. Розроблена програмна система демонструє значний потенціал для застосування у реальних умовах проектування ПЗ, суттєво скорочуючи витрати часу і зменшуючи кількість помилок, пов'язаних із людським фактором.The master's thesis investigates and develops a system for automating the construction of UML class diagrams using artificial intelligence for natural language recognition. An analysis of modern approaches and tools for creating class diagrams confirmed the relevance of using voice technologies to automate and optimize software design processes. The developed system employs OpenAI's Whisper model, effectively transforming voice commands in English into textual specifications of UML class diagrams. Python was chosen as the programming language along with the PyTorch framework, ensuring high performance and accuracy. Experimental research examined the impact of voice recording quality, background noise levels, and parameters of the Whisper model on recognition accuracy and speed. The studies showed that the Whisper Medium model provides the highest accuracy but requires significant computational resources. The Whisper Small model was identified as optimal in terms of the balance between speed and accuracy. Statistical analysis of the experimental results confirmed the reliability and practical significance of the obtained data. The developed software system demonstrates substantial potential for real-world software design applications, significantly reducing time costs and human-related errors.