머신러닝 시스템 (MLS)을 설계, 개발 및 배포하는 조직은 이러한 시스템이 신뢰할 수 있는지 확인하고, 다양한 범주의 사용자, 엔지니어 또는 더 넓은 사회와 같은 이해관계자(Stakeholders)에게 이를 명확하게 전달할 수 있어야 합니다. 이해관계자에 초점을 맞춤으로써, 요구사항 공학 (Requirements Engineering)은 이해관계자의 요구사항과 일치하는 MLS의 설계 및 엔지니어링을 추진하기에 유리한 위치에 있습니다. 그러나 우리는 이해관계자의 요구사항과 MLS 개발을 위한 제약 조건 모두에 의해 주도되는, MLS 요구사항을 모델링하고 추론하기 위한 체계적인 프로세스가 여전히 필요합니다. 본 논문은 요구사항 공학 접근 방식을 채택하여 이해관계자의 요구사항과 일치하는 MLS 개발을 돕기 위해 REAL (Requirements Engineering for mAchines that Learn - and Fail)이라는 명칭의 프레임워크를 제안합니다. 이 모델 기반 프레임워크는 세 가지 원칙을 바탕으로 합니다. 첫째, 데이터, 모델, 그리고 시스템 전체에 대한 요구사항을 하나로 엮는 것입니다. 둘째, 실패 (Failure)를 활용하여 대안적인 요구사항 탐색을 유도하는 것입니다. 셋째, MLS 요구사항의 반복적이고 추적 가능한 정교화 (Refinement)입니다. 우리는 자율 주행 (Autonomous driving)의 사례를 사용하여 제안된 프레임워크를 입증하며, REAL이 이해관계자의 요구사항과 더 잘 일치하는 MLS 개발을 지원함을 보여줍니다. 복제 패키지 (Replication package)는 온라인에서 이용 가능합니다.