Искусственный интеллект в работе Release Train Engineer и менеджера продукта

PI-планирование – это сложный, комплексный процесс, который проходит в интенсивном ритме, поэтому есть вероятность, что некоторые зависимости могут быть упущены, риски не идентифицированы, а фичи распределены не самым оптимальным способом.

Поэтому RTE необходимо освоить использование искусственного интеллекта в рамках подготовки к PI-планированию, фасилитации и ретроспективного анализа по итогам мероприятия. Это обеспечит дальновидность для раннего выявления проблем, точность для наилучшего использования ресурсов и ясность для обеспечения слаженной совместной работы всех сотрудников.

Вы можете использовать LLM, такие как ChatGPT, Google Gemini, Microsoft Copilot и Le Chat от Mistral AI, для разработки увлекательных активностей на старте (айсбрекеров), форматов ретроспектив и вопросов. Вы даже можете попросить LLM помочь вам разработать интересные и вовлекающие темы для PI-планирования.

Большинство платформ для видеоконференций, таких как Zoom, Google Meet и Webex, теперь предоставляют возможности искусственного интеллекта для создания субтитров и стенограмм, составления кратких отчетов о собраниях и даже определения действий для дальнейшего выполнения. Дополнительные инструменты, такие как Fireflies и Otter, предоставляют аналогичные возможности и могут использоваться для разных платформ видеоконференций или для личных встреч. Использование таких инструментов для всех собраний по подготовке PI-планирования поможет создать более релевантные заметки в необходимом формате.

Вы можете использовать такие опции, как Sembly AI и Avoma, чтобы определить и выделить действия для дальнейшего выполнения и интеграции их с инструментами планирования. Во время подготовки к PI-планированию эти инструменты помогают с минимальными усилиями сделать видимыми для всех действия для дальнейшего выполнения или задачи, тем самым предоставляя всем единый базис для достижения общего понимания.

Конечно, вы можете использовать подобные ИИ-инструменты на всех своих совещаниях и рекомендовать их использование своим Agile-командам.

Простой способ улучшить свои PI-цели и убедиться, что они соответствуют критериям SMART – проанализировать их с помощью LLM. Как RTE, вы можете помочь своим командам и Скрам-мастерам/командным коучам (Scrum Master/Team Coach, SM/TC) улучшить их PI-цели. Для этого предоставьте LLM стратегические темы и OKR вашего ART и попросите его проанализировать PI-цели на основе этой информации. Помогите командам продвинуться дальше, попросив LLM выявить пробелы или несоответствия.

Инструменты управления жизненным циклом приложений (Application Lifecycle Management, ALM) с поддержкой искусственного интеллекта, такие как Microsoft Azure DevOps, Jira с Atlassian Intelligence и IBM Engineering Lifecycle Management, могут предоставить расширенные возможности аналитики и прогнозирования для выявления рисков. Искусственный интеллект анализирует исторические данные, доступные если ваш ART использует ALM регулярно, и выявляет закономерности, которые могут привести к задержкам в работе ART. Вы сможете работать с Agile-командами над снижением рисков на ранней стадии, так как ALM уведомит вас до того, как проблема разрастется. Также эти инструменты с поддержкой ИИ создают отчеты и дашборды, которые обеспечивают простую в понимании визуализацию данных. Дашборды с поддержкой искусственного интеллекта помогают отслеживать метрики потока. В результаты вы сможете быстро находить препятствия и определять области для применения ускорителей потока.

Еще один вариант использования инструменты ALM с поддержкой ИИ в работе RTE — это мониторинг межкомандных зависимостей. Вместо ручного просмотра и анализа зависимостей используйте ИИ для проверки и анализа историй или фич, зависящих от разных команд. Обладая исторической информацией и прогнозируя тренды, ИИ может даже выявить зависимости, которые не были обнаружены Agile-командами. Используя самую свежую информацию о прогрессе команд, ИИ может предсказать, когда выполнение зависимой истории или фичи, скорее всего, будет задерживаться. Он может анализировать зависимости и сигнализировать если задержка в работе одной команды повлияет на другие команды или даже на PI-цель.

ИИ также может помочь сделать мероприятие по Инспекции и адаптации (Inspect & Adapt, I&A) более эффективным. Для второй части анализа — качественных и количественных показателей, вы можете использовать инструменты ALM с поддержкой ИИ, чтобы автоматически собрать данные и визуализировать метрики потока, такие как скорость потока, время потока и эффективность потока, выявляя узкие места и препятствия. Скорость и точность ИИ при анализе сложных количественных закономерностей позволяют быстро определить, какие меры по ускорению потока по SAFe (например, сокращение длины очереди или увеличение времени пребывания «в потоке») будут наиболее подходящими. Эти рекомендации, основанные на данных, могут привлечь внимание к наиболее эффективным способам улучшения. В третьей части I&A — воркшопе по решению проблем, LLM может обработать качественные отзывы, полученные на ретроспективе. Чтобы получить более полное представление о проблемах ART, используйте LLM для определения настроений, повторяющихся тем и невысказанных опасений. С помощью этих всесторонних данных LLM может генерировать конкретные, основанные на данных предложения по улучшению, которые могут помочь ART экспериментировать со способами оптимизации поставки ценности.