ソフトウェア開発に AI とアジャイル管理を導入するための 9 つのヒント

[51CTO.com クイック翻訳] ご存知のとおり、人工知能 (AI) は 1956 年の誕生以来、多くの企業のビジネス上の意思決定やリソースの配置方法を完全に変えてきました。

過去数十年にわたり、自動車工場のロボットや通貨や在庫の変化を予測できるインテリジェントな取引システムなど、人工知能はさまざまな分野のビジネスの繁栄を可能にすることでその価値を証明しただけでなく、私たちの日常の仕事や生活に統合され、影響を与えてきました。

この記事では、アジャイル管理を通じて AI がソフトウェア開発をどのように加速できるかについて説明します。

ソフトウェア開発におけるAIの応用

AIはすでにほとんどの企業のビジネスモデルを変えています。したがって、ソフトウェア開発会社も例外ではありません。多くの研究開発チームは、ソフトウェア開発ライフサイクルを高速化し、短縮するために機械学習 (ML) を使用しています。同時に、AI を採用することで、開発者がさまざまなソフトウェア製品を構築する方法も再定義しています。

[[258291]]

ソフトウェア開発の場合、通常、プロジェクト チームはシステムを構築する前に、システムが実装するさまざまな機能を指定する必要があります。詳しくは後ほど紹介させていただきます。

したがって、一部の過度に複雑な判断手順については、常に厳格な方法を使用し、ソフトウェアに単純な正誤の判断をさせることはできません。たとえば、開発者は一連のアルゴリズム全体をトレーニングして、写真に消火栓が含まれているかどうかを認識する方法をソフトウェア システムに教えます。

したがって、消火栓が写っている写真を判断する上記の例では、天候、距離、角度、鮮明度の違いなど、さまざまな要素の組み合わせを考慮する必要があります。ソフトウェア プログラムに単純に列挙するだけですべての順列と組み合わせを決定させるのは明らかに非効率的であり不可能であることがわかります。次に、アジャイル開発プロセスに効率的な AI を実装する方法を見てみましょう。

アジャイル開発に機械学習を導入する 9 つの実用的な方法

私たちは、従来型の使い慣れたソフトウェア開発手法に慣れていますが、それでも、機械学習を大胆に使用して、手元のソフトウェア開発プロセスをスピードアップしてみるべきです。

実際に、さまざまなソフトウェアインターフェースやデータ管理などの主要なアプリケーションコンポーネントについては、既存の従来のソフトウェアを完全に使用でき、機械学習技術をSDLC（ソフトウェア開発ライフサイクル）に導入するだけでよいことがわかりました。具体的な手順は次のとおりです。

1. コード アシスタント: 通常、開発者のほとんどの時間はコードのデバッグとドキュメントの読み取りに費やされます。 ML ベースのインテリジェント コード アシスタントを使用すると、開発者は既存のコード ベースに基づいてさまざまなフィードバックや提案を迅速に取得できるため、探索にかかる時間を大幅に節約できます。この分野のツールには、Java 用の Codota や Python 用の Kite などがあります。

2. 自動コードリファクタリング: 開発経験のある読者は、きちんとしたプログラムコードを持つことが、ソフトウェアの運用と保守、特に後々のチームコラボレーションと変更の難易度を軽減するために非常に重要であることを知っています。しかし、客観的な事実は、ビジネスがいつ拡大しても、コードの再構築は避けられない、苦痛を伴うプロセスであるということです。しかし、ML をうまく導入できれば、あらゆる種類の既存コードを簡単に分析し、コード内の潜在的なリファクタリング領域を特定することでパフォーマンスを最適化できるようになります。

3. 戦略的な決定を下す: 開発者の時間を多く消費するもう 1 つの側面は、製品の実装中にサービスと機能の優先順位について議論することです。過去の開発プロジェクトのデータを AI モデルのトレーニングに適用することで、現在のアプリケーションの実行を評価し、ビジネスリーダーとエンジニアリングチーム全体がリスクを最小限に抑えてより良い結果を生み出す方法を特定できるように支援します。

4. 正確な見積もりを提供する: ソフトウェア開発業界全体が予算とスケジュールを超過することで知られていることは誰もが知っています。したがって、適切な見積もりを行うには、開発チームがプロジェクトエンジニアリング全体のあらゆる側面を深く理解している必要があります。同様に、さまざまなユーザー ストーリー、コスト見積もり、機能定義などの過去のプロジェクトのデータを使用して、さまざまな ML モデルをトレーニングできます。私の経験では、これらの要素はプロジェクトの作業量とコストを予測するのに非常に役立つことがわかりました。

5. エラー分析と処理: ML ベースのコード アシスタントは、履歴データ内のさまざまな潜在的なパターンと一般的なエラーを識別できます。したがって、プログラマーが開発プロセス中に特定の種類のエラーを頻繁に起こす場合、コード アシスタントはそれをマークします。同時に、ソフトウェアを導入した後、ML を使用してさまざまなログを分析し、修正可能なエラーを特定することもできます。現在、ソフトウェア開発者はコード内のエラーを積極的に解決するために依然として ML に頼る必要がありますが、近い将来、ML はさらにインテリジェントになり、人間の介入なしにソフトウェア内の潜在的なエラーを自動的に修正できるようになります。

6. ラピッドプロトタイピング: 過去には、ビジネス要件を技術的な実装に変換するのに数か月、場合によっては数年かかることもよくありました。今日では、開発者に広範な知識とスキルは求められなくなりました。ML は開発サイクルを短縮し、さまざまなモデルと経験を使用して迅速なプロトタイピングを実現します。

7. プロジェクト計画に AI を使用する: 人間の脳の魔法は、同じプロジェクトに対して 2 人のプロジェクト マネージャーがまったく同じ見解や意見を持つことはないということです。人間の知能をシミュレートする ML では、さまざまな状況に対して人間の脳と同様の因果関係のイベントシーケンスを作成することが十分に可能です。

8. リスク評価: ソフトウェア開発において、特定のリスクの評価と意思決定は複雑なプロセスであり、予算、計画、リソースなどによって制約されることがよくあります。プロジェクトが進むにつれて、さまざまな外部環境や他のプロジェクト間の相互依存性により、進捗の方向が変わったり、新たなリスクが生じたりすることがよくあります。同時に、私たち人間は過去の情報を記憶し再現する能力に限界があります。 ML を使用すると、パラメータ化された情報をオンデマンドで取得できます。過去のプロジェクトの開始時と終了時の異なるステータスデータを使用して AI モデルをトレーニングし、現在の開発プロジェクトの実際のスケジュールとリスク特性を把握できます。

9. プロジェクト リソース管理: 実装経験が豊富な人なら、ソフトウェア製品の納品品質は、適切な人がプロジェクトに関与しているかどうかに左右されると言うかもしれません。 AI は過去のプロジェクトの履歴データを深く掘り下げることで、他のプロジェクトに関与している開発者に関するリアルタイムの情報を提供できます。これにより、どの開発者がデプロイメントの準備ができているかを簡単に確認できます。さらに、ML は、プロジェクトのどの領域で開発者の数を増やすか減らす必要があるかを予測するのに役立ちます。

同時に、AI は現在のプロジェクトの特性に基づいて、スタートアップ段階でターゲットを絞ったトレーニング資料を開発者に提供することで、開発者のスキルと知識を向上させ、さまざまな役割がプロジェクトの技術要件を迅速に満たし、プロジェクトの配信を加速できるようにします。

一方、AI はプロジェクト チーム メンバーに作業負荷を分散し、メンバーがそれぞれの職務を遂行し、仕事に完全に専念できるようにすることもできます。 AI が反復的なタスクを自動化することで、プロジェクトの重要な意思決定の問題を検討する時間が増えます。

そこで疑問になるのが、人工知能を使ってソフトウェアの構築方法をどのように変えることができるかということです。

将来、ソフトウェアはどのように構築されるのでしょうか?

AI 環境では、ソフトウェア エンジニアは、決定を下したりアクションを実行したりするための具体的な手順をコンピューターに提供する必要がなくなります。特定のカテゴリのデータをさまざまな学習アルゴリズムに入力するだけです。したがって、アルゴリズム モデルがデータ内の特徴を識別し、決定を下すことができることが重要です。通常、ML は指定されたテスト データをデータベース内の既存のデータと比較して、アルゴリズムを調整し、決定を下します。

[[258292]]

その結果、Google の Pete Warden 氏率いる専門家たちは、今後 10 年間でほとんどのソフトウェア開発作業にプログラミングは含まれなくなるだろうと大胆に予測し始めています。同時に、OpenAI の元研究科学者で、現在は Tesla AI のディレクターを務める Andrej Karpathy 氏も、将来のプログラマーは複雑なリポジトリを維持したり、さまざまな動作環境を分析したり、複雑なプログラムを作成したりする必要がなくなると考えています。彼らの主な仕事は、データを収集、フィルタリング、ラベル付け、分析、視覚化し、それをニューラル ネットワークに入力することです。

従来の開発プロセスと機械学習開発モデル

従来のソフトウェア構築方法は、おおよそ次のとおりでした。

1. 開発者はまず要件分析と定義を実施します。

2. 次にソフトウェア関連の設計を行います。

3. その後の開発段階では、Java や C++ などのプログラミング言語を使用して、プログラムコードを通じてコン​​ピューターに明確な実行手順を提供します。

4. ソフトウェアが構築された後、ソフトウェアが期待どおりの結果を達成できることを確認するためにさまざまなテストを実行します。

5. 品質保証が達成されたら、ソフトウェア コードを運用環境に展開できます。

6. エンジニアはソフトウェアの関連コードも継続的に保守する必要があります。

[[258293]]

アジャイル開発プロセスでは、ソフトウェア開発プロセスを高速化するために、チームメンバーは通常、より小さな機能または機能のグループを選択し、2 ～ 4 週間のスプリント (翻訳者注: 開発コンテンツの単一の反復) に集中します。したがって、基本的なレベルでは、アジャイル開発とウォーターフォール開発には類似点があります。

ただし、ML のソフトウェア開発モデルでは、開発者は問題を定義し、達成したい目標をリストするだけで済みます。その後の作業は、データの収集、データの準備、学習アルゴリズムへのデータの提供、そしてモデルの展開、統合、管理のみです。

結論は

AI の実装がソフトウェア プロジェクトのアジャイル開発に大きな「ボーナス」をもたらしたことは間違いありません。さまざまな面倒なタスクを自動化し、さまざまなアルゴリズム モデルをインテリジェント化することで、開発チームはより信頼性の高い予算準備、より効率的なスタッフ活用、より迅速なエラー検出、より実用的なコード リファクタリング提案、そしてより多くのプロジェクト メリットを享受できるようになります。

原題: ソフトウェア開発に人工知能とアジャイル型管理を導入する 9 つの方法、著者: Chandresh Patel

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]