Штучний інтелект підвищує ефективність розробки програмного забезпечення — дещо з реального досвіду

Ось лише один приклад. Американська компанія Intuit - один зі світових лідерів ринку фінансового програмного забезпечення із загальною базою, що охоплює понад 100 млн клієнтів – повідомила про те, що впровадження генеративного ШІ (GenAI) у комплексний процес розробки ПЗ дозволило їй суттєво підняти ефективність усіх пов'язаних процесів (за окремими напрямками – у кілька разів). Але, як завжди, є нюанси. Розгляньмо цей проєкт докладніше.

Приховані резерви та їх потенціал

Штучний інтелект і машинне навчання на даному етапі розвитку показують особливо хороші результати в задачах генерації та тестування коду. Це найважливіша ділянка робіт для багатьох компаній, оскільки саме ПЗ сьогодні є ключовим компонентом більшості ІТ-інфраструктур. Як показують дослідження, впровадження технологій AI/ML у згадані процеси підвищує ефективність роботи в середньому на 25-30%. Непогано, проте нюанс у тому, що написання та тестування коду це приблизно половина всього процесу розробки та впровадження ПЗ, інші завдання часто залишаються поза увагою, відповідно, загальна ефективність підвищується лише на 10-15%. Проте, є компанії, які прагнуть вичавити максимум з технологій AI/ML і навіть знають, як цього досягти. Одна з них – Intuit. За допомогою ШІ компанія хотіла домогтися прискорення розробки програмного забезпечення без зниження якості та надійності підсумкового продукту, а також без необхідності збільшувати штат співробітників.

На першому етапі вирішили йти класичним шляхом, використовуючи ШІ для автоматизації та допомоги у процесі безпосереднього написання та тестування програмного коду – без особливої ​​деталізації та поглиблення у процеси. Ефект був отриманий — ефективність зросла приблизно на 10-15%. Начебто помітний результат, але він виявився нижчим за очікування.

Тоді Intuit використовувала свою фірмову операційну систему на базі GenAI (GenOS) для аналізу власної технічної документації, журналів подій та інших записів, щоб зрозуміти, як розробники розв'язували поширені проблеми у минулому. У разі труднощів, ШІ пропонує інженерам оптимальні підходи для вирішення поширених завдань, причому робить це там, де зручно самими розробниками — на порталі, в робочих чатах та ін.

Наступним кроком стала розробка та впровадження спеціалізованих шаблонів для кращого розуміння та використання контексту коду на специфічних завданнях компанії. З цією метою було проаналізовано репозиторії, бібліотеки компонентів та інші важливі джерела даних. Це дозволило суттєво спростити та прискорити розуміння процесів розробки для всіх учасників. Крім того, Intuit використовувала інструменти генеративного ШІ для покращення стандартизації коду та ведення документації всіх для груп та фахівців, пов'язаних з розробкою продуктів – програмістів, аналітиків даних, дизайнерів, тестувальників, менеджерів та ін.

У результаті, впровадження комплексних заходів дозволило збільшити ефективність розробки в середньому на 250% замість 10-15% на першому етапі. Це стало результатом тонкого налагодження на основі глибокого розуміння всіх процесів усередині компанії.

Контроль та комунікації в команді — запорука успіху

Покращилася не тільки продуктивність, але також захищеність та стійкість продуктів. отримали більш ефективний та безпечний спосіб для підтвердження життєздатності нового коду. і прозору систему управління ризиками, оскільки розробники можуть оцінити можливі наслідки кожного оновлення та своєчасно вжити заходів у разі виявлення потенційних загроз.

Впровадження ШІ-технологій у компанії — це не епізод, процес, що потребує постійного контролю та відстеження тенденцій. Тому експерти з Intuit рекомендують кожній компанії, яка планує використовувати у себе AI/ML, розробити свої метрики ефективності (KPI) з прив'язкою до власних цілей та важливих показників. При цьому метрик цих має бути не надто багато, щоб уникнути перевантаження інформацією. Досвід міжнародних компаній говорить про те, що розумний мінімум – це 3–5 KPI для топменеджменту та до 10 показників для керівників технічних напрямків. Крім того, відповідальним фахівцям на місцях також необхідно знати, чи відповідають їхні результати ключовим вимогам, а для цього необхідно налагодити ефективну комунікацію на всіх рівнях проєкту.

Можливо, ви плануєте чи вже розгортаєте проєкт на основі AI/ML? Компанія De Novo пропонує для цього всю необхідну інфраструктуру. У нашій хмарі доступні найпотужніші TPU NVIDIA H100 та L40S безпосередньо з оточення Kubernetes – у складі сервісів Tensor Cloud (у колективній хмарі) та HTI (Сервіс класу GPU Private Cloud). А з PaaS-платформою ML Cloud ви отримуєте ще й готове повноцінне робоче середовище для ML-інженера (класу AWS SageMaker або Google Vertex AI).

Бажаєте дізнатися більше — звертайтеся за консультацією до наших експертів, які не тільки дадуть відповідь на ваші запитання, але й допоможуть розгорнути пілотний проєкт або перенести ІТ-навантаження в хмару De Novo.