Искусственный интеллект повышает эффективность разработки ПО — кое-что из реального опыта

Вот всего лишь один пример. Американская компания Intuit — один из мировых лидеров рынка финансового программного обеспечения с общей базой, охватывающей свыше 100 млн. клиентов — сообщила о том, что внедрение генеративного ИИ (GenAI) в комплексный процесс разработки ПО позволило ей существенно поднять эффективность всех связанных процессов (по отдельным направлениям — в несколько раз). Но, как обычно, есть нюансы. Давайте рассмотрим этот проект подробнее.

Скрытые резервы и их огромный потенциал

Искусственный интеллект и машинное обучение на данном этапе развития, показывают особенно хорошие результаты в задачах генерации и тестирования кода. Это важнейший участок работ для многих компаний, поскольку именно ПО является сегодня ключевым компонентом большинства ИТ-инфраструктур. Как показывают исследования, внедрение технологий AI/ML в упомянутые процессы повышает эффективность работы в среднем, на 25–30%. Неплохо, однако нюанс в том, что написание и тестирование кода — это примерно половина всего процесса разработки и внедрения ПО, остальные задачи часто остаются без внимания, соответственно, общая эффективность повышается лишь на 10–15%. Тем не менее, есть компании, которые стремятся выжать максимум из технологий AI/ML и более того — знают, как этого добиться. Одна из них — Intuit. С помощью ИИ компания хотела добиться ускорения разработки ПО без снижения качества и надежности итогового продукта, а также без необходимости увеличивать штат сотрудников.

На первом этапе было решено идти классическим путем, используя ИИ для автоматизации и помощи в процессе непосредственного написания и тестирования программного кода — без особой детализации и углубления в процессы. Эффект был получен — эффективность возросла, примерно на 10–15%. Вроде бы заметный результат, но он оказался ниже ожиданий.

Тогда Intuit использовала свою фирменную операционную систему на базе GenAI (GenOS) для анализа собственной технической документации, журналов событий и других записей, чтобы понять, как разработчики решали распространенные проблемы в прошлом. Затем полученные данные были использованы для создания специальных инструментов поддержки и оптимизации процесса разработки. В случае затруднений, ИИ предлагает инженерам оптимальные подходы для решения распространенных задач, причем делает это там, где удобно самими разработчикам — на портале, в рабочих чатах и пр.

Следующим шагом стала разработка и внедрение специализированных шаблонов для лучшего понимания и использования контекста кода на специфических задачах компании. С этой целью были проанализированы репозитории, библиотеки компонентов и другие важные источники данных. Это позволило существенно упростить и ускорить понимание процессов разработки для всех участников. Кроме того, Intuit использовала инструменты генеративного ИИ для улучшения стандартизации кода и ведения документации всех для групп и специалистов, связных с разработкой продуктов — программистов, аналитиков данных, дизайнеров, тестировщиков, менеджеров и пр.

В итоге внедрение комплексных мер позволило увеличить эффективность разработки в среднем на 250%, вместо 10–15% на первом этапе. Это стало результатом тонкой отладки на основе глубокого понимания всех процессов внутри компании.

Контроль и коммуникации в команде — залог успеха

Улучшилась не только продуктивность, но также защищенность и устойчивость продуктов. Благодаря автоматизации тестирования в виртуальной среде разработчики имеют больше оснований для уверенности в том, что то или иное обновление кода ничего не испортит в программном продукте и не создаст угроз безопасности. Благодаря ИИ, разработчики получили более эффективный и безопасный способ для подтверждения жизнеспособность нового кода. Кроме того, удалось реализовать надежную и прозрачную систему управления рисками, поскольку разработчики могут оценить возможные последствия каждого обновления и своевременно принять меры в случае выявления потенциальных угроз. Также, благодаря AI/ML удалось сделать процесс разработки более гибким и адаптивным, что позволяет оперативно реагировать на изменения рынка и пожелания клиентов.

Внедрение ИИ-технологий в компании — это не эпизод, процесс, требующий постоянного контроля и отслеживания тенденций. Поэтому эксперты из Intuit рекомендуют каждой компании, планирующей использовать у себя AI/ML, разработать свои метрики эффективности (KPI) с привязкой к собственным целям и важным показателям. При этом, метрик этих должно быть не слишком много, чтобы избежать перегрузки информацией. Опыт международных компаний говорит о том, что разумный минимум — это 3–5 KPI для топ-менеджмента и до 10 показателей для руководителей технических направлений. Кроме того, ответственным специалистам на местах также необходимо знать, соответствуют ли их результаты ключевым требованиями, а для этого необходимо наладить эффективную коммуникацию на всех уровнях проекта.

Возможно, вы планируете или уже разворачиваете проект на основе AI/ML? Компания De Novo предлагает для этого всю необходимую инфраструктуру. В нашем облаке доступны мощнейшие TPU NVIDIA H100 и L40S непосредственно из окружения Kubernetes — в составе сервисов  Tensor Cloud (в коллективном облаке) и HTI (сервис класса GPU Private Cloud). А с PaaS-платформой ML Cloud вы получаете еще и готовую полноценную рабочую среду для ML-инженера (класса AWS SageMaker или Google Vertex AI).

Хотите узнать больше — обращайтесь за консультацией к нашим экспертам, которые не только ответят на ваши вопросы, но и помогут развернуть пилотный проект или перенести ИТ-нагрузки в облако De Novo.