Gönderiler

Yapay zeka destekli backlog iyileştirme: daha iyi kullanıcı hikayeleri yazmak için LLM kullanımı

İyileştirmede yapay zekayı deneyen çoğu ekip, kullanıcı hikayesi taslağı hazırlatarak işe başlıyor. Bu yaklaşım tersine işliyor. Asıl zaman tasarrufu, yapay zekayı ekibinizin zaten yazdığı hikayelerdeki boşlukları bulmak için kullanmaktan geliyor: kaçırılan uç durumlar, kimsenin sorgulamadığı varsayımlar, tam gibi görünen ama aslında eksik olan kabul kriterleri. Taslak hazırlamak kolay kısmı. Açıkları bulmak, yapay zekanın gerçekten işe yaradığı kısım. İşte backlog'unuzu jenerik, kulağa makul gelen biletler yığınına dönüştürmeden yapay zekayı nasıl kullanacağınız.

Yapay zekanın iyileştirmede gerçek değer kattığı alanlar

İyileştirmenin her aşaması yapay zekadan eşit ölçüde faydalanmaz. İşte geri dönüşün en yüksek olduğu alanlar.

1. Kabul kriterlerini genişletme

Mutlu yol kabul kriterlerini siz yazarsınız, ardından LLM'den bunlardaki açıkları bulmasını istersiniz. Unuttuğunuz uç durumları ortaya çıkaracaktır: boş durumlar, yetki sınırları, eşzamanlılık sorunları, erişilebilirlik gereksinimleri, hata yönetimi yolları. 2024 yılında yapılan bir Capgemini araştırması, yapay zeka tarafından oluşturulan kabul kriterlerinin yeniden çalışma biletlerini yaklaşık %15 azalttığını ortaya koymuştur. İyileştirmede kazanılan zaman hoş bir detay, ancak sprint ortasında daha az sürprizle karşılaşmak asıl önemli olan. Bunu pratikte görmek için ücretsiz Kabul Kriterleri Oluşturucu aracımızı deneyin.

2. Riskleri ve bağımlılıkları belirleme

LLM'ye veri modelinizi, API yüzeyinizi veya sistem mimarinizi verin ve belirli bir hikaye için riskleri işaretlemesini isteyin. İnsan incelemesinden kaçan ekipler arası bağımlılıkları ve veri taşıma ihtiyaçlarını yakalamada şaşırtıcı derecede başarılıdır. Bağlam kalitesi, çıktı kalitesini belirler. Sadece hikaye metnini içeren bir istem size jenerik riskler verir. Hikayeyi, şemanızı ve mevcut ilgili hikayeleri içeren bir istem ise üzerinde gerçekten aksiyon alabileceğiniz spesifik uyarılar verir.

3. Büyük hikayeleri bölme

Tek bir sprint'e açıkça sığmayacak kadar büyük bir hikayeniz olduğunda, yapay zeka INVEST uyumlu bölme önerileri sunabilir. Burada kalıp önemlidir. "Kullanıcı iş akışı adımına göre böl" veya "veri varyasyonuna göre böl" şeklinde istem verin, jenerik bir ayrıştırma istemeyin. Daha kullanışlı sonuçlar alırsınız. Bölme teknikleri hakkında daha fazla bilgi için epic'leri sprint'e hazır hikayelere ayırma rehberimize bakın. Denemek isterseniz Hikaye Bölücü aracı bunu doğrudan yapabilir.

4. Ham girdilerden hikaye taslağı oluşturma

Yapay zeka, toplantı transkriptlerini, Slack mesajlarını veya destek biletlerini yapılandırılmış kullanıcı hikayelerine dönüştürebilir. Bu yararlıdır ancak "makul ama yanlış" sorununun en yüksek riskini taşır (aşağıda daha fazla bilgi). Bunu bir başlangıç noktası olarak kullanın, bitmiş ürün olarak değil.

Yapay zeka destekli iyileştirme için pratik bir iş akışı

Dikkat etmeniz gereken tuzaklar

Yapay zeka tarafından oluşturulan hikaye içeriğinin her zaman açık olmayan belirli başarısızlık modları vardır. Makul ama yanlış. LLM'ler, yanlış alan mantığını kodlayan dilbilgisel olarak kusursuz hikayeler üretir. "Doğru görünür" ve iyi okunduğu için kimse sorgulamaz, böylece iyileştirmeden sorgulanmadan geçer. Alana özgü detayları her zaman sistemi gerçekten bilen biriyle doğrulayın. Sahte tamlık. Yapay zeka 12 maddelik bir kabul kriterleri listesi oluşturur ve ekip bunun kapsamlı olduğunu varsayar. Değildir. Model, sisteminiz hakkında bilmediğini bilemez. Yapay zeka tarafından oluşturulan kabul kriterlerini ekip bilgisinin yerine değil, tamamlayıcısı olarak değerlendirin. Homojenleşme. Yapay zeka hikayeleri jenerik kalıplara yakınsar. "Bir kullanıcı olarak, ihtiyacım olanı bulabilmek için sonuçları filtrelemek istiyorum" teknik olarak geçerli ama tamamen işe yaramaz. Yapay zeka tarafından oluşturulan hikayeleriniz herhangi bir ürüne uygulanabiliyorsa, daha fazla özgüllük gerekiyor. Yetkinlik erozyonu. Genç ekip üyeleri, yapay zeka işi parçaladığında bunu kendileri yapmayı öğrenmeyi bırakır. Deneyimi az olanların ilk taslağı yazmasını sağlayın, ardından yapay zekayı genişletme için kullanın. İyileştirme hala bir öğrenme fırsatıdır.

Gerçekten işe yarayan istem ipuçları

Jenerik istemler jenerik çıktı verir. Her şey özgüllükte saklı:

Bunun yerine	Şunu deneyin
"Arama için bir kullanıcı hikayesi yaz"	"50'den fazla proje yöneten bir kullanıcı için, proje adları ve açıklamalarında tam metin araması yapan bir kullanıcı hikayesi yaz"
"Kabul kriterleri oluştur"	"Rol tabanlı izinlere sahip çok kiracılı bir sistem varsayarak uç durum kabul kriterleri oluştur"
"Bu epic'i böl"	"Bu epic'i kullanıcı iş akışı adımına göre böl, her hikayeyi bağımsız olarak dağıtılabilir tut"
"Riskler neler?"	"Bu veri modeline göre [şemayı yapıştır], taşıma riskleri ve servisler arası bağımlılıklar neler?"

İsteminiz gerçek ürününüzü ne kadar yansıtırsa, çıktı o kadar yararlı olur. Şemanızı yapıştırın. Mevcut hikayelere referans verin. Gerçek kısıtlamaları belirtin.

Yapay zekayı tamamen atlamanız gereken durumlar

Her hikaye için yapay zeka müdahalesi gerekmez. Net yeniden üretme adımlarına sahip hata düzeltmeleri, küçük metin değişiklikleri ve basit CRUD işlemleri klasik yöntemle iyileştirmek daha hızlıdır. Yapay zekayı, problem alanının belirsiz olduğu, sistem etkileşimlerinin karmaşık olduğu veya ekibinizin sprint ortasında sürekli bilinmeyenler keşfettiği hikayeler için saklayın. Yapay zeka olmadan sağlam hikayeler yazmak hakkında daha fazla bilgi için kullanıcı hikayeleri nasıl yazılır ve kabul kriterleri nasıl yazılır rehberlerimize göz atın.