Tekoäly mittakaavassa: Näin hallitaan käyttöönottoa, mittareita ja tiimin muutosta yli 500 kehittäjän keskuudessa
Anthropic
Vuoden kokeilujen jälkeen pankin dataosasto havaitsi, että perinteinen koulutus tuskin lisää käyttöönottoa ja että käyttäjämäärät eivät heijasta liiketoiminnallista vaikutusta. He käyttävät nyt neljää keskeistä mittaria tekoälyn käyttöönoton seuraamiseen ja keskittyvät roolien ja tiimien muuttamiseen kohti agenttimaista suunnittelua tasapainottaen innovaation ja ydinfra-stabiliteetin.
Yuri Katser, tuoteomistaja operatiivisen osaston Data Officessa, ja Vyacheslav Guch, tekoälytuotepäällikkö, jakavat kokemuksia yli vuoden agenttipohjaisen suunnittelun käyttöönotosta pankissa, jossa työskentelee yli 500 kehittäjää, data-insinööriä, analyytikkoa ja tuki-insinööriä. He havaitsivat, että perinteinen koulutus ei juuri lisää käyttöönottoa, eikä käyttäjämäärä kerro liiketoiminnallisesta vaikutuksesta. He siirtyivät yhdestä päivittäisen käytön mittarista neljään käyttöönottomittariin: tekoälyn levinneisyys, aktiiviset käyttäjät, W50+ ja W80+, joista kaksi viimeistä kuvaavat osuutta työntekijöistä, jotka käyttävät tekoälyä yli 50 prosenttina ja yli 80 prosenttina kuukauden työpäivistä. Pankki ei pyri automatisoimaan kaikkea, vaan tavoittelee Pareto-optimaalista tilaa, jossa agentit hoitavat 80 prosenttia tehtävistä ja tuottavat 80 prosenttia tuloksista. He havaitsivat, että koodin kirjoittaminen ei ole enää pääasiallinen pullonkaula; sen sijaan tärkeintä ovat spesifikaatioiden laatu, agenttien saatavilla oleva konteksti, integraatiot ja tiimin kyky organisoida työprosesseja uudelleen. He ottivat käyttöön välillisiä mittareita, kuten tekoälyn avustamien tehtävien osuuden ja autonomisesti toimitettujen tehtävien osuuden, seuratakseen kehitystä kohti autonomista kehitystä, samalla kun he seuraavat edelleen klassisia ohjelmistotuotannon mittareita, kuten vikatiheyttä, sykliaikaa, läpimenoaikaa ja suorituskykyä. He huomasivat, että roolit muuttuvat: kehittäjät lähenevät pääosin pääte-päähän-insinööriä tai tuoteinsinööriä, ja data-alan roolit data-tuoteinsinööriksi. Pilottivaiheessa minitiimi, jossa oli kaksi kehittäjää ja liiketoiminta-asiantuntija, sai integraatiopalvelun valmiiksi samassa ajassa kuin viiden hengen tiimi säilyttäen laadun ja kasvattaen läpimenoa, mutta läpimenoaika ei muuttunut. He korostavat, että teknologian valmistelu on ratkaisevan tärkeää, ja he esittelevät neljä agenttipohjaisen suunnittelun pilaria, joista konteksti ja integraatiot ovat laajimmat ja pirstaleisimmat kerrokset. He testasivat BMAD-orkestraattoria, joka paljasti yllätyksiä, kuten että rajoitteiden ympärille suunniteltu arkkitehtuuri toimii usein paremmin kuin niiden poistamiseen pyrkivä ratkaisu.
Lähde: Habr — хаб ИИ —
Alkuperäinen