Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Memberdayakan pengalaman pengembangan perangkat lunak dengan AI generatif
Integrasi AI generatif ke dalam siklus hidup pengembangan perangkat lunak (SDLC) mewakili perubahan paradigma dalam bagaimana seluruh tim pengembangan perangkat lunak memahami, merancang, mengimplementasikan, dan memelihara solusi perangkat lunak. Generative AI memiliki potensi untuk merevolusi setiap fase SDLC, termasuk manajemen proyek, pengumpulan persyaratan, desain, pengkodean, pengujian, penyebaran, dan pemeliharaan.
Pada intinya, pengalaman pengembangan bertenaga AI generatif bertindak sebagai kolaborator cerdas untuk seluruh tim pengembangan perangkat lunak Anda, termasuk manajer produk, desainer, arsitek solusi, pengembang, penguji, dan personel operasi. Ini memberikan bantuan sadar konteks, menghasilkan artefak (seperti cerita pengguna, mock-up desain, cuplikan kode, dan kasus uji), menawarkan saran yang hampir real-time, dan bahkan memprediksi potensi masalah sebelum muncul. Pendekatan AI-augmented ini secara signifikan mengurangi beban kognitif pada anggota tim. Hal ini memungkinkan mereka untuk fokus pada keputusan strategis tingkat tinggi dan pemecahan masalah yang kompleks sementara AI generatif menangani tugas-tugas yang lebih biasa dan berulang.
Generative AI juga berfungsi sebagai penguat pengetahuan. Ini membantu anggota tim dengan cepat mengakses informasi yang relevan, praktik terbaik, dan pola dari repositori data yang luas. Ini dapat secara efektif mendemokratisasikan keahlian di seluruh organisasi. Dengan mengintegrasikan kemampuan AI generatif secara mulus di seluruh rantai alat pengembangan, Anda dapat menciptakan lingkungan yang lebih intuitif, efisien, dan produktif untuk seluruh tim pengembangan perangkat lunak Anda. Pengalaman pengembangan yang ditingkatkan ini mempercepat SDLC dan meningkatkan kualitas secara keseluruhan. Ini juga mengurangi kesalahan dan mendorong inovasi karena anggota tim dapat mengeksplorasi ide dan pendekatan baru dengan lebih cepat.
Untuk mengadopsi pengalaman pengembangan yang didukung AI generatif di organisasi Anda, pertimbangkan elemen-elemen kunci berikut:
+ [Kerangka kerja 5-I](generative-ai-dimensions.md)— Terdiri dari lima dimensi, kerangka kerja 5-I**** memberikan pendekatan komprehensif untuk menavigasi proses pengembangan perangkat lunak modern. Ini menawarkan metodologi terstruktur yang membantu Anda menerapkan AI generatif secara sistematis di semua tahap SDLC.
+ [Kemampuan dasar](generative-ai-capabilities.md)— Untuk sepenuhnya menggunakan kekuatan AI generatif di seluruh dimensi pengembangan perangkat lunak modern, Anda perlu membangun seperangkat kemampuan dasar yang kuat. Kemampuan ini membentuk tulang punggung pengalaman pengembangan yang didukung AI. Kemampuan ini membantu Anda mengintegrasikan dan menggunakan AI generatif di seluruh SDLC.
Bersama-sama, kerangka kerja 5-I dan kemampuan dasar membentuk strategi untuk menata ulang pengalaman pengembangan perangkat lunak. Lima dimensi menyediakan kerangka kerja strategis untuk menerapkan AI generatif, dan kemampuan dasar mempersiapkan organisasi Anda untuk mendukung pendekatan berbasis AI ini. Layanan AWS, seperti [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html), [Amazon SageMaker AI, Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html) [Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html), dan [Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html), menyediakan kemampuan dan fitur AI generatif yang dapat Anda integrasikan ke dalam pengalaman pengembangan perangkat lunak Anda.
![\[Menggunakan layanan AWS AI, kerangka kerja 5-I, dan kemampuan dasar untuk mencapai tujuan.\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/strategy-accelerate-software-dev-lifecycle-gen-ai/images/objectives.png)
# Kerangka kerja 5-I untuk pengalaman pengembangan perangkat lunak bertenaga AI
Kerangka kerja 5-I menyediakan pendekatan terstruktur bagi tim pengembangan perangkat lunak untuk secara efektif mengintegrasikan AI generatif ke dalam praktik pengembangan mereka. Ini membantu Anda membangun fondasi yang kuat untuk menggunakan AI generatif di seluruh SDLC. Ini juga membantu Anda mengatur praktik pengembangan, alur kerja, dan pola pikir yang tepat untuk sepenuhnya memanfaatkan potensi AI generatif.
**Topics**
+ [Ikhtisar kerangka kerja](#generative-ai-dimensions-overview)
+ [Mengintegrasikan dengan siklus hidup pengembangan perangkat lunak](#generative-ai-dimensions-integration)
## Ikhtisar kerangka kerja
Kerangka kerja 5-I dibangun di sekitar lima dimensi utama: Investigate, Integrate, Interact, Iterate, dan Impact. Setiap dimensi mewakili area kritis di mana AI generatif secara signifikan meningkatkan proses pengembangan perangkat lunak. Dengan mengintegrasikan AI generatif secara strategis di seluruh dimensi ini, kerangka kerja ini membahas kebutuhan pengembangan perangkat lunak modern yang terus berkembang. Ini dapat mengurangi beban kognitif dan memperkuat potensi kreatif. Ia mengakui bahwa pengalaman pengembangan yang ideal bukan hanya tentang alat — ini tentang menciptakan lingkungan di mana AI secara mulus meningkatkan kemampuan manusia di setiap tahap.
Diagram berikut menunjukkan lima dimensi pengembangan perangkat lunak bertenaga AI. Untuk setiap dimensi, ini menunjukkan di mana Anda dapat mengintegrasikan AI generatif untuk mendorong efisiensi dan inovasi.
![\[Lima dimensi pengembangan perangkat lunak bertenaga AI.\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/strategy-accelerate-software-dev-lifecycle-gen-ai/images/dimensions.png)
Berikut ini adalah lima dimensi dalam kerangka kerja:
+ **Selidiki** — Tingkatkan setiap tugas analitis dalam proses pengembangan perangkat lunak Anda dengan AI generatif. Gunakan AI generatif untuk memahami persyaratan, memproses data dalam jumlah besar, mengenali pola, dan menghasilkan wawasan yang mungkin berada di luar kapasitas manusia atau akan membutuhkan waktu lebih lama untuk diproduksi. Wawasan ini membantu Anda membuat keputusan yang lebih tepat, mengidentifikasi peluang peningkatan dengan cepat, dan menghadirkan perangkat lunak berkualitas tinggi dengan lebih efisien. Generative AI dapat menjadi mitra cerdas untuk proses analitis di seluruh SDLC. Dengan memanfaatkan AI generatif, Anda menerapkan analisis mendalam ke area kritis, seperti pengumpulan persyaratan, pemeriksaan basis kode lama, dan pengoptimalan backlog produk. Misalnya, pemilik produk dapat menggunakan AI generatif untuk menganalisis perjalanan atau persyaratan pengguna sebelum membuat cerita pengguna. Tim pengembangan dapat mengungkap inefisiensi dan mengidentifikasi peluang pengoptimalan dalam basis kode yang ada. DevOps insinyur dapat menerapkan analisis akar penyebab untuk mendiagnosis masalah kinerja atau kerentanan keamanan dengan cepat, yang dapat meningkatkan keandalan.
+ ******Integrasikan** — Integrasikan AI generatif untuk mengotomatiskan berbagai tugas dan proses di seluruh SDLC. Ini termasuk secara otomatis membuat cuplikan kode, kasus uji, desain arsitektur, cerita pengguna, dan pipeline penerapan. Dengan mengotomatiskan tugas-tugas manual ini, tim dapat fokus pada pekerjaan yang lebih strategis dan inovatif, yang mendorong waktu yang lebih cepat untuk memasarkan dan aplikasi berkualitas tinggi. Dimensi Integrate mewakili perubahan paradigma dalam pengembangan perangkat lunak, di mana AI menjadi bagian integral dari proses pengembangan. Ia bekerja bersama tim pengembangan perangkat lunak Anda untuk meningkatkan produktivitas, meningkatkan kualitas, dan mendorong inovasi. Ini menghasilkan waktu yang lebih cepat untuk memasarkan. Ini menantang tim pengembangan perangkat lunak Anda untuk secara teratur menilai proses dan alur kerja mereka dengan menanyakan pada setiap langkah: “Bisakah ini otomatis?”
+ **Berinteraksi** — Gunakan asisten generatif yang didukung AI untuk memberi tim Anda dukungan kontekstual instan di berbagai tugas dan pertanyaan. Asisten cerdas ini bertindak sebagai kolaborator berpengetahuan luas yang mengambil dari gudang informasi yang luas. Mereka dapat menjawab pertanyaan pengkodean, menawarkan saran desain, menjelaskan prosedur operasi standar, dan membantu memecahkan masalah yang kompleks. Mengintegrasikan asisten AI ini ke dalam alur kerja pengembangan meningkatkan produktivitas dan menumbuhkan lingkungan pemecahan masalah yang lebih kolaboratif.
+ **Iterasi** — Gunakan AI generatif untuk mengaktifkan penyesuaian cepat dan berbasis data di seluruh SDLC. Anda dapat terus menganalisis data dari sumber seperti umpan balik pelanggan, pola penggunaan, tren pasar, dan metrik kinerja tim untuk membuat keputusan yang tepat dengan cepat. Kemampuan beradaptasi ini menyempurnakan pengembangan perangkat lunak Anda dari proses statis yang telah ditentukan sebelumnya menjadi pendekatan yang lancar dan responsif. Ini bermanifestasi dalam berbagai cara, termasuk prioritas dinamis backlog, alokasi sumber daya yang fleksibel, strategi pengujian adaptif, dokumentasi yang berkembang, dan proses penerapan responsif. Misalnya, manajer produk dapat menggunakan wawasan yang dihasilkan AI untuk menyusun ulang backlog mereka, mengintegrasikan persyaratan pelanggan baru dan tren pasar dalam waktu dekat. DevOps Insinyur dapat mengadaptasi rencana penyebaran dan konfigurasi infrastruktur berdasarkan analisis kinerja, memastikan bahwa aplikasi tetap tangguh dan dioptimalkan. Tim pengembangan dapat menerjemahkan umpan balik dari retrospektif sprint ke dalam peningkatan yang dapat ditindaklanjuti untuk iterasi berikutnya, mendorong budaya peningkatan proses berkelanjutan.
+ **Dampak** — Terapkan AI generatif untuk menilai efektivitas dan kinerja proses pengembangan perangkat lunak Anda. Dengan menggunakan analitik dan metrik yang didukung AI, Anda mendapatkan wawasan yang lebih dalam tentang efisiensi pengembangan, kualitas kode, keterlibatan pengguna, dan kinerja aplikasi secara keseluruhan. Pendekatan berbasis data ini membantu Anda membuat keputusan berdasarkan informasi, mengoptimalkan alur kerja pengembangan, dan terus meningkatkan kualitas dan pengalaman pengguna aplikasi Anda. Saat menilai produktivitas tim perangkat lunak, AI generatif menganalisis berbagai titik data, seperti frekuensi komit kode, waktu penyelesaian masalah, kecepatan rilis, tingkat pengiriman fitur, dan banyak lagi. Ini juga dapat mengevaluasi kualitas tinjauan kode, efektivitas alat kolaborasi, dan dampak praktik pengembangan yang berbeda pada output tim secara keseluruhan. Dengan menghubungkan metrik ini dengan hasil proyek, AI mengidentifikasi pola dan tren yang mungkin terlewatkan oleh analis manusia, dan mereka dapat memberikan wawasan yang dapat ditindaklanjuti yang meningkatkan produktivitas tim. Selain itu, AI generatif dapat membantu Anda membandingkan kinerja tim terhadap standar industri atau data historis, menawarkan rekomendasi yang dipersonalisasi untuk perbaikan. Ini juga dapat memprediksi potensi kemacetan atau risiko dalam proses pengembangan sehingga Anda dapat mengambil tindakan proaktif.
## Mengintegrasikan dengan siklus hidup pengembangan perangkat lunak
SDLC terdiri dari beberapa fase, yang dapat berbeda dari organisasi ke organisasi. Umumnya, fase-fase ini meliputi: persyaratan dan perencanaan, desain dan arsitektur, implementasi, pengujian, penyebaran, dan operasi dan pemeliharaan.
Tabel berikut memetakan dimensi kerangka kerja 5-I ke fase SDLC dan memberikan tingkat integrasi untuk setiap dimensi.
****
| Dimensi kerangka kerja | Persyaratan dan perencanaan | Desain dan arsitektur | Implementasi | Pengujian | Deployment | Operasi dan pemeliharaan |
| --- | --- | --- | --- | --- | --- | --- |
| Selidiki | Tinggi | Rendah | Rendah | Rendah | Rendah | Sedang |
| Integrasikan | Sedang | Sedang | Tinggi | Sedang | Tinggi | Tinggi |
| Interaksi | Tinggi | Tinggi | Tinggi | Sedang | Sedang | Tinggi |
| Iterasi | Sedang | Rendah | Rendah | Rendah | Rendah | Sedang |
| Dampak | Tinggi | Sedang | Tinggi | Rendah | Tinggi | Tinggi |
Tingkat integrasi bervariasi dari tinggi ke rendah. Pemetaan mengungkapkan area fokus utama untuk setiap dimensi. Misalnya, *Investigasi* menunjukkan intensitas tinggi dalam tahap persyaratan dan perencanaan. *Integrasi* menunjukkan intensitas tinggi dalam fase implementasi, penyebaran, dan operasi dan pemeliharaan.
Dengan menggunakan pemetaan ini, Anda dapat memprioritaskan upaya Anda secara efektif. Kami menyarankan Anda fokus pada tinggi, lalu sedang, dan kemudian rendah. Pastikan Anda mengadopsi pendekatan yang seimbang dan berdampak yang meningkatkan pengalaman pengembangan perangkat lunak dengan AI generatif.
# Kemampuan dasar untuk pengalaman pengembangan perangkat lunak bertenaga AI
Agar berhasil menerapkan pengalaman pengembangan perangkat lunak bertenaga AI generatif, Anda perlu menetapkan serangkaian kemampuan dasar yang menjangkau banyak persona di organisasi Anda. Kemampuan ini mewakili kemampuan Anda untuk secara efektif menyebarkan sumber daya, mengimplementasikan proses, dan mencapai hasil yang diinginkan dalam konteks pengembangan perangkat lunak bertenaga AI. Dengan mengembangkan kemampuan ini, Anda menciptakan fondasi yang kuat yang membantu Anda mengintegrasikan AI generatif dengan mulus di semua tahap SDLC.
AWS menyediakan layanan utama untuk membantu Anda menerapkan kemampuan ini. Misalnya, [Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html) membantu mempercepat pengembangan perangkat lunak dengan bertindak sebagai asisten yang didukung AI. [Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html) membantu Anda mendapatkan jawaban yang cepat dan relevan untuk pertanyaan mendesak, memecahkan masalah, dan menghasilkan konten. Itu juga dapat bertindak atas nama Anda dengan mengintegrasikan alat yang terkait dengan pengembangan perangkat lunak. [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) menyediakan akses ke model pondasi dan serangkaian kemampuan yang luas untuk menyesuaikan alur kerja dan persyaratan pengembangan tertentu.
Dengan mengembangkan kemampuan ini Layanan AWS, Anda menciptakan fondasi yang kuat yang membantu Anda mengintegrasikan AI generatif dengan mulus di semua tahap SDLC.
Berikut ini adalah kemampuan dasar yang harus Anda fokuskan:
+ [Manajemen proyek](generative-ai-capabilities-proj-mgmt.md)
+ [Manajemen persyaratan](generative-ai-capabilities-req-mgmt.md)
+ [Arsitektur dan desain](generative-ai-capabilities-arch-design.md)
+ [Kolaborasi](generative-ai-capabilities-collaboration.md)
+ [DevSecOps](generative-ai-capabilities-devsecops.md)
+ [Operasi dan pemeliharaan](generative-ai-capabilities-ops-maintenance.md)
+ [Asisten AI](generative-ai-capabilities-assistants.md)
+ [Analitik dan wawasan](generative-ai-capabilities-analytics.md)
+ [Manajemen pengetahuan](generative-ai-capabilities-knowledge-mgmt.md)
+ [Ekstensibilitas](generative-ai-capabilities-extensibility.md)
Setiap kemampuan dasar terintegrasi dengan dimensi kerangka kerja dan tahapan SDLC yang berbeda. Integrasi ini membantu Anda menggunakan kemampuan AI secara efektif selama proses pengembangan perangkat lunak Anda. Ini meningkatkan efisiensi, kualitas, dan inovasi di setiap langkah. Sinergi antara kemampuan dasar ini, kerangka kerja, dan tahapan SDLC menciptakan ekosistem yang komprehensif untuk pengembangan perangkat lunak bertenaga AI. Ini membantu Anda memanfaatkan potensi penuh AI generatif, mendorong peningkatan berkelanjutan, mempercepat siklus pengembangan, dan menghadirkan produk perangkat lunak berkualitas.
Tabel berikut menunjukkan bagaimana kemampuan dasar dan subkapabilitas memetakan ke dimensi kerangka kerja dan fase SDLC.
****
| Kemampuan: subkapabilitas | Selidiki | Integrasikan | Interaksi | Iterasi | Dampak |
| --- | --- | --- | --- | --- | --- |
| Manajemen proyek: Manajemen masalah | Persyaratan dan perencanaan | Tidak ada | Tidak ada | Tidak ada | Tidak ada |
| Manajemen proyek: Sprint dan manajemen tugas | Persyaratan dan perencanaan | Persyaratan dan perencanaan | Tidak ada | Tidak ada | Tidak ada |
| Manajemen proyek: Manajemen backlog produk | Persyaratan dan perencanaan | Tidak ada | Tidak ada | Persyaratan dan perencanaan | Tidak ada |
| Manajemen proyek: Pemetaan cerita pengguna | Persyaratan dan perencanaan | Tidak ada | Tidak ada | Tidak ada | Tidak ada |
| Manajemen proyek: Pelaporan dan analitik | Persyaratan dan perencanaan | Tidak ada | Tidak ada | Tidak ada | Persyaratan dan perencanaan |
| Manajemen proyek: Manajemen peta jalan produk | Persyaratan dan perencanaan | Tidak ada | Persyaratan dan perencanaan | Tidak ada | Tidak ada |
| Manajemen proyek: Loop umpan balik | Tidak ada | Tidak ada | Tidak ada | Persyaratan dan perencanaan | Tidak ada |
| Manajemen proyek: Retrospektif | Tidak ada | Tidak ada | Tidak ada | Persyaratan dan perencanaan | Tidak ada |
| Manajemen persyaratan | Persyaratan dan perencanaan | Persyaratan dan perencanaan | Tidak ada | Tidak ada | Tidak ada |
| Arsitektur dan desain: Desain solusi | Desain dan arsitektur | Desain dan arsitektur | Tidak ada | Tidak ada | Tidak ada |
| Kolaborasi: Manajemen dokumentasi | Semua fase SDLC | Tidak ada | Semua fase SDLC | Tidak ada | Tidak ada |
| Kolaborasi: Berbagi pengetahuan | Semua fase SDLC | Tidak ada | Semua fase SDLC | Tidak ada | Tidak ada |
| Kolaborasi: Manajemen aset proyek | Tidak ada | Semua fase SDLC | Semua fase SDLC | Tidak ada | Tidak ada |
| DevSecOps: CI/CD | Pengujian, Penerapan | Implementasi, Pengujian, Penerapan | Deployment | Tidak ada | Tidak ada |
| DevSecOps: DevOps keamanan | Implementasi | Implementasi, Pengujian, Operasi dan pemeliharaan | Tidak ada | Implementasi, Pengujian, Operasi dan pemeliharaan | Tidak ada |
| DevSecOps: Pemantauan kinerja aplikasi | Tidak ada | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Tidak ada |
| DevSecOps: Agregasi log dan analitik | Operasi dan pemeliharaan | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Tidak ada |
| DevSecOps: AIOps | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Operasi dan pemeliharaan | Tidak ada |
| DevSecOps: Perbaikan berkelanjutan | Tidak ada | Tidak ada | Tidak ada | Operasi dan pemeliharaan | Tidak ada |
| DevSecOps: Pemantauan dasbor | Tidak ada | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Tidak ada |
| DevSecOps: Wawasan kinerja | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Operasi dan pemeliharaan | Tidak ada |
| Operasi dan pemeliharaan: Manajemen insiden | Tidak ada | Tidak ada | Tidak ada | Operasi dan pemeliharaan | Tidak ada |
| Operasi dan pemeliharaan: Peningkatan kode | Tidak ada | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Tidak ada |
| Operasi dan pemeliharaan: Optimalisasi kode | Operasi dan pemeliharaan | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Tidak ada |
| Operasi dan pemeliharaan: Manajemen utang teknis | Tidak ada | Operasi dan pemeliharaan | Operasi dan pemeliharaan | Tidak ada | Tidak ada |
| Operasi dan pemeliharaan: Manajemen perubahan | Tidak ada | Implementasi, Penerapan | Tidak ada | Tidak ada | Tidak ada |
| Operasi dan pemeliharaan: Rekayasa terbalik | Operasi dan pemeliharaan | Tidak ada | Tidak ada | Tidak ada | Tidak ada |
| Operasi dan pemeliharaan: Modernisasi kode | Tidak ada | Implementasi | Tidak ada | Tidak ada | Tidak ada |
| Operasi dan pemeliharaan: Optimalisasi kinerja | Tidak ada | Operasi dan pemeliharaan | Tidak ada | Operasi dan pemeliharaan | Tidak ada |
| Analitik dan wawasan | Tidak ada | Persyaratan dan perencanaan | Tidak ada | Tidak ada | Semua fase SDLC |
| Asisten AI | Tidak ada | Tidak ada | Semua fase SDLC | Tidak ada | Tidak ada |
| Manajemen pengetahuan | Tidak ada | Tidak ada | Semua fase SDLC | Tidak ada | Tidak ada |
| Ekstensibilitas | Tidak ada | Deployment | Tidak ada | Tidak ada | Tidak ada |
# Kasus penggunaan AI generatif untuk manajemen proyek
Manajemen proyek yang efektif adalah jantung dari pengembangan perangkat lunak yang sukses. Dalam konteks AI generatif, manajemen proyek mengambil dimensi baru. Ini bisa menjadi lebih prediktif, adaptif, dan berbasis data. Alat manajemen proyek bertenaga AI menganalisis data proyek historis untuk menghasilkan perkiraan waktu dan sumber daya yang lebih akurat. Mereka dapat secara otomatis memprioritaskan tugas berdasarkan tujuan bisnis dan kapasitas tim, dan mereka bahkan dapat memprediksi hambatan potensial sebelum terjadi. Misalnya, manajer proyek mungkin menggunakan AI generatif untuk membuat rencana proyek awal berdasarkan persyaratan proyek dan data historis dari proyek serupa. AI kemudian dapat menyarankan komposisi tim yang optimal yang memperhitungkan keterampilan, beban kerja, dan kebutuhan proyek. Sepanjang proyek, dasbor berbasis AI memberikan wawasan waktu nyata tentang status proyek dengan secara otomatis menghasilkan laporan dan menyoroti area yang memerlukan perhatian.
Pendekatan AI-augmented untuk manajemen proyek ini dapat meningkatkan efisiensi. Ini membantu manajer proyek fokus pada pengambilan keputusan strategis dan kepemimpinan tim, daripada terjebak dalam tugas-tugas administrasi rutin.
Tabel berikut menunjukkan kasus penggunaan manajemen proyek yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Subkapabilitas: Kasus penggunaan | Persona |
| --- | --- |
| Manajemen masalah: Membuat dan menetapkan masalah | Manajer proyek |
| Manajemen masalah: Mendeteksi masalah selama pengujian dan mencatatnya | Insinyur uji |
| Manajemen masalah: Prioritaskan masalah berdasarkan tingkat keparahan dan tetapkan ke pengembang | Manajer proyek |
| Manajemen masalah: Identifikasi dan gabungkan masalah duplikat | Manajer proyek |
| Manajemen masalah: Lacak dan buat laporan tentang masalah utama, metrik, dan kesehatan proyek secara keseluruhan | Manajer proyek |
| Sprint dan manajemen tugas: Perkirakan upaya untuk tugas dan tetapkan poin cerita berdasarkan kapasitas tim | Master Scrum |
| Sprint dan manajemen tugas: Mendistribusikan tugas di antara anggota tim untuk beban kerja yang merata di seluruh sprint | Master Scrum |
| Sprint dan manajemen tugas: Memfasilitasi sesi perencanaan sprint yang menyelaraskan upaya tim dengan tujuan sprint | Master Scrum |
| Manajemen backlog produk: Menyusun ulang item backlog berdasarkan nilai bisnis, urgensi, dan umpan balik pengguna | Pemilik produk |
| Manajemen backlog produk: Integrasikan umpan balik pelanggan baru dan wawasan pasar ke dalam backlog produk untuk prioritas mendekati waktu nyata | Pemilik produk |
| Manajemen backlog produk: Identifikasi dan kelola dependensi antara item backlog untuk merampingkan pengembangan | Manajer produk |
| Pemetaan cerita pengguna: Buat peta perjalanan pengguna untuk mengidentifikasi semua fitur yang diperlukan dan cerita pengguna yang sesuai | Pemilik produk |
| Pemetaan cerita pengguna: Identifikasi celah atau langkah yang hilang dalam alur pengguna | Analis bisnis |
| Pemetaan cerita pengguna: Prioritaskan cerita pengguna berdasarkan dampaknya terhadap nilai bisnis | Manajer produk |
| Pelaporan dan analitik: Buat dasbor mendekati waktu nyata yang memvisualisasikan metrik proyek utama, seperti kecepatan sprint dan tingkat resolusi masalah | Manajer proyek |
| Pelaporan dan analitik: Menganalisis data historis dan memprediksi hasil proyek masa depan, seperti potensi penundaan atau kemacetan | Manajer proyek |
| Pelaporan dan analitik: Membuat laporan khusus, seperti kinerja tim atau laporan status proyek, yang disesuaikan dengan pemangku kepentingan yang berbeda | Manajer proyek |
| Manajemen peta jalan produk: Membuat dan memelihara peta jalan produk yang menguraikan tonggak utama dan tanggal rilis | Manajer proyek |
| Manajemen peta jalan produk: Perbarui peta jalan berdasarkan perubahan prioritas atau jadwal proyek | Manajer produk |
| Manajemen peta jalan produk: Bagikan peta jalan dengan pemangku kepentingan untuk memberikan visibilitas ke arah produk | Manajer produk |
| Loop umpan balik: Kumpulkan umpan balik dari tim setelah setiap sprint dan identifikasi area untuk perbaikan | Master Scrum |
| Retrospektif: Terjemahkan umpan balik ke item yang dapat ditindaklanjuti untuk sprint berikutnya, mendorong peningkatan berkelanjutan | Master Scrum |
| Retrospektif: Lacak dampak perubahan yang diterapkan dari retrospektif sebelumnya untuk mengukur efektivitasnya | Master Scrum |
# Kasus penggunaan AI generatif untuk manajemen persyaratan
Manajemen persyaratan adalah proses kritis yang terkait erat dengan manajemen proyek. Bayangkan seorang pemilik produk menggunakan alat AI untuk menganalisis umpan balik pelanggan, tren pasar, dan input pemangku kepentingan. Alat AI dapat menghasilkan serangkaian cerita dan persyaratan pengguna yang komprehensif, secara otomatis mengkategorikannya, mendeteksi potensi konflik atau kesenjangan, dan bahkan menyarankan prioritas berdasarkan nilai bisnis dan kompleksitas implementasi. Seiring kemajuan proyek dan persyaratan berkembang, AI dapat terus memperbarui dan menyempurnakan persyaratan untuk memastikan bahwa mereka tetap selaras dengan perubahan kebutuhan bisnis dan kendala teknis. Pendekatan dinamis berbasis AI terhadap manajemen persyaratan ini membantu memastikan bahwa upaya pengembangan tetap selaras dengan kebutuhan pengguna dan tujuan bisnis di seluruh siklus hidup proyek.
Tabel berikut menunjukkan kasus penggunaan manajemen persyaratan yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Kasus penggunaan | Persona |
| --- | --- |
| Buat persyaratan bisnis | Analis bisnis |
| Buat epos dari fitur | Pemilik produk |
| Lacak kemajuan epik dengan memantau penyelesaian cerita pengguna terkait | Manajer produk |
| Buat cerita pengguna | Pemilik produk |
| Perkirakan upaya yang diperlukan untuk setiap cerita penggunaan dan tetapkan poin cerita | Master Scrum |
| Tentukan kriteria penerimaan untuk setiap cerita pengguna | Pemilik produk |
# Kasus penggunaan AI generatif untuk arsitektur dan desain
Dengan dasar yang kuat dari manajemen proyek dan persyaratan yang terdefinisi dengan baik, kemampuan penting berikutnya adalah arsitektur dan desain. Di sini, AI generatif membuka kemungkinan baru untuk menciptakan arsitektur perangkat lunak yang kuat, terukur, dan efisien. Alat desain bertenaga AI dapat menganalisis persyaratan dan kendala untuk menyarankan pola arsitektur dan pendekatan desain yang optimal. Mereka menghasilkan beberapa alternatif desain, dan masing-masing dioptimalkan untuk prioritas yang berbeda, seperti kinerja, skalabilitas, atau pemeliharaan. Misalnya, arsitek solusi mungkin menggunakan asisten AI untuk dengan cepat menghasilkan beberapa desain arsitektur tingkat tinggi berdasarkan persyaratan proyek. Pendekatan AI-augmented ini mempercepat proses desain dan membantu arsitek membuat keputusan yang lebih tepat. Ini mengarah pada desain perangkat lunak yang lebih kuat dan tahan masa depan.
Tabel berikut menunjukkan kasus penggunaan arsitektur dan desain yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Kasus penggunaan | Persona |
| --- | --- |
| Buat dokumen arsitektur | Arsitek solusi |
| Buat dokumen desain terperinci | Pimpinan teknis |
| Memahami standar arsitektur dan desain yang ada | Arsitek solusi |
| Kembangkan mock-up dan prototipe rinci dari antarmuka pengguna | Desainer UX/UI |
# Kasus penggunaan AI generatif untuk kolaborasi
Pengembangan perangkat lunak secara inheren merupakan upaya kolaboratif. Anda dapat menggunakan AI generatif untuk meningkatkan kolaborasi pada tim pengembangan perangkat lunak Anda. Alat kolaborasi yang didukung AI melampaui pesan sederhana dan berbagi file. Mereka memfasilitasi komunikasi yang lebih efektif dengan meringkas utas diskusi panjang, menyoroti keputusan kunci, dan bahkan menyarankan waktu optimal untuk pertemuan berdasarkan jadwal anggota tim dan pola produktivitas. AI dapat membantu dalam tinjauan kode dengan secara otomatis mengidentifikasi potensi masalah, menyarankan perbaikan, dan bahkan menjelaskan perubahan kompleks kepada pengulas. Selama sesi brainstorming, AI dapat bertindak sebagai fasilitator, menghasilkan ide, membantu mengatur pemikiran, dan bahkan menengahi diskusi untuk memastikan bahwa semua suara didengar. Untuk tim terdistribusi, AI dapat membantu menjembatani hambatan budaya dan bahasa. Ini dapat memberikan terjemahan bahasa hampir real-time dalam obrolan dan panggilan video dan menawarkan konteks budaya untuk membantu mencegah kesalahpahaman. Dengan menambah kolaborasi manusia dengan AI, kemampuan ini membantu tim bekerja lebih efisien dan efektif, yang mendorong inovasi dan meningkatkan hasil proyek secara keseluruhan.
Tabel berikut menunjukkan bagaimana Anda dapat menggunakan AI generatif untuk meningkatkan kasus penggunaan kolaborasi.
****
| Subkapabilitas: Kasus penggunaan | Persona |
| --- | --- |
| Manajemen dokumen: Membuat dan memelihara repositori dokumentasi terpusat | Penulis teknis |
| Manajemen dokumen: Izinkan beberapa anggota tim untuk berkolaborasi dalam dokumentasi secara real time | Tim pengembangan |
| Berbagi pengetahuan: Gunakan forum diskusi sebagai platform bagi pengembang untuk mengajukan pertanyaan, berbagi pengetahuan, dan memecahkan masalah secara kolaboratif | Tim pengembangan |
| Berbagi pengetahuan: Gunakan forum diskusi untuk mendokumentasikan dan melacak keputusan yang dibuat selama diskusi proyek, memastikan bahwa alasan di balik keputusan utama ditangkap dan dapat diakses untuk referensi masa depan | Manajer produk |
| Manajemen aset proyek: Memfasilitasi pembagian sumber daya terkait proyek dengan mudah | Tim pengembangan |
| Manajemen aset proyek: Menerapkan kontrol versi untuk konten bersama sehingga anggota tim dapat melacak perubahan, kembali ke versi sebelumnya, dan berkolaborasi pada pembaruan konten | Tim pengembangan |
# Kasus penggunaan AI generatif untuk DevSecOps
DevSecOps Alat bertenaga AI mengotomatiskan banyak aspek dari jalur pengiriman perangkat lunak. Misalnya, mereka dapat melakukan tinjauan kode cerdas, mendeteksi potensi bug, mendeteksi kerentanan keamanan, dan mengidentifikasi masalah kinerja dalam waktu dekat saat pengembang menulis kode. AI menghasilkan dan menjalankan rangkaian pengujian yang komprehensif, dan secara otomatis memperbaruinya saat basis kode berkembang. Pendekatan AI-augmented ini untuk DevSecOps mempercepat jalur pengiriman dan secara signifikan meningkatkan keamanan dan keandalan perangkat lunak yang dikirimkan.
Tabel berikut menunjukkan kasus DevSecOps penggunaan yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Subkapabilitas: Kasus penggunaan | Persona |
| --- | --- |
| DevOps dan pengiriman berkelanjutan: Seluruh jaringan pipa penyebaran otomatis | DevOps insinyur |
| DevOps dan pengiriman berkelanjutan: Menerima umpan balik hampir real-time tentang kualitas kode dan potensi masalah | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Menerima masalah keamanan dan rekomendasi remediasi yang hampir real-time | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Terima kode mendekati waktu nyata dan saran praktik terbaik | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Otomatiskan tugas berulang dan integrasikan perintah ke dalam skrip | DevOps insinyur |
| DevOps dan pengiriman berkelanjutan: Buat kode dan hasilkan artefak secara otomatis setelah setiap kode komit | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Bangun kode sesuai dengan standar dan kerangka kerja organisasi | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Secara otomatis menjalankan pengujian unit pada setiap komit untuk menangkap kesalahan di awal proses pengembangan | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Analisis cakupan pengujian unit untuk memastikan bahwa semua jalur kode kritis diuji | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Kelola cabang dan gabungkan perubahan | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Kelola versi kode dan artefak | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Simpan dan kelola artefak dan dependensi build | DevOps insinyur |
| DevOps dan pengiriman berkelanjutan: Selesaikan dan ambil dependensi selama proses pembuatan | Pengembang perangkat lunak |
| DevOps dan pengiriman berkelanjutan: Hasilkan dan jalankan tes integrasi untuk memastikan bahwa komponen bekerja sama seperti yang diharapkan | Insinyur uji |
| DevOps dan pengiriman berkelanjutan: Gunakan layanan tiruan selama tes integrasi untuk mensimulasikan interaksi dengan sistem eksternal | Insinyur uji |
| DevOps dan pengiriman berkelanjutan: Benchmark kinerja aplikasi di bawah beban yang berbeda | Insinyur kinerja |
| DevOps dan pengiriman berkelanjutan: Simulasikan skenario lalu lintas tinggi untuk menguji skalabilitas dan waktu respons aplikasi | Insinyur kinerja |
| DevOps dan pengiriman berkelanjutan: Uji kemampuan sistem untuk pulih dari kegagalan, seperti kerusakan server atau pemadaman jaringan | Insinyur keandalan situs |
| DevOps dan pengiriman berkelanjutan: Lakukan rekayasa kekacauan | Insinyur keandalan situs |
| DevOps dan pengiriman berkelanjutan: Jalankan tes untuk memverifikasi bahwa aplikasi memenuhi persyaratan bisnis | Insinyur QA |
| DevOps dan pengiriman berkelanjutan: Lakukan pengujian penerimaan pengguna | Pemilik produk |
| DevOps dan pengiriman berkelanjutan: Pindai dependensi untuk kerentanan dan masalah kepatuhan lisensi | Insinyur keamanan |
| DevOps dan pengiriman berkelanjutan: Pantau dan kelola dependensi open source untuk memastikan bahwa dependensi tersebut mutakhir dan aman | Insinyur keamanan |
| DevOps dan pengiriman berkelanjutan: Menghasilkan dan memelihara tagihan bahan perangkat lunak (SBOM) untuk melacak semua komponen dan dependensi | Insinyur keamanan |
| DevOps dan pengiriman berkelanjutan: Gunakan SBOM untuk melakukan audit untuk kepatuhan terhadap peraturan | Petugas kepatuhan |
| DevOps dan pengiriman berkelanjutan: Buat catatan rilis | Manajer rilis |
| DevOps dan pengiriman berkelanjutan: Merencanakan dan mengoordinasikan rilis | Manajer rilis |
| DevOps dan pengiriman berkelanjutan: Menerapkan prosedur operasi standar untuk manajemen rollback dan rilis | Manajer rilis |
| DevOps dan pengiriman berkelanjutan: Gunakan bendera fitur untuk mengaktifkan atau menonaktifkan fitur dalam produksi tanpa menerapkan kode baru | Manajer produk |
| DevOps dan pengiriman berkelanjutan: Jalankan A/B pengujian menggunakan flag fitur untuk mengukur dampak berbagai fitur pada perilaku pengguna | Manajer produk |
| DevOps dan pengiriman berkelanjutan: Menganalisis dan memantau kegagalan pipa | DevOps insinyur |
| DevOps dan pengiriman berkelanjutan: Membuat dan mengelola sumber daya infrastruktur | DevOps insinyur |
| DevOps dan keamanan: Pindai repositori kode untuk rahasia hardcode | DevOps insinyur |
| DevOps dan keamanan: Terapkan deteksi mendekati waktu nyata untuk segera mengingatkan pengembang jika rahasia dikomit ke repositori | DevOps insinyur |
| DevOps dan keamanan: Menegakkan pemantauan kualitas kode berkelanjutan | Pengembang perangkat lunak |
| DevOps dan keamanan: Mendeteksi dan menandai indikator potensi kerentanan keamanan dalam kode | Pengembang perangkat lunak |
| DevOps dan keamanan: Menerapkan pengujian otomatis untuk Open Worldwide Application Security Project (OWASP) 10 risiko keamanan teratas untuk memastikan bahwa aplikasi mematuhi praktik keamanan standar industri | Insinyur keamanan |
| DevOps dan keamanan: Secara teratur memperbarui dan mendidik pengembang tentang risiko OWASP dengan mengintegrasikan cek ke dalam proses pengembangan | Insinyur keamanan |
| DevOps dan keamanan: Pindai pustaka dan dependensi pihak ketiga untuk kerentanan keamanan yang diketahui | DevOps insinyur |
| DevOps dan keamanan: Pindai kode aplikasi dan infrastruktur untuk mendeteksi kerentanan | DevOps insinyur |
| DevOps dan keamanan: Analisis kode untuk kerentanan sebelum penerapan | Insinyur keamanan |
| DevOps dan keamanan: Menegakkan kebijakan keamanan dengan mencegah kode dengan kerentanan kritis digabungkan | Insinyur keamanan |
| DevOps dan keamanan: Menerapkan kontrol akses berbasis peran (RBAC) untuk membatasi akses ke sistem dan data sensitif dan untuk memastikan bahwa hanya personel yang berwenang yang dapat mengakses sumber daya penting | Insinyur keamanan |
| DevOps dan keamanan: Sesuaikan kontrol akses berdasarkan peran dan tanggung jawab dengan beradaptasi dengan perubahan dalam struktur tim | DevOps insinyur |
| DevOps dan keamanan: Uji aplikasi yang sedang berjalan untuk kerentanan keamanan dalam waktu dekat dengan mensimulasikan serangan pada lingkungan produksi | Insinyur keamanan |
| DevOps dan keamanan: Terus memantau aplikasi yang digunakan untuk kerentanan keamanan | DevOps insinyur |
| DevOps dan keamanan: Jadwalkan pemindaian kerentanan reguler di semua lingkungan untuk mengidentifikasi dan mengatasi kelemahan keamanan | Insinyur keamanan |
| DevOps dan keamanan: Terapkan tambalan dan pembaruan berdasarkan hasil pemindaian kerentanan untuk membantu menjaga sistem yang aman | DevOps insinyur |
| Pemantauan kinerja aplikasi: Terus memantau kinerja aplikasi dalam waktu dekat untuk mendeteksi dan mendiagnosis masalah kinerja sebelum memengaruhi pengguna | Insinyur keandalan situs |
| Pemantauan kinerja aplikasi: Mendeteksi anomali kinerja, seperti lonjakan tiba-tiba dalam waktu respons atau peningkatan tingkat kesalahan, dan memulai peringatan | DevOps insinyur |
| Pemantauan kinerja aplikasi: Melacak permintaan saat mereka menyebar melalui sistem terdistribusi untuk mengidentifikasi kemacetan kinerja dan masalah latensi | DevOps insinyur |
| Pemantauan kinerja aplikasi: Gunakan penelusuran terdistribusi untuk menentukan layanan atau komponen yang tepat yang bertanggung jawab atas kegagalan atau penurunan kinerja | DevOps insinyur |
| Agregasi dan analitik log: Agregat log dari berbagai sumber ke dalam sistem terpusat untuk memudahkan pencarian dan analisis untuk mengidentifikasi tren dan masalah | Insinyur keandalan situs |
| Agregasi dan analitik log: Menerapkan penguraian log otomatis untuk mengekstrak informasi yang relevan dan mendeteksi pola atau anomali yang mungkin mengindikasikan masalah | DevOps insinyur |
| Agregasi log dan analitik: Kumpulkan dan visualisasikan metrik kinerja utama | Insinyur keandalan situs |
| Agregasi dan analitik log: Pantau metrik terhadap perjanjian tingkat layanan yang telah ditentukan sebelumnya () SLAs | Manajer produk |
| Operasi AI: Mendeteksi insiden, menganalisis akar penyebab, dan memulai tindakan korektif tanpa campur tangan manusia | DevOps insinyur |
| Operasi AI: Memprediksi permintaan sumber daya masa depan dan mengoptimalkan perencanaan kapasitas untuk menghindari pemadaman | Insinyur keandalan situs |
| Peningkatan berkelanjutan: Memantau interaksi pengguna nyata dengan aplikasi untuk mengumpulkan wawasan tentang kinerja dan mengidentifikasi area untuk perbaikan | Desainer UX |
| Peningkatan berkelanjutan: Lacak kinerja aplikasi di berbagai wilayah geografis untuk memastikan pengalaman pengguna yang konsisten secara global | Manajer produk |
| Pemantauan dasbor: Buat dasbor yang dapat disesuaikan untuk memvisualisasikan metrik, log, dan jejak penting dalam waktu dekat untuk memberikan pandangan komprehensif tentang kesehatan sistem | Insinyur keandalan situs |
| Pemantauan dasbor: Buat dasbor untuk tim yang berbeda (seperti tim pengembangan, operasi, dan produk) untuk memberikan wawasan yang relevan berdasarkan area fokus mereka | DevOps insinyur |
| Wawasan kinerja: Melakukan analisis rinci kinerja aplikasi untuk mengidentifikasi inefisiensi dan mengoptimalkan kode atau infrastruktur | Pengembang perangkat lunak |
| Wawasan kinerja: Gunakan wawasan kinerja untuk meningkatkan kinerja aplikasi secara berulang dan mengoptimalkan pengalaman pengguna dari waktu ke waktu | Manajer produk |
# Kasus penggunaan AI generatif untuk operasi dan pemeliharaan
Setelah perangkat lunak digunakan, fokus beralih ke operasi dan pemeliharaan. AI generatif dapat meningkatkan pendekatan tradisional dengan menyediakan manajemen sistem yang lebih proaktif dan efisien. Alat operasi bertenaga AI terus memantau kinerja sistem dan memprediksi potensi masalah sebelum memengaruhi pengguna. Mereka melakukan analisis akar penyebab otomatis ketika masalah terjadi, yang secara signifikan mengurangi waktu rata-rata untuk penyelesaian. AI juga mengoptimalkan kinerja sistem dalam waktu dekat. Secara otomatis menyesuaikan konfigurasi berdasarkan perubahan pola beban dan perilaku pengguna. Misalnya, tim operasi mungkin menggunakan asisten AI untuk menghasilkan jadwal pemeliharaan prediktif, secara otomatis mengidentifikasi komponen yang kemungkinan gagal, dan menyarankan tindakan pencegahan. AI juga dapat membantu perencanaan kapasitas dengan menganalisis tren penggunaan dan memprediksi kebutuhan sumber daya masa depan dengan akurasi tinggi.
Tabel berikut menunjukkan kasus penggunaan operasi dan pemeliharaan yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Subkapabilitas: Kasus penggunaan | Persona |
| --- | --- |
| Manajemen insiden: Kelola insiden dalam waktu dekat dengan mengintegrasikan alat pemantauan dengan platform obrolan sehingga tim dapat mendeteksi, mendiskusikan, dan menyelesaikan masalah secara langsung dalam lingkungan obrolan | Insinyur keandalan situs |
| Manajemen insiden: Izinkan tim untuk memulai penerapan, menjalankan skrip, dan menjalankan perintah langsung dari antarmuka obrolan, yang merampingkan operasi | DevOps insinyur |
| Pemutakhiran kode: Tingkatkan dependensi dan pustaka kode untuk mengurangi upaya manual dan memastikan bahwa basis kode tetap up to date dengan versi terbaru | Pengembang perangkat lunak |
| Pengoptimalan kode: Tinjau kode untuk peluang pengoptimalan | Pengembang perangkat lunak |
| Optimalisasi kode: Identifikasi kemacetan dalam kode dan refactor atau optimalkan kode untuk meningkatkan kinerja | Pengembang perangkat lunak |
| Manajemen utang teknis: Log utang teknis sebagai bagian dari proses pengembangan | Manajer produk |
| Manajemen utang teknis: Memprioritaskan dan menangani utang teknis berdasarkan dampak, risiko, dan biaya, dan mengintegrasikannya ke dalam proses perencanaan sprint reguler | Pengembang perangkat lunak |
| Manajemen utang teknis: Mengurangi utang teknis dalam kode aplikasi yang ada | Pengembang perangkat lunak |
| Manajemen perubahan: Menerapkan proses persetujuan perubahan yang memastikan bahwa semua perubahan kode ditinjau, diuji, dan disetujui oleh pemangku kepentingan yang diperlukan sebelum penerapan | Ubah manajer |
| Manajemen perubahan: Lakukan analisis dampak dari perubahan yang diusulkan | DevOps insinyur |
| Rekayasa balik: Menganalisis dan memahami struktur dan perilaku kode warisan | Arsitek solusi |
| Rekayasa balik: Jelaskan kode yang ada dan hasilkan dokumentasi | Pengembang perangkat lunak |
| Modernisasi kode: Terjemahkan kode dari satu bahasa pemrograman ke bahasa pemrograman lainnya | Pengembang perangkat lunak |
| Modernisasi kode: Modernisasi kode lama ke dalam bahasa pemrograman terbaru | Pengembang perangkat lunak |
| Optimalisasi kinerja: Terus memantau dan menyetel kinerja sistem dengan mengoptimalkan alokasi sumber daya, penyeimbangan beban, dan konfigurasi ulang aplikasi | Insinyur keandalan situs |
| Optimalisasi kinerja: Mengidentifikasi dan memfaktorkan ulang kode yang menyebabkan penurunan kinerja untuk meningkatkan kecepatan dan daya tanggap sistem | Pengembang perangkat lunak |
# Kasus penggunaan untuk asisten AI generatif dalam pengembangan perangkat lunak
Kemampuan asisten AI adalah jantung dari pengalaman pengembangan bertenaga AI generatif. Sistem cerdas dan sadar konteks ini berfungsi sebagai kolaborator virtual untuk semua anggota tim di seluruh SDLC. Bayangkan seorang pengembang mengerjakan sepotong kode yang kompleks. Mereka hanya dapat meminta bantuan asisten AI, dan dapat memberikan cuplikan kode yang relevan, menjelaskan algoritme yang rumit, atau bahkan menyarankan pengoptimalan berdasarkan konteks saat ini dan praktik terbaik. Asisten AI dapat membantu ITOps manajer memahami prosedur operasi standar berdasarkan dokumen internal. Dengan memberikan dukungan kontekstual instan, asisten AI secara signifikan mengurangi beban kognitif pada anggota tim. Ini membantu mereka fokus pada pemecahan masalah tingkat tinggi dan tugas-tugas kreatif. Kemampuan ini bertindak sebagai pengganda kekuatan yang meningkatkan produktivitas dan kualitas di semua tahap pengembangan perangkat lunak.
Tabel berikut menunjukkan kasus penggunaan yang dapat Anda tingkatkan dengan asisten AI dan persona yang diuntungkan.
****
| Kasus penggunaan | Persona |
| --- | --- |
| Memberikan bantuan instan kepada tim pengembangan dengan menjawab pertanyaan, seperti tentang persyaratan, arsitektur, dan prosedur operasi standar | Tim pengembangan perangkat lunak |
| Cari atau ambil kutipan dari dokumentasi ekstensif atau buat ringkasan dengan menggunakan kueri bahasa alami | Tim pengembangan perangkat lunak |
| Meringkas dokumen teknis yang panjang, seperti dokumen persyaratan, dokumentasi desain arsitektur, dan proses internal | Tim pengembangan perangkat lunak |
| Pertahankan pustaka petunjuk yang dapat digunakan tim untuk tugas-tugas umum | Tim pengembangan perangkat lunak |
| Integrasikan AI generatif dengan mulus ke dalam alat dan sistem yang ada | Tim pengembangan perangkat lunak |
| Mengotomatiskan tugas di berbagai platform, alat, dan sistem internal | Tim pengembangan perangkat lunak |
| Buat gudang pengetahuan terpusat, termasuk praktik terbaik, informasi spesifik proyek, dan pengetahuan tim, yang dapat diakses oleh semua anggota tim | Tim pengembangan perangkat lunak |
| Mengambil pengetahuan yang relevan dari repositori berdasarkan konteks tugas | Tim pengembangan perangkat lunak |
| Lakukan tinjauan kode otomatis, analisis akar penyebab, sarankan perbaikan, deteksi potensi bug, dan lakukan pemecahan masalah | Pengembang perangkat lunak, DevOps insinyur, dan insinyur keandalan situs |
| Menganalisis data kinerja untuk mengidentifikasi tren dan pola yang dapat menginformasikan keputusan tentang optimasi kinerja | Insinyur keandalan situs |
| Memberikan rekomendasi untuk meningkatkan efisiensi, mengurangi kompleksitas, dan meningkatkan keamanan | Pengembang perangkat lunak |
| Sarankan pengoptimalan untuk penggunaan sumber daya cloud, seperti rekomendasi penskalaan atau strategi penghematan biaya | Pengembang perangkat lunak, DevOps insinyur, insinyur keandalan situs, dan arsitek solusi |
| Menghasilkan konten baru, seperti dokumentasi berdasarkan kode, panduan pengguna, atau rilis fitur produk | Tim pengembangan perangkat lunak |
# Kasus penggunaan AI generatif untuk analitik dan wawasan
Kemampuan analitik dan wawasan membantu mengubah sejumlah besar data menjadi wawasan yang dapat ditindaklanjuti yang mendorong pengambilan keputusan dan peningkatan berkelanjutan. Dengan menggunakan AI generatif, kemampuan ini memproses data dari berbagai sumber, termasuk repositori kode, alat manajemen proyek, dan platform kolaborasi tim, untuk memberikan pandangan holistik tentang proses pengembangan dan produktivitas tim. AI generatif melampaui metrik tradisional untuk menawarkan analisis prediktif dan preskriptif. Ini dapat memperkirakan masalah potensial dan menyarankan perbaikan yang ditargetkan. Misalnya, dapat menganalisis pola dalam komit kode, tingkat resolusi bug, dan kecepatan pengiriman fitur untuk mengidentifikasi tim berkinerja tinggi, menentukan kemacetan, dan menyarankan pengoptimalan proses. Selain itu, dapat memberikan wawasan tentang dinamika tim dan kinerja individu. Wawasan ini membantu para pemimpin membuat keputusan berdasarkan data tentang distribusi beban kerja, kebutuhan pelatihan, dan komposisi tim. Dengan menyajikan wawasan ini melalui dasbor interaktif, kemampuan ini memberdayakan pemangku kepentingan di semua tingkatan untuk membuat keputusan yang tepat, mengoptimalkan proses, dan terus meningkatkan produktivitas tim, yang mengarah pada pengiriman perangkat lunak berkualitas tinggi yang lebih cepat.
Tabel berikut menunjukkan kasus penggunaan analitik yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Kasus penggunaan | Persona |
| --- | --- |
| Memantau produktivitas individu dan tim | Manajer pengembangan |
| Analisis tren produktivitas untuk mendeteksi potensi burnout sehingga Anda dapat mengambil tindakan proaktif untuk menjaga kesejahteraan dan produktivitas tim | Manajer pengembangan |
| Lacak seberapa sering perubahan kode diterapkan ke produksi untuk mengukur kecepatan dan kelincahan proses pengembangan | Manajer produk |
| Menganalisis data frekuensi penyebaran untuk mengidentifikasi periode aktivitas penyebaran rendah yang mungkin menunjukkan inefisiensi proses atau kendala sumber daya | Manajer produk |
| Ukur waktu antara komit kode untuk penerapan untuk mengidentifikasi peluang untuk merampingkan proses pengembangan dan penerapan | Manajer pengembangan |
| Lacak persentase penerapan yang mengakibatkan kegagalan yang memerlukan perbaikan segera untuk menilai keandalan proses rilis | Insinyur keandalan situs |
| Gunakan metrik tingkat kegagalan perubahan untuk mengidentifikasi area kode yang sering menyebabkan masalah untuk memandu upaya refactoring dan pengujian yang ditargetkan | Pengembang perangkat lunak |
| Pantau berapa lama waktu yang dibutuhkan untuk memulihkan layanan setelah pemadaman atau insiden sehingga Anda dapat mengurangi waktu henti dan meningkatkan ketahanan sistem secara keseluruhan | Insinyur keandalan situs |
| Menganalisis tren waktu pemulihan untuk meningkatkan proses respons insiden dan mendorong pemulihan lebih cepat dari kegagalan sistem | DevOps insinyur |
| Buat dasbor khusus yang menggabungkan metrik utama, seperti frekuensi penerapan, waktu tunggu, dan tingkat kegagalan perubahan, untuk memberikan pandangan komprehensif tentang pengembangan dan kesehatan operasional | Manajer produk |
| Buat dasbor yang disesuaikan dengan kebutuhan tim yang berbeda untuk memberikan wawasan terfokus ke bidang tanggung jawab spesifik mereka, seperti pengembangan, operasi, atau bisnis | Manajer produk |
| Melacak indikator kinerja kunci bisnis (KPIs), seperti dampak pendapatan, kepuasan pelanggan, dan pangsa pasar, untuk menyelaraskan upaya pengembangan dengan tujuan bisnis yang lebih luas | Manajer produk |
| Menganalisis dampak fitur baru pada bisnis KPIs untuk menilai keberhasilan mereka dan memandu pengembangan produk masa depan | Analis bisnis |
| Pantau metrik kualitas kode, seperti kompleksitas kode, cakupan pengujian, dan kepadatan bug, untuk memastikan bahwa basis kode tetap dapat dipertahankan dan aman | Pengembang perangkat lunak |
| Identifikasi area basis kode yang memerlukan refactoring untuk mendorong keberlanjutan jangka panjang dan mengurangi utang teknis | Arsitek solusi |
# Kasus penggunaan AI generatif untuk manajemen pengetahuan
Dalam setiap organisasi pengembangan perangkat lunak, pengetahuan adalah aset penting. Kemampuan manajemen pengetahuan, didukung oleh AI generatif, meningkatkan cara aset ini ditangkap, diatur, dan digunakan. Sistem manajemen pengetahuan tradisional sering mengandung terlalu banyak informasi, mengandung konten yang sudah ketinggalan zaman, atau sulit dicari untuk menemukan informasi yang relevan dengan cepat.
AI generatif mengatasi tantangan ini secara langsung. Secara otomatis menghasilkan, dan memperbarui dokumentasi berdasarkan perubahan kode, percakapan, dan artefak proyek. Ini memastikan bahwa basis pengetahuan tetap terkini tanpa memerlukan upaya manual dari anggota tim. Lebih penting lagi, AI membuat pengetahuan ini dapat diakses dengan cara yang intuitif. Anggota tim dapat mengajukan pertanyaan dalam bahasa alami, dan AI dapat memberikan jawaban yang relevan. AI dapat menarik dari berbagai sumber, seperti dokumentasi resmi, komentar kode, utas diskusi, dan bahkan sumber daya eksternal. Misalnya, anggota tim baru yang mencoba memahami komponen tertentu dapat bertanya kepada AI, “Bagaimana cara kerja modul otentikasi?” AI kemudian akan memberikan penjelasan singkat dan tautan ke bagian kode yang relevan, diagram arsitektur, dan perubahan terbaru. Bahkan bisa menyesuaikan informasi ini berdasarkan peran anggota tim dan tingkat keahlian.
Kemampuan ini mempercepat orientasi, mengurangi pertanyaan berulang, dan mempromosikan berbagi pengetahuan di seluruh organisasi. Ini membantu melestarikan pengetahuan kelembagaan, membuatnya lebih mudah bagi tim untuk mempertahankan dan mengembangkan sistem yang kompleks dari waktu ke waktu.
Tabel berikut menunjukkan kasus penggunaan manajemen pengetahuan yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Kasus penggunaan | Persona |
| --- | --- |
| Buat platform terpadu yang memudahkan untuk mengakses semua pengetahuan terkait proyek | Tim pengembangan perangkat lunak |
| Menangkap pengetahuan dari berbagai kegiatan pembangunan | Tim pengembangan perangkat lunak |
| Menyediakan fungsionalitas pencarian lanjutan untuk dengan cepat menemukan pengetahuan yang relevan dalam repositori | Tim pengembangan perangkat lunak |
| Personalisasi modul dan jalur pembelajaran untuk tim | Tim pengembangan perangkat lunak |
# Kasus penggunaan AI generatif untuk ekstensibilitas
Ekstensibilitas memungkinkan integrasi tanpa batas dengan alat dan alur kerja yang ada sambil memungkinkan organisasi untuk menyesuaikan sistem AI dengan kebutuhan spesifik mereka. Kemampuan ini menyediakan antarmuka yang kuat APIs SDKs, dan dapat disesuaikan yang memfasilitasi integrasi fungsionalitas AI ke dalam alat pengembangan dan manajemen proyek yang populer. Misalnya, organisasi dapat meningkatkan Jira dengan fitur yang didukung AI untuk prioritas tiket otomatis, estimasi upaya, dan perencanaan sprint. Anda dapat menambah jaringan pipa Jenkins dengan AI untuk pengoptimalan build cerdas dan pemilihan tes prediktif.
Selain itu, ekstensibilitas memungkinkan integrasi mendalam dengan lingkungan pengembangan terintegrasi (IDEs), sistem kontrol versi, dan platform peninjauan kode. AI dapat membantu membuat kode, mengotomatiskan ulasan kode, dan menghasilkan dokumentasi kontekstual.
Kemampuan ini juga mendukung pelatihan dan penyempurnaan model AI pada data spesifik organisasi. Ini membantu AI memahami pola pengkodean khusus perusahaan, preferensi arsitektur, dan pengetahuan domain. Hasilnya adalah bantuan yang lebih relevan dan sadar konteks di semua alat terintegrasi. Dengan memberikan tingkat fleksibilitas dan integrasi ini, ekstensibilitas memastikan bahwa pengalaman pengembangan yang didukung AI berkembang bersama organisasi. Ini dapat beradaptasi dengan perubahan teknologi dan kebutuhan bisnis sambil meningkatkan rantai alat dan alur kerja yang ada dengan mulus.
Tabel berikut menunjukkan kasus penggunaan ekstensibilitas yang dapat Anda tingkatkan dengan AI generatif dan persona yang bertanggung jawab atas kasus penggunaan tersebut.
****
| Kasus penggunaan | Persona |
| --- | --- |
| Integrasikan alat pihak ketiga ke dalam lingkungan pengembangan | DevOps insinyur |
| Buat alur kerja otomatisasi khusus yang disesuaikan dengan proses pengembangan unik tim | DevOps insinyur |
| Connect ke berbagai APIs layanan | DevOps insinyur |
| Buat konektor untuk alat lintas platform | DevOps insinyur |