기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 생성형 AI를 사용하여 소프트웨어 개발 경험 강화
<a name="generative-ai"></a>

생성형 AI를 소프트웨어 개발 수명 주기(SDLC)에 통합하는 것은 전체 소프트웨어 개발 팀이 소프트웨어 솔루션을 구상, 설계, 구현 및 유지하는 방식의 패러다임 전환을 나타냅니다. 생성형 AI는 프로젝트 관리, 요구 사항 수집, 설계, 코딩, 테스트, 배포 및 유지 관리를 포함하여 SDLC의 모든 단계를 혁신할 수 있습니다.

기본적으로 생성형 AI 기반 개발 경험은 제품 관리자, 디자이너, 솔루션 아키텍트, 개발자, 테스터 및 운영 담당자를 포함한 전체 소프트웨어 개발 팀의 지능형 협업자 역할을 합니다. 컨텍스트 인식 지원을 제공하고, 아티팩트(예: 사용자 스토리, 디자인 모형, 코드 조각 및 테스트 사례)를 생성하고, 거의 실시간으로 제안을 제공하고, 잠재적 문제가 발생하기 전에 예측합니다. 이 AI 증강 접근 방식은 팀원의 인지 부하를 크게 줄입니다. 이를 통해 높은 수준의 전략적 의사 결정과 복잡한 문제 해결에 집중할 수 있으며 생성형 AI는 더 복잡하고 반복적인 작업을 처리합니다.

생성형 AI는 지식 발전소 역할도 합니다. 이를 통해 팀원은 방대한 데이터 리포지토리에서 관련 정보, 모범 사례 및 패턴에 빠르게 액세스할 수 있습니다. 이를 통해 조직 전체의 전문 지식을 효과적으로 대중화할 수 있습니다. 개발 도구 체인 전체에서 생성형 AI 기능을 원활하게 통합하면 전체 소프트웨어 개발 팀을 위한 보다 직관적이고 효율적이며 생산적인 환경을 만들 수 있습니다. 이 향상된 개발 경험은 SDLC를 가속화하고 전반적인 품질을 개선합니다. 또한 팀원이 새로운 아이디어와 접근 방식을 더 빠르게 탐색할 수 있으므로 오류를 줄이고 혁신을 촉진합니다.

조직에서 생성형 AI 기반 개발 환경을 채택하려면 다음 주요 요소를 고려하세요.
+ [5-I 프레임워크](generative-ai-dimensions.md) - 5차원으로 구성된 5-I 프레임워크는 최신 소프트웨어 개발 프로세스를 탐색하기 위한 포괄적인 접근 방식을** **제공합니다. SDLC의 모든 단계에서 생성형 AI를 체계적으로 적용하는 데 도움이 되는 구조화된 방법론을 제공합니다.
+ [기본 기능](generative-ai-capabilities.md) - 최신 소프트웨어 개발 차원에서 생성형 AI의 성능을 완전히 활용하려면 강력한 기본 기능 세트를 설정해야 합니다. 이러한 기능은 AI 기반 개발 경험의 백본을 형성합니다. 이러한 기능은 SDLC 전체에서 생성형 AI를 통합하고 사용하는 데 도움이 됩니다.

5-I 프레임워크와 기본 기능은 함께 소프트웨어 개발 경험을 재구상하기 위한 전략을 형성합니다. 5가지 차원은 생성형 AI를 적용하기 위한 전략적 프레임워크를 제공하고, 기본 기능은 조직이 이러한 AI 기반 접근 방식을 지원할 수 있도록 준비합니다. [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) AWS 서비스, [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html), [Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html), [Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html)와 같은는 소프트웨어 개발 경험에 통합할 수 있는 생성형 AI 기능과 기능을 제공합니다.



![\[AWS AI 서비스, 5-I 프레임워크 및 기본 기능을 사용하여 목표를 달성합니다.\]](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/strategy-accelerate-software-dev-lifecycle-gen-ai/images/objectives.png)


# AI 기반 소프트웨어 개발 경험을 위한 5-I 프레임워크
<a name="generative-ai-dimensions"></a>

5-I 프레임워크는 소프트웨어 개발 팀이 생성형 AI를 개발 사례에 효과적으로 통합할 수 있는 구조화된 접근 방식을 제공합니다. SDLC 전체에서 생성형 AI를 사용하기 위한 강력한 기반을 구축하는 데 도움이 됩니다. 또한 생성형 AI의 잠재력을 최대한 활용할 수 있는 올바른 개발 사례, 워크플로 및 사고방식을 설정하는 데 도움이 됩니다.

**Topics**
+ [프레임워크 개요](#generative-ai-dimensions-overview)
+ [소프트웨어 개발 수명 주기와 통합](#generative-ai-dimensions-integration)

## 프레임워크 개요
<a name="generative-ai-dimensions-overview"></a>

5-I 프레임워크는 조사, 통합, 상호 작용, 반복 및 영향이라는 다섯 가지 주요 차원을 중심으로 구축됩니다. 각 차원은 생성형 AI가 소프트웨어 개발 프로세스를 크게 개선하는 중요한 영역을 나타냅니다. 프레임워크는 이러한 차원에서 생성형 AI를 전략적으로 통합하여 최신 소프트웨어 개발의 변화하는 요구 사항을 해결합니다. 인지 부하를 줄이고 크리에이티브 잠재력을 증폭할 수 있습니다. 이상적인 개발 경험은 도구뿐만 아니라 AI가 모든 단계에서 인적 역량을 원활하게 향상시키는 환경을 만드는 것입니다.

다음 다이어그램은 AI 기반 소프트웨어 개발의 5가지 차원을 보여줍니다. 각 차원에 대해 효율성과 혁신을 촉진하기 위해 생성형 AI를 통합할 수 있는 위치를 보여줍니다.



![\[AI 기반 소프트웨어 개발의 5가지 차원입니다.\]](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/strategy-accelerate-software-dev-lifecycle-gen-ai/images/dimensions.png)


프레임워크의 5가지 차원은 다음과 같습니다.
+ **조사** - 생성형 AI를 사용하여 소프트웨어 개발 프로세스의 모든 분석 작업을 개선합니다. 생성형 AI를 사용하여 요구 사항을 이해하고, 방대한 양의 데이터를 처리하고, 패턴을 인식하고, 인적 용량을 초과하거나 생성하는 데 훨씬 더 오래 걸릴 수 있는 인사이트를 생성합니다. 이러한 인사이트는 정보에 입각한 결정을 내리고 개선 기회를 신속하게 식별하며 고품질 소프트웨어를 보다 효율적으로 제공하는 데 도움이 됩니다. 생성형 AI는 SDLC 전반의 분석 프로세스를 위한 지능형 파트너가 될 수 있습니다. 생성형 AI를 활용하면 요구 사항 수집, 레거시 코드베이스 검사, 제품 백로그 최적화와 같은 중요한 영역에 심층 분석을 적용할 수 있습니다. 예를 들어 제품 소유자는 사용자 스토리를 생성하기 전에 생성형 AI를 사용하여 사용자 여정 또는 요구 사항을 분석할 수 있습니다. 개발 팀은 비효율성을 발견하고 기존 코드베이스에서 최적화 기회를 식별할 수 있습니다. DevOps 엔지니어는 근본 원인 분석을 적용하여 성능 문제 또는 보안 취약성을 신속하게 진단하여 신뢰성을 개선할 수 있습니다.
+ **통합** - 생성형 AI를** **통합하여 전체 SDLC에서 광범위한 태스크와 프로세스를 자동화합니다. 여기에는 코드 조각, 테스트 사례, 아키텍처 설계, 사용자 스토리 및 배포 파이프라인 자동 생성이 포함됩니다. 이러한 일반적인 수동 작업을 자동화하면 팀은 보다 전략적이고 혁신적인 작업에 집중할 수 있으므로 출시 시간을 단축하고 고품질 애플리케이션을 제공할 수 있습니다. 통합 차원은 AI가 개발 프로세스의 필수적인 부분이 되는 소프트웨어 개발의 패러다임 전환을 나타냅니다. 소프트웨어 개발 팀과 협력하여 생산성을 높이고 품질을 개선하며 혁신을 주도합니다. 이렇게 하면 출시 시간이 단축됩니다. 소프트웨어 개발 팀은 각 단계에서 “자동화할 수 있나요?”라고 질문하여 프로세스와 워크플로를 정기적으로 평가해야 합니다.
+ **상호 작용** - 생성형 AI 기반 어시스턴트를 사용하여 다양한 작업 및 쿼리에서 즉각적인 컨텍스트 지원을 팀에 제공합니다. 이러한 지능형 어시스턴트는 방대한 정보 리포지토리를 활용하는 지식이 풍부한 공동 작업자 역할을 합니다. 코딩 질문에 답변하고, 설계 제안을 제공하고, 표준 운영 절차를 설명하고, 복잡한 문제를 해결하는 데 도움을 줄 수 있습니다. 이러한 AI 어시스턴트를 개발 워크플로에 통합하면 생산성이 향상되고 보다 협업적이고 문제 해결 환경이 조성됩니다.
+ **반복** - 생성형 AI를 사용하여 SDLC 전체에서 신속한 데이터 기반 조정을 지원합니다. 고객 피드백, 사용 패턴, 시장 추세, 팀 성과 지표와 같은 소스의 데이터를 지속적으로 분석하여 정보에 입각한 결정을 신속하게 내릴 수 있습니다. 이 적응성은 사전 정의된 정적 프로세스에서 유동적이고 응답성이 뛰어난 접근 방식으로 소프트웨어 개발을 구체화합니다. 백로그의 동적 우선 순위 지정, 유연한 리소스 할당, 적응형 테스트 전략, 진화하는 설명서, 대응형 배포 프로세스 등 다양한 방식으로 나타납니다. 예를 들어 제품 관리자는 AI에서 생성된 인사이트를 사용하여 백로그를 재정렬하여 새로운 고객 요구 사항과 시장 추세를 거의 실시간으로 통합할 수 있습니다. DevOps 엔지니어는 성능 분석을 기반으로 배포 계획 및 인프라 구성을 조정하여 애플리케이션의 복원력과 최적화를 유지할 수 있습니다. 개발 팀은 스프린트 후행의 피드백을 다음 반복을 위한 실행 가능한 개선으로 변환하여 지속적인 프로세스 개선 문화를 촉진할 수 있습니다.
+ **영향** - 생성형 AI를 적용하여 소프트웨어 개발 프로세스의 효과와 성능을 평가합니다. AI 기반 분석 및 지표를 사용하면 개발 효율성, 코드 품질, 사용자 참여 및 전체 애플리케이션 성능에 대한 심층적인 인사이트를 얻을 수 있습니다. 이 데이터 기반 접근 방식은 정보에 입각한 결정을 내리고, 개발 워크플로를 최적화하고, 애플리케이션의 품질과 사용자 경험을 지속적으로 개선하는 데 도움이 됩니다. 생성형 AI는 소프트웨어 팀 생산성을 평가할 때 코드 커밋 빈도, 문제 해결 시간, 릴리스 속도, 기능 전송률 등과 같은 다양한 데이터 포인트를 분석합니다. 또한 코드 검토의 품질, 협업 도구의 효율성, 다양한 개발 관행이 전체 팀 출력에 미치는 영향을 평가할 수 있습니다. AI는 이러한 지표를 프로젝트 결과와 상호 연관시켜 인간 분석가가 놓칠 수 있는 패턴과 추세를 식별하고 팀 생산성을 높이는 실행 가능한 인사이트를 제공할 수 있습니다. 또한 생성형 AI는 업계 표준 또는 과거 데이터와 비교하여 팀 성과를 벤치마킹하여 개선을 위한 맞춤형 권장 사항을 제공하는 데 도움이 될 수 있습니다. 또한 개발 프로세스의 잠재적 병목 현상 또는 위험을 예측하여 사전 조치를 취할 수 있습니다.

## 소프트웨어 개발 수명 주기와 통합
<a name="generative-ai-dimensions-integration"></a>

SDLC는 조직마다 다를 수 있는 여러 단계로 구성됩니다. 일반적으로 이러한 단계에는 요구 사항 및 계획, 설계 및 아키텍처, 구현, 테스트, 배포, 운영 및 유지 관리가 포함됩니다.

다음 표에서는 5-I 프레임워크의 차원을 SDLC 단계에 매핑하고 각 차원에 대한 통합 수준을 제공합니다.


****  

| 프레임워크 차원 | 요구 사항 및 계획 | 설계 및 아키텍처 | 구현 | 테스트 | 배포 | 운영 및 유지 관리 | 
| --- | --- | --- | --- | --- | --- | --- | 
| 조사 | 높음 | 낮음 | 낮음 | 낮음 | 낮음 | 중간 | 
| 통합 | 중간 | 중간 | 높음 | 중간 | 높음 | 높음 | 
| 상호 작용 | 높음 | 높음 | 높음 | 중간 | 중간 | 높음 | 
| 반복 | 중간 | 낮음 | 낮음 | 낮음 | 낮음 | 중간 | 
| Impact | 높음 | 중간 | 높음 | 낮음 | 높음 | 높음 | 

통합 수준은 높음에서 낮음까지 다양합니다. 매핑은 각 차원의 주요 중점 영역을 보여줍니다. 예를 들어*, 조사*는 요구 사항 및 계획 단계에서 높은 강도를 보여줍니다. *통합*은 구현, 배포, 운영 및 유지 관리 단계에서 높은 강도를 보여줍니다.

이 매핑을 사용하면 작업의 우선순위를 효과적으로 지정할 수 있습니다. 높음, 중간, 낮음에 초점을 맞추는 것이 좋습니다. 생성형 AI를 사용하여 소프트웨어 개발 경험을 개선하는 균형 있고 영향력 있는 접근 방식을 채택해야 합니다.

# AI 기반 소프트웨어 개발 경험을 위한 기본 기능
<a name="generative-ai-capabilities"></a>

생성형 AI 기반 소프트웨어 개발 환경을 성공적으로 구현하려면 조직의 여러 페르소나에 걸쳐 일련의 기본 기능을 설정해야 합니다. 이러한 기능은 AI 기반 소프트웨어 개발의 맥락에서 리소스를 효과적으로 배포하고, 프로세스를 구현하고, 원하는 결과를 달성할 수 있는 능력을 나타냅니다. 이러한 기능을 함양하면 SDLC의 모든 단계에서 생성형 AI를 원활하게 통합하는 데 도움이 되는 강력한 기반을 구축할 수 있습니다.

AWS 는 이러한 기능을 구현하는 데 도움이 되는 주요 서비스를 제공합니다. 예를 들어 [Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html)는 AI 기반 어시스턴트 역할을 하여 소프트웨어 개발을 가속화하는 데 도움이 됩니다. [Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html)를 사용하면 긴급한 질문에 대한 빠르고 관련성 있는 답변을 얻고, 문제를 해결하고, 콘텐츠를 생성할 수 있습니다. 소프트웨어 개발과 관련된 도구를 통합하여 사용자를 대신할 수도 있습니다. [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)은 파운데이션 모델과 광범위한 기능에 대한 액세스를 제공하여 특정 개발 워크플로 및 요구 사항을 사용자 지정합니다.

를 통해 이러한 기능을 함양하면 SDLC의 모든 단계에서 생성형 AI를 원활하게 통합하는 데 도움이 되는 강력한 기반을 AWS 서비스구축할 수 있습니다.

다음은 집중해야 할 기본 기능입니다.
+ [프로젝트 관리](generative-ai-capabilities-proj-mgmt.md)
+ [요구 사항 관리](generative-ai-capabilities-req-mgmt.md)
+ [아키텍처 및 설계](generative-ai-capabilities-arch-design.md)
+ [공동 작업](generative-ai-capabilities-collaboration.md)
+ [DevSecOps](generative-ai-capabilities-devsecops.md)
+ [운영 및 유지 관리](generative-ai-capabilities-ops-maintenance.md)
+ [AI 어시스턴트](generative-ai-capabilities-assistants.md)
+ [분석 및 인사이트](generative-ai-capabilities-analytics.md)
+ [지식 관리](generative-ai-capabilities-knowledge-mgmt.md)
+ [확장성](generative-ai-capabilities-extensibility.md)

각 기본 기능은 프레임워크 차원 및 SDLC의 다양한 단계와 통합됩니다. 이 통합을 통해 소프트웨어 개발 프로세스 전체에서 AI 기능을 효과적으로 사용할 수 있습니다. 모든 단계에서 효율성, 품질 및 혁신을 향상시킵니다. 이러한 기본 기능, 프레임워크 및 SDLC 단계 간의 시너지는 AI 기반 소프트웨어 개발을 위한 포괄적인 에코시스템을 생성합니다. 이를 통해 생성형 AI의 잠재력을 최대한 활용하고, 지속적인 개선을 추진하고, 개발 주기를 가속화하고, 고품질 소프트웨어 제품을 제공할 수 있습니다.

다음 표는 기본 기능 및 하위 기능이 프레임워크 차원 및 SDLC 단계에 매핑되는 방법을 보여줍니다.


****  

| 기능: 하위 기능 | 조사 | 통합 | 상호 작용 | 반복 | 영향 | 
| --- | --- | --- | --- | --- | --- | 
| 프로젝트 관리: 문제 관리 | 요구 사항 및 계획 | 없음 | 없음 | 없음 | 없음 | 
| 프로젝트 관리: 스프린트 및 작업 관리 | 요구 사항 및 계획 | 요구 사항 및 계획 | 없음 | 없음 | 없음 | 
| 프로젝트 관리: 제품 백로그 관리 | 요구 사항 및 계획 | 없음 | 없음 | 요구 사항 및 계획 | 없음 | 
| 프로젝트 관리: 사용자 스토리 매핑 | 요구 사항 및 계획 | 없음 | 없음 | 없음 | 없음 | 
| 프로젝트 관리: 보고 및 분석 | 요구 사항 및 계획 | 없음 | 없음 | 없음 | 요구 사항 및 계획 | 
| 프로젝트 관리: 제품 로드맵 관리 | 요구 사항 및 계획 | 없음 | 요구 사항 및 계획 | 없음 | 없음 | 
| 프로젝트 관리: 피드백 루프 | 없음 | 없음 | 없음 | 요구 사항 및 계획 | 없음 | 
| 프로젝트 관리: Retrospectives | 없음 | 없음 | 없음 | 요구 사항 및 계획 | 없음 | 
| 요구 사항 관리 | 요구 사항 및 계획 | 요구 사항 및 계획 | 없음 | 없음 | 없음 | 
| 아키텍처 및 설계: 솔루션 설계 | 설계 및 아키텍처 | 설계 및 아키텍처 | 없음 | 없음 | 없음 | 
| 협업: 설명서 관리 | 모든 SDLC 단계 | 없음 | 모든 SDLC 단계 | 없음 | 없음 | 
| 협업: 지식 공유 | 모든 SDLC 단계 | 없음 | 모든 SDLC 단계 | 없음 | 없음 | 
| 협업: 프로젝트 자산 관리 | 없음 | 모든 SDLC 단계 | 모든 SDLC 단계 | 없음 | 없음 | 
| DevSecOps: CI/CD | 테스트, 배포 | 구현, 테스트, 배포 | 배포 | 없음 | 없음 | 
| DevSecOps: DevOps 보안 | 구현 | 구현, 테스트, 운영 및 유지 관리 | 없음 | 구현, 테스트, 운영 및 유지 관리 | 없음 | 
| DevSecOps: 애플리케이션 성능 모니터링 | 없음 | 운영 및 유지 관리 | 없음 | 없음 | 없음 | 
| DevSecOps: 로그 집계 및 분석 | 운영 및 유지 관리 | 운영 및 유지 관리 | 없음 | 없음 | 없음 | 
| DevSecOps: AIOps | 운영 및 유지 관리 | 없음 | 없음 | 운영 및 유지 관리 | 없음 | 
| DevSecOps: 지속적인 개선 | 없음 | 없음 | 없음 | 운영 및 유지 관리 | 없음 | 
| DevSecOps: 대시보드 모니터링 | 없음 | 운영 및 유지 관리 | 없음 | 없음 | 없음 | 
| DevSecOps: 성능 인사이트 | 운영 및 유지 관리 | 없음 | 없음 | 운영 및 유지 관리 | 없음 | 
| 운영 및 유지 관리: 인시던트 관리 | 없음 | 없음 | 없음 | 운영 및 유지 관리 | 없음 | 
| 운영 및 유지 관리: 코드 업그레이드 | 없음 | 운영 및 유지 관리 | 없음 | 없음 | 없음 | 
| 운영 및 유지 관리: 코드 최적화 | 운영 및 유지 관리 | 운영 및 유지 관리 | 없음 | 없음 | 없음 | 
| 운영 및 유지 관리: 기술 부채 관리 | 없음 | 운영 및 유지 관리 | 운영 및 유지 관리 | 없음 | 없음 | 
| 운영 및 유지 관리: 변경 관리 | 없음 | 구현, 배포 | 없음 | 없음 | 없음 | 
| 운영 및 유지 관리: 리버스 엔지니어링 | 운영 및 유지 관리 | 없음 | 없음 | 없음 | 없음 | 
| 운영 및 유지 관리: 코드 현대화 | 없음 | 구현 | 없음 | 없음 | 없음 | 
| 운영 및 유지 관리: 성능 최적화 | 없음 | 운영 및 유지 관리 | 없음 | 운영 및 유지 관리 | 없음 | 
| 분석 및 인사이트 | 없음 | 요구 사항 및 계획 | 없음 | 없음 | 모든 SDLC 단계 | 
| AI 어시스턴트 | 없음 | 없음 | 모든 SDLC 단계 | 없음 | 없음 | 
| 지식 관리 | 없음 | 없음 | 모든 SDLC 단계 | 없음 | 없음 | 
| 확장성 | 없음 | 배포 | 없음 | 없음 | 없음 | 

# 프로젝트 관리를 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-proj-mgmt"></a>

효과적인 프로젝트 관리는 성공적인 소프트웨어 개발의 핵심입니다. 생성형 AI의 맥락에서 프로젝트 관리는 새로운 차원을 취합니다. 더 예측적이고 적응력이 뛰어나며 데이터를 기반으로 할 수 있습니다. AI 기반 프로젝트 관리 도구는 과거 프로젝트 데이터를 분석하여 더 정확한 시간과 리소스 추정치를 생성합니다. 비즈니스 목표 및 팀 용량을 기반으로 태스크의 우선순위를 자동으로 지정할 수 있으며 잠재적 장애물이 발생하기 전에 예측할 수도 있습니다. 예를 들어 프로젝트 관리자는 생성형 AI를 사용하여 프로젝트의 요구 사항과 유사한 프로젝트의 기록 데이터를 기반으로 예비 프로젝트 계획을 생성할 수 있습니다. 그런 다음 AI는 기술, 워크로드 및 프로젝트 요구 사항을 고려하는 최적의 팀 구성을 제안할 수 있습니다. 프로젝트 전체에서 AI 기반 대시보드는 보고서를 자동으로 생성하고 주의가 필요한 영역을 강조 표시하여 프로젝트 상태에 대한 실시간에 가까운 인사이트를 제공합니다.

프로젝트 관리에 대한이 AI 증강 접근 방식은 효율성을 향상시킬 수 있습니다. 이를 통해 프로젝트 관리자는 일상적인 관리 작업에 어려움을 겪는 대신 전략적 의사 결정과 팀 리더십에 집중할 수 있습니다.

다음 표에는 생성형 AI와 이러한 사용 사례를 담당하는 페르소나로 개선할 수 있는 프로젝트 관리 사용 사례가 나와 있습니다.


****  

| 하위 기능: 사용 사례 | 페르소나 | 
| --- | --- | 
| 문제 관리: 문제 생성 및 할당 | 프로젝트 관리자 | 
| 문제 관리: 테스트 중에 문제 감지 및 로깅 | 테스트 엔지니어 | 
| 문제 관리: 심각도에 따라 문제의 우선순위를 지정하고 개발자에게 할당 | 프로젝트 관리자 | 
| 문제 관리: 중복 문제 식별 및 병합 | 프로젝트 관리자 | 
| 문제 관리: 프로젝트의 주요 문제, 지표 및 전반적인 상태에 대한 보고서를 추적하고 생성합니다. | 프로젝트 관리자 | 
| 스프린트 및 작업 관리: 작업에 대한 노력 추정 및 팀 용량을 기반으로 스토리 포인트 할당 | 스크럼 마스터 | 
| 스프린트 및 작업 관리: 스프린트 전반에 걸쳐 균등한 워크로드를 위해 팀원 간에 작업 분산 | 스크럼 마스터 | 
| 스프린트 및 작업 관리: 팀의 노력을 스프린트 목표에 맞게 조정하는 스프린트 계획 세션 촉진 | 스크럼 마스터 | 
| 제품 백로그 관리: 비즈니스 가치, 긴급성 및 사용자 피드백을 기반으로 백로그 항목 재정렬 | 제품 소유자 | 
| 제품 백로그 관리: 새로운 고객 피드백과 시장 인사이트를 제품 백로그에 통합하여 거의 실시간으로 우선순위 지정 | 제품 소유자 | 
| 제품 백로그 관리: 백로그 항목 간의 종속성을 식별하고 관리하여 개발을 간소화합니다. | 제품 관리자 | 
| 사용자 스토리 매핑: 사용자 여정의 맵을 생성하여 필요한 모든 기능과 해당 사용자 스토리를 식별합니다. | 제품 소유자 | 
| 사용자 스토리 매핑: 사용자 흐름의 격차 또는 누락된 단계 식별 | 비즈니스 분석가 | 
| 사용자 스토리 매핑: 비즈니스 가치에 미치는 영향을 기반으로 사용자 스토리의 우선 순위 지정 | 제품 관리자 | 
| 보고 및 분석: 스프린트 속도 및 문제 해결 속도와 같은 주요 프로젝트 지표를 시각화하는 실시간에 가까운 대시보드 생성 | 프로젝트 관리자 | 
| 보고 및 분석: 과거 데이터를 분석하고 잠재적 지연 또는 병목 현상과 같은 향후 프로젝트 결과를 예측합니다. | 프로젝트 관리자 | 
| 보고 및 분석: 팀 성과 또는 프로젝트 상태 보고서와 같이 다양한 이해관계자에 맞게 조정된 사용자 지정 보고서 생성 | 프로젝트 관리자 | 
| 제품 로드맵 관리: 주요 마일스톤 및 릴리스 날짜를 설명하는 제품 로드맵 생성 및 유지 관리 | 프로젝트 관리자 | 
| 제품 로드맵 관리: 프로젝트 우선순위 또는 타임라인의 변경 사항에 따라 로드맵 업데이트 | 제품 관리자 | 
| 제품 로드맵 관리: 이해관계자와 로드맵을 공유하여 제품의 방향에 대한 가시성 제공 | 제품 관리자 | 
| 피드백 루프: 각 스프린트 후 팀으로부터 피드백을 수집하고 개선이 필요한 영역을 식별합니다. | 스크럼 마스터 | 
| 역방향: 피드백을 다음 스프린트를 위한 실행 가능한 항목으로 변환하여 지속적인 개선을 촉진합니다.  | 스크럼 마스터 | 
| 역방향: 이전 역방향에서 구현된 변경 사항의 영향을 추적하여 효과를 측정합니다. | 스크럼 마스터 | 

# 요구 사항 관리를 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-req-mgmt"></a>

요구 사항 관리는 프로젝트 관리와 밀접한 관련이 있는 중요한 프로세스입니다. AI 도구를 사용하여 고객 피드백, 시장 추세 및 이해관계자 의견을 분석하는 제품 소유자를 상상해 보세요. AI 도구는 포괄적인 사용자 스토리 및 요구 사항 세트를 생성하고, 이를 자동으로 분류하고, 잠재적 충돌 또는 격차를 감지하고, 비즈니스 가치 및 구현 복잡성을 기반으로 우선순위 지정을 제안할 수 있습니다. 프로젝트가 진행되고 요구 사항이 발전함에 따라 AI는 요구 사항을 지속적으로 업데이트하고 개선하여 변화하는 비즈니스 요구 사항 및 기술적 제약 조건에 부합하도록 할 수 있습니다. 요구 사항 관리에 대한이 동적 AI 기반 접근 방식은 프로젝트 수명 주기 전반에 걸쳐 개발 노력이 사용자 요구 및 비즈니스 목표에 긴밀하게 부합하도록 하는 데 도움이 됩니다.

다음 표에는 생성형 AI로 개선할 수 있는 요구 사항 관리 사용 사례와 이러한 사용 사례를 담당하는 페르소나가 나와 있습니다.


****  

| 사용 사례: | 페르소나 | 
| --- | --- | 
| 비즈니스 요구 사항 생성 | 비즈니스 분석가 | 
| 기능에서 에픽 생성 | 제품 소유자 | 
| 연결된 사용자 스토리의 완료를 모니터링하여 에픽의 진행 상황을 추적합니다. | 제품 관리자 | 
| 사용자 스토리 생성 | 제품 소유자 | 
| 각 사용 스토리에 필요한 노력을 추정하고 스토리 포인트를 할당합니다. | 스크럼 마스터 | 
| 각 사용자 스토리의 수락 기준 정의 | 제품 소유자 | 

# 아키텍처 및 설계를 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-arch-design"></a>

프로젝트 관리의 탄탄한 기반과 잘 정의된 요구 사항을 갖춘 다음 중요한 기능은 아키텍처와 설계입니다. 여기서 생성형 AI는 강력하고 확장 가능하며 효율적인 소프트웨어 아키텍처를 만들 수 있는 새로운 가능성을 열어줍니다. AI 기반 설계 도구는 요구 사항과 제약 조건을 분석하여 최적의 아키텍처 패턴과 설계 접근 방식을 제안할 수 있습니다. 여러 설계 대안을 생성하며, 각각 성능, 확장성 또는 유지 관리 가능성과 같은 다양한 우선 순위에 최적화되어 있습니다. 예를 들어 솔루션 아키텍트는 AI 어시스턴트를 사용하여 프로젝트 요구 사항에 따라 몇 가지 상위 수준 아키텍처 설계를 빠르게 생성할 수 있습니다. 이 AI 증강 접근 방식은 설계 프로세스를 가속화하고 설계자가 정보에 입각한 결정을 내리는 데 도움이 됩니다. 이를 통해 보다 강력하고 미래 지향적인 소프트웨어 설계가 가능합니다.

다음 표에는 생성형 AI와 이러한 사용 사례를 담당하는 페르소나로 개선할 수 있는 아키텍처 및 설계 사용 사례가 나와 있습니다.


****  

| 사용 사례: | 페르소나 | 
| --- | --- | 
| 아키텍처 문서 생성 | 솔루션 아키텍트 | 
| 세부 설계 문서 생성 | 기술 책임자 | 
| 기존 아키텍처 및 설계 표준 이해 | 솔루션 아키텍트 | 
| 사용자 인터페이스의 세부 모형 및 프로토타입 개발 | UX/UI 디자이너 | 

# 공동 작업을 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-collaboration"></a>

소프트웨어 개발은 본질적으로 공동 작업입니다. 생성형 AI를 사용하여 소프트웨어 개발 팀의 협업을 개선할 수 있습니다. AI 기반 협업 도구는 단순한 메시징 및 파일 공유 이상의 기능을 제공합니다. 긴 토론 스레드를 요약하고, 주요 결정을 강조하고, 팀원의 일정과 생산성 패턴을 기반으로 회의에 최적의 시간을 제안하여 보다 효과적인 커뮤니케이션을 촉진합니다. AI는 잠재적 문제를 자동으로 식별하고, 개선 사항을 제안하고, 검토자에게 복잡한 변경 사항을 설명하여 코드 검토를 지원할 수 있습니다. 브레인스토밍 세션 중에 AI는 진행자 역할을 하고, 아이디어를 생성하고, 생각을 정리하고, 토론을 중재하여 모든 음성이 들리도록 할 수 있습니다. 분산된 팀의 경우 AI는 문화적 장벽과 언어 장벽을 연결하는 데 도움이 될 수 있습니다. 채팅 및 영상 통화에서 거의 실시간에 가까운 언어 번역을 제공하고 문화적 컨텍스트를 제공하여 오해를 방지할 수 있습니다. AI를 사용하여 인적 협업을 강화하면 팀이 더 효율적이고 효과적으로 작업할 수 있으므로 혁신을 촉진하고 전반적인 프로젝트 결과를 개선할 수 있습니다.

다음 표는 생성형 AI를 사용하여 협업 사용 사례를 개선하는 방법을 보여줍니다.


****  

| 하위 기능: 사용 사례 | 페르소나 | 
| --- | --- | 
| 문서 관리: 중앙 집중식 설명서 리포지토리 생성 및 유지 관리 | 기술 작성자 | 
| 문서 관리: 여러 팀원이 문서에 대해 실시간으로 협업할 수 있도록 허용 | 개발 팀 | 
| 지식 공유: 토론 포럼을 개발자가 질문하고, 지식을 공유하고, 공동으로 문제를 해결할 수 있는 플랫폼으로 사용 | 개발 팀 | 
| 지식 공유: 토론 포럼을 사용하여 프로젝트 토론 중에 내린 결정을 문서화하고 추적하여 향후 참조를 위해 주요 결정의 근거를 파악하고 액세스할 수 있도록 합니다. | 제품 관리자 | 
| 프로젝트 자산 관리: 프로젝트 관련 리소스를 쉽게 공유할 수 있습니다. | 개발 팀 | 
| 프로젝트 자산 관리: 공유 콘텐츠에 대한 버전 관리를 구현하여 팀원이 변경 사항을 추적하고, 이전 버전으로 되돌리고, 콘텐츠 업데이트에 대해 협업할 수 있도록 합니다. | 개발 팀 | 

# DevSecOps용 생성형 AI 사용 사례
<a name="generative-ai-capabilities-devsecops"></a>

AI 기반 DevSecOps 도구는 소프트웨어 제공 파이프라인의 여러 측면을 자동화합니다. 예를 들어 개발자가 코드를 작성할 때 거의 실시간으로 지능형 코드 검토를 수행하고, 잠재적 버그를 감지하고, 보안 취약성을 감지하고, 성능 문제를 식별할 수 있습니다. AI는 포괄적인 테스트 제품군을 생성 및 실행하고 코드베이스가 발전함에 따라 자동으로 업데이트합니다. DevSecOps에 대한이 AI 증강 접근 방식은 전송 파이프라인을 가속화하고 제공되는 소프트웨어의 보안 및 신뢰성을 크게 향상시킵니다.

다음 표에는 생성형 AI로 개선할 수 있는 DevSecOps 사용 사례와 이러한 사용 사례를 담당하는 페르소나가 나와 있습니다.


****  

| 하위 기능: 사용 사례 | 페르소나 | 
| --- | --- | 
| DevOps 및 지속적 제공: 자동화된 전체 배포 파이프라인 | DevOps 엔지니어 | 
| DevOps 및 지속적 제공: 코드 품질 및 잠재적 문제에 대한 실시간에 가까운 피드백 받기 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 거의 실시간에 가까운 보안 문제 및 문제 해결 권장 사항 수신 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 거의 실시간에 가까운 코드 및 모범 사례 제안 받기 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 반복 작업을 자동화하고 명령을 스크립트에 통합 | DevOps 엔지니어 | 
| DevOps 및 지속적 제공: 각 코드 커밋 후 코드를 빌드하고 아티팩트를 자동으로 생성 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 조직의 표준 및 프레임워크에 따라 코드 구축 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 모든 커밋에서 단위 테스트를 자동으로 실행하여 개발 프로세스 초기에 오류를 포착합니다. | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 단위 테스트 범위를 분석하여 모든 중요 코드 경로가 테스트되었는지 확인합니다. | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 브랜치 관리 및 변경 사항 병합 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 코드 및 아티팩트 버전 관리 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 빌드 아티팩트 및 종속성 저장 및 관리 | DevOps 엔지니어 | 
| DevOps 및 지속적 제공: 빌드 프로세스 중 종속성 해결 및 가져오기 | 소프트웨어 개발자 | 
| DevOps 및 지속적 제공: 구성 요소가 예상대로 함께 작동하는지 확인하기 위해 통합 테스트를 생성하고 실행합니다. | 테스트 엔지니어 | 
| DevOps 및 지속적 제공: 통합 테스트 중에 모의 서비스를 사용하여 외부 시스템과의 상호 작용을 시뮬레이션합니다. | 테스트 엔지니어 | 
| DevOps 및 지속적 제공: 다양한 로드에서 애플리케이션 성능 벤치마크 | 성능 엔지니어 | 
| DevOps 및 지속적 제공: 트래픽이 많은 시나리오를 시뮬레이션하여 애플리케이션의 확장성 및 응답 시간 테스트 | 성능 엔지니어 | 
| DevOps 및 지속적 전송: 서버 충돌 또는 네트워크 중단과 같은 장애로부터 복구할 수 있는 시스템의 기능 테스트 | 사이트 신뢰성 엔지니어 | 
| DevOps 및 지속적 제공: 카오스 엔지니어링 수행 | 사이트 신뢰성 엔지니어 | 
| DevOps 및 지속적 제공: 테스트를 실행하여 애플리케이션이 비즈니스 요구 사항을 충족하는지 확인 | QA 엔지니어 | 
| DevOps 및 지속적 제공: 사용자 수락 테스트 수행 | 제품 소유자 | 
| DevOps 및 지속적 제공: 취약성 및 라이선스 규정 준수 문제에 대한 종속성 스캔 | 보안 엔지니어 | 
| DevOps 및 지속적 제공: 오픈 소스 종속성을 모니터링하고 관리하여 최신 상태이고 안전한지 확인합니다. | 보안 엔지니어 | 
| DevOps 및 지속적 제공: 모든 구성 요소 및 종속성을 추적하기 위한 소프트웨어 재료표(SBOM) 생성 및 유지 관리 | 보안 엔지니어 | 
| DevOps 및 지속적 제공: SBOM을 사용하여 규정 준수에 대한 감사 수행 | 규정 준수 책임자 | 
| DevOps 및 지속적 제공: 릴리스 정보 생성 | 릴리스 관리자 | 
| DevOps 및 지속적 제공: 릴리스 계획 및 조정 | 릴리스 관리자 | 
| DevOps 및 지속적 제공: 롤백 및 릴리스 관리를 위한 표준 운영 절차 구현 | 릴리스 관리자 | 
| DevOps 및 지속적 제공: 기능 플래그를 사용하여 새 코드를 배포하지 않고 프로덕션에서 기능을 활성화하거나 비활성화합니다. | 제품 관리자 | 
| DevOps 및 지속적 제공: 기능 플래그를 사용하여 A/B 테스트를 실행하여 다양한 기능이 사용자 동작에 미치는 영향 측정 | 제품 관리자 | 
| DevOps 및 지속적 제공: 파이프라인 장애 분석 및 모니터링 | DevOps 엔지니어 | 
| DevOps 및 지속적 제공: 인프라 리소스 생성 및 관리 | DevOps 엔지니어 | 
| DevOps 및 보안: 코드 리포지토리에서 하드 코딩된 보안 암호 스캔 | DevOps 엔지니어 | 
| DevOps 및 보안: 보안 암호가 리포지토리에 커밋되는 경우 개발자에게 즉시 알리기 위해 거의 실시간 탐지 구현 | DevOps 엔지니어 | 
| DevOps 및 보안: 지속적인 코드 품질 모니터링 적용 | 소프트웨어 개발자 | 
| DevOps 및 보안: 코드의 잠재적 보안 취약성 지표 감지 및 플래그 지정 | 소프트웨어 개발자 | 
| DevOps 및 보안: 애플리케이션이 업계 표준 보안 관행을 준수하는지 확인하기 위해 Open Worldwide Application Security Project(OWASP)의 상위 10개 보안 위험에 대한 자동 테스트 구현 | 보안 엔지니어 | 
| DevOps 및 보안: 검사를 개발 프로세스에 통합하여 OWASP 위험에 대해 개발자를 정기적으로 업데이트하고 교육합니다. | 보안 엔지니어 | 
| DevOps 및 보안: 타사 라이브러리 및 종속성에서 알려진 보안 취약성 검사 | DevOps 엔지니어 | 
| DevOps 및 보안: 애플리케이션 코드 및 인프라를 스캔하여 취약성 감지 | DevOps 엔지니어 | 
| DevOps 및 보안: 배포 전에 취약성에 대한 코드 분석 | 보안 엔지니어 | 
| DevOps 및 보안: 중요한 취약성이 있는 코드가 병합되는 것을 방지하여 보안 정책 적용 | 보안 엔지니어 | 
| DevOps 및 보안: 역할 기반 액세스 제어(RBAC)를 구현하여 민감한 시스템 및 데이터에 대한 액세스를 제한하고 권한이 있는 직원만 중요한 리소스에 액세스할 수 있도록 합니다. | 보안 엔지니어 | 
| DevOps 및 보안: 팀 구조의 변화에 맞게 역할 및 책임을 기반으로 액세스 제어 조정 | DevOps 엔지니어 | 
| DevOps 및 보안: 프로덕션 환경에 대한 공격을 시뮬레이션하여 실행 중인 애플리케이션의 보안 취약성을 거의 실시간으로 테스트합니다. | 보안 엔지니어 | 
| DevOps 및 보안: 배포된 애플리케이션의 보안 취약성을 지속적으로 모니터링 | DevOps 엔지니어 | 
| DevOps 및 보안: 모든 환경에서 정기적인 취약성 검사를 예약하여 보안 약점을 식별하고 해결합니다. | 보안 엔지니어 | 
| DevOps 및 보안: 취약성 스캔 결과를 기반으로 패치 및 업데이트를 적용하여 보안 시스템 유지 관리 | DevOps 엔지니어 | 
| 애플리케이션 성능 모니터링: 애플리케이션 성능을 거의 실시간으로 지속적으로 모니터링하여 사용자에게 영향을 미치기 전에 성능 문제를 감지하고 진단합니다. | 사이트 신뢰성 엔지니어 | 
| 애플리케이션 성능 모니터링: 응답 시간 급증 또는 오류 발생률 증가와 같은 성능 이상을 감지하고 알림을 시작합니다. | DevOps 엔지니어 | 
| 애플리케이션 성능 모니터링: 요청이 분산 시스템을 통해 전파될 때 추적하여 성능 병목 현상 및 지연 시간 문제를 식별합니다. | DevOps 엔지니어 | 
| 애플리케이션 성능 모니터링: 분산 추적을 사용하여 장애 또는 성능 저하를 담당하는 정확한 서비스 또는 구성 요소를 정확히 찾아냅니다. | DevOps 엔지니어 | 
| 로그 집계 및 분석: 추세와 문제를 식별하기 위해 쉽게 검색하고 분석할 수 있도록 여러 소스의 로그를 중앙 집중식 시스템으로 집계합니다. | 사이트 신뢰성 엔지니어 | 
| 로그 집계 및 분석: 자동화된 로그 구문 분석을 구현하여 관련 정보를 추출하고 문제를 나타낼 수 있는 패턴 또는 이상을 탐지합니다. | DevOps 엔지니어 | 
| 로그 집계 및 분석: 주요 성능 지표 수집 및 시각화 | 사이트 신뢰성 엔지니어 | 
| 로그 집계 및 분석: 사전 정의된 서비스 수준 계약(SLAs)을 기준으로 지표 모니터링 | 제품 관리자 | 
| AI 운영: 인시던트 감지, 근본 원인 분석, 사람의 개입 없이 시정 조치 시작 | DevOps 엔지니어 | 
| AI 운영: 향후 리소스 수요를 예측하고 용량 계획을 최적화하여 중단 방지 | 사이트 신뢰성 엔지니어 | 
| 지속적인 개선: 애플리케이션과의 실제 사용자 상호 작용을 모니터링하여 성능에 대한 인사이트를 수집하고 개선이 필요한 영역을 식별합니다. | UX 디자이너 | 
| 지속적인 개선: 다양한 지리적 리전에서 애플리케이션 성능을 추적하여 전 세계적으로 일관된 사용자 경험을 보장합니다. | 제품 관리자 | 
| 대시보드 모니터링: 사용자 지정 가능한 대시보드를 생성하여 중요한 지표, 로그 및 추적을 거의 실시간으로 시각화하여 시스템 상태에 대한 포괄적인 보기를 제공합니다. | 사이트 신뢰성 엔지니어 | 
| 대시보드 모니터링: 다양한 팀(예: 개발, 운영 및 제품 팀)을 위한 대시보드를 생성하여 중점 영역에 따라 관련 인사이트 제공 | DevOps 엔지니어 | 
| 성능 인사이트: 애플리케이션 성능에 대한 세부 분석을 수행하여 비효율성을 식별하고 코드 또는 인프라를 최적화합니다. | 소프트웨어 개발자 | 
| 성능 인사이트: 성능 인사이트를 사용하여 애플리케이션 성능을 반복적으로 개선하고 시간이 지남에 따라 사용자 경험을 최적화합니다. | 제품 관리자 | 

# 운영 및 유지 관리를 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-ops-maintenance"></a>

소프트웨어가 배포되면 포커스가 운영 및 유지 관리로 전환됩니다. 생성형 AI는 보다 선제적이고 효율적인 시스템 관리를 제공하여 기존 접근 방식을 개선할 수 있습니다. AI 기반 운영 도구는 시스템 성능을 지속적으로 모니터링하고 사용자에게 영향을 미치기 전에 잠재적 문제를 예측합니다. 문제가 발생할 때 자동 근본 원인 분석을 수행하므로 평균 해결 시간이 크게 단축됩니다. 또한 AI는 거의 실시간으로 시스템 성능을 최적화합니다. 변화하는 로드 패턴 및 사용자 동작에 따라 구성을 자동으로 조정합니다. 예를 들어 운영 팀은 AI 어시스턴트를 사용하여 예측 유지 관리 일정을 생성하고, 실패할 가능성이 있는 구성 요소를 자동으로 식별하고, 선제적 조치를 제안할 수 있습니다. 또한 AI는 사용량 추세를 분석하고 향후 리소스 요구 사항을 높은 정확도로 예측하여 용량 계획에 도움이 될 수 있습니다.

다음 표에는 생성형 AI와 해당 사용 사례를 담당하는 페르소나로 개선할 수 있는 운영 및 유지 관리 사용 사례가 나와 있습니다.


****  

| 하위 기능: 사용 사례 | 페르소나 | 
| --- | --- | 
| 인시던트 관리: 팀이 채팅 환경 내에서 직접 문제를 감지, 논의 및 해결할 수 있도록 모니터링 도구를 채팅 플랫폼과 통합하여 인시던트를 거의 실시간으로 관리합니다. | 사이트 신뢰성 엔지니어 | 
| 인시던트 관리: 팀이 배포를 시작하고, 스크립트를 실행하고, 채팅 인터페이스에서 직접 명령을 실행하도록 허용하여 작업을 간소화합니다. | DevOps 엔지니어 | 
| 코드 업그레이드: 코드 종속성 및 라이브러리를 업그레이드하여 수동 작업을 줄이고 코드베이스가 최신 버전으로 최신 상태를 유지하도록 합니다. | 소프트웨어 개발자 | 
| 코드 최적화: 최적화 기회를 위한 코드 검토 | 소프트웨어 개발자 | 
| 코드 최적화: 코드의 병목 현상을 식별하고 코드를 리팩터링하거나 최적화하여 성능을 개선합니다. | 소프트웨어 개발자 | 
| 기술 부채 관리: 개발 프로세스의 일부로 기술 부채 기록 | 제품 관리자 | 
| 기술 부채 관리: 영향, 위험 및 비용을 기반으로 기술 부채의 우선순위를 지정하고 해결하며 이를 정기적인 스프린트 계획 프로세스에 통합합니다. | 소프트웨어 개발자 | 
| 기술 부채 관리: 기존 애플리케이션 코드의 기술 부채 감소 | 소프트웨어 개발자 | 
| 변경 관리: 배포 전에 필요한 이해관계자가 모든 코드 변경 사항을 검토, 테스트 및 승인하도록 하는 변경 승인 프로세스를 구현합니다. | 변경 관리자 | 
| 변경 관리: 제안된 변경에 대한 영향 분석 수행 | DevOps 엔지니어 | 
| 리버스 엔지니어링: 레거시 코드의 구조 및 동작 분석 및 이해 | 솔루션 아키텍트 | 
| 리버스 엔지니어링: 기존 코드 설명 및 설명서 생성 | 소프트웨어 개발자 | 
| 코드 현대화: 한 프로그래밍 언어에서 다른 프로그래밍 언어로 코드 번역 | 소프트웨어 개발자 | 
| 코드 현대화: 레거시 코드를 최신 프로그래밍 언어로 현대화 | 소프트웨어 개발자 | 
| 성능 최적화: 리소스 할당을 최적화하고, 로드 밸런싱하고, 애플리케이션을 재구성하여 시스템 성능을 지속적으로 모니터링하고 조정합니다. | 사이트 신뢰성 엔지니어 | 
| 성능 최적화: 속도와 시스템 응답성을 개선하기 위해 성능 저하를 일으키는 코드를 식별하고 리팩터링합니다. | 소프트웨어 개발자 | 

# 소프트웨어 개발의 생성형 AI 어시스턴트 사용 사례
<a name="generative-ai-capabilities-assistants"></a>

AI 어시스턴트 기능은 생성형 AI 기반 개발 경험의 핵심입니다. 이 지능형 컨텍스트 인식 시스템은 전체 SDLC의 모든 팀원을 위한 가상 공동 작업자 역할을 합니다. 복잡한 코드 조각을 작업하는 개발자를 상상해 보세요. AI 어시스턴트에 도움을 요청하기만 하면 관련 코드 조각을 제공하거나, 복잡한 알고리즘을 설명하거나, 현재 컨텍스트 및 모범 사례를 기반으로 최적화를 제안할 수도 있습니다. AI 어시스턴트는 ITOps 관리자가 내부 문서를 기반으로 하는 표준 운영 절차를 이해하는 데 도움이 될 수 있습니다. AI 어시스턴트는 즉각적인 컨텍스트 지원을 제공하여 팀원의 인지 부하를 크게 줄입니다. 이를 통해 더 높은 수준의 문제 해결 및 창의적인 작업에 집중할 수 있습니다. 이 기능은 소프트웨어 개발의 모든 단계에서 생산성과 품질을 향상시키는 포스 승수 역할을 합니다.

다음 표에는 AI 어시스턴트와 유용한 페르소나로 개선할 수 있는 사용 사례가 나와 있습니다.


****  

| 사용 사례: | 페르소나 | 
| --- | --- | 
| 요구 사항, 아키텍처 및 표준 운영 절차와 같은 질문에 답변하여 개발 팀에 즉각적인 지원을 제공합니다. | 소프트웨어 개발 팀 | 
| 광범위한 설명서에서 발췌한 내용을 검색하거나 검색하거나 자연어 쿼리를 사용하여 요약을 생성합니다. | 소프트웨어 개발 팀 | 
| 요구 사항 문서, 아키텍처 설계 문서 및 내부 프로세스와 같은 긴 기술 문서 요약 | 소프트웨어 개발 팀 | 
| 팀이 일반적인 작업에 사용할 수 있는 프롬프트 라이브러리 유지 관리 | 소프트웨어 개발 팀 | 
| 생성형 AI를 기존 도구 및 시스템에 원활하게 통합 | 소프트웨어 개발 팀 | 
| 다양한 플랫폼, 도구 및 내부 시스템에서 작업 자동화 | 소프트웨어 개발 팀 | 
| 모든 팀원이 액세스할 수 있는 모범 사례, 프로젝트별 정보 및 팀 지식을 포함한 중앙 집중식 지식 리포지토리 생성 | 소프트웨어 개발 팀 | 
| 작업의 컨텍스트를 기반으로 리포지토리에서 관련 지식 검색 | 소프트웨어 개발 팀 | 
| 자동 코드 검토, 근본 원인 분석, 개선 제안, 잠재적 버그 감지 및 문제 해결 수행 | 소프트웨어 개발자, DevOps 엔지니어 및 사이트 신뢰성 엔지니어 | 
| 성능 데이터를 분석하여 성능 최적화에 대한 결정을 내릴 수 있는 추세와 패턴을 식별합니다. | 사이트 신뢰성 엔지니어 | 
| 효율성 향상, 복잡성 감소, 보안 강화를 위한 권장 사항 제공 | 소프트웨어 개발자 | 
| 조정 권장 사항 또는 비용 절감 전략과 같은 클라우드 리소스 사용에 대한 최적화 제안 | 소프트웨어 개발자, DevOps 엔지니어, 사이트 신뢰성 엔지니어 및 솔루션 아키텍트 | 
| 코드, 사용 설명서 또는 제품 기능 릴리스를 기반으로 하는 설명서와 같은 새 콘텐츠 생성 | 소프트웨어 개발 팀 | 

# 분석 및 인사이트를 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-analytics"></a>

분석 및 인사이트 기능은 방대한 양의 데이터를 의사 결정과 지속적인 개선을 주도하는 실행 가능한 인사이트로 변환하는 데 도움이 됩니다. 이 기능은 생성형 AI를 사용하여 코드 리포지토리, 프로젝트 관리 도구, 팀 협업 플랫폼을 비롯한 다양한 소스의 데이터를 처리하여 개발 프로세스와 팀 생산성을 전체적으로 파악할 수 있습니다. 생성형 AI는 예측 및 규범적 분석을 제공하기 위해 기존 지표를 능가합니다. 잠재적 문제를 예측하고 목표 개선 사항을 제안할 수 있습니다. 예를 들어 코드 커밋의 패턴, 버그 해결 속도 및 기능 제공 속도를 분석하여 고성능 팀을 식별하고 병목 현상을 정확히 찾아내며 프로세스 최적화를 제안할 수 있습니다. 또한 팀 역학과 개별 성과에 대한 인사이트를 제공할 수 있습니다. 이러한 인사이트는 리더가 워크로드 배포, 교육 요구 사항 및 팀 구성에 대한 데이터 기반 결정을 내리는 데 도움이 됩니다. 이 기능은 대화형 대시보드를 통해 이러한 인사이트를 제공함으로써 모든 수준의 이해관계자가 정보에 입각한 결정을 내리고, 프로세스를 최적화하고, 팀 생산성을 지속적으로 향상할 수 있도록 지원하므로 고품질 소프트웨어를 더 빠르게 제공할 수 있습니다.

다음 표에는 생성형 AI로 개선할 수 있는 분석 사용 사례와 이러한 사용 사례를 담당하는 페르소나가 나와 있습니다.


****  

| 사용 사례: | 페르소나 | 
| --- | --- | 
| 개인 및 팀 생산성 모니터링 | 개발 관리자 | 
| 생산성 추세를 분석하여 잠재적 번아웃을 탐지함으로써 팀의 안녕과 생산성을 유지하기 위한 사전 조치를 취할 수 있습니다. | 개발 관리자 | 
| 코드 변경이 프로덕션에 배포되는 빈도를 추적하여 개발 프로세스의 속도와 민첩성을 측정합니다. | 제품 관리자 | 
| 배포 빈도 데이터를 분석하여 프로세스 비효율성 또는 리소스 제약을 나타낼 수 있는 배포 활동이 적은 기간을 식별합니다. | 제품 관리자 | 
| 코드 커밋에서 배포까지의 시간을 측정하여 개발 및 배포 프로세스를 간소화할 기회를 식별합니다. | 개발 관리자 | 
| 릴리스 프로세스의 신뢰성을 평가하기 위해 즉각적인 수정이 필요한 실패를 초래하는 배포의 비율을 추적합니다. | 사이트 신뢰성 엔지니어 | 
| 목표 리팩터링 및 테스트 작업을 안내하기 위해 변경 실패율 지표를 사용하여 문제를 자주 일으키는 코드 영역을 식별합니다. | 소프트웨어 개발자 | 
| 가동 중지 시간을 줄이고 전체 시스템 복원력을 개선할 수 있도록 중단 또는 인시던트 발생 후 서비스를 복원하는 데 걸리는 시간 모니터링 | 사이트 신뢰성 엔지니어 | 
| 복원 시간의 추세를 분석하여 인시던트 대응 프로세스를 개선하고 시스템 장애로부터 더 빠르게 복구 | DevOps 엔지니어 | 
| 개발 및 운영 상태에 대한 포괄적인 보기를 제공하기 위해 배포 빈도, 리드 타임, 변경 실패율과 같은 주요 지표를 집계하는 사용자 지정 대시보드를 생성합니다. | 제품 관리자 | 
| 다양한 팀의 요구 사항에 맞게 조정된 대시보드를 생성하여 개발, 운영 또는 비즈니스와 같은 특정 책임 영역에 대한 집중적인 인사이트를 제공합니다. | 제품 관리자 | 
| 더 광범위한 비즈니스 목표에 맞게 개발 노력을 조정하기 위해 수익 영향, 고객 만족도, 시장 점유율과 같은 비즈니스 핵심 성과 지표(KPIs)를 추적합니다. | 제품 관리자 | 
| 새로운 기능이 비즈니스 KPIs  | 비즈니스 분석가 | 
| 코드베이스가 유지 관리 가능하고 안전하게 유지되도록 코드 복잡성, 테스트 범위 및 버그 밀도와 같은 코드 품질 지표를 모니터링합니다. | 소프트웨어 개발자 | 
| 장기적인 지속 가능성을 촉진하고 기술 부채를 줄이기 위해 리팩터링이 필요한 코드베이스 영역 식별 | 솔루션 아키텍트 | 

# 지식 관리를 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-knowledge-mgmt"></a>

모든 소프트웨어 개발 조직에서 지식은 중요한 자산입니다. 생성형 AI로 구동되는 지식 관리 기능은이 자산을 캡처, 구성 및 사용하는 방법을 개선합니다. 기존 지식 관리 시스템에는 너무 많은 정보가 포함되거나, 오래된 콘텐츠가 포함되거나, 관련 정보를 빠르게 찾기 위해 검색하기 어려운 경우가 많습니다.

생성형 AI는 이러한 문제를 미리 해결합니다. 코드 변경, 대화 및 프로젝트 아티팩트를 기반으로 설명서를 자동으로 생성하고 업데이트합니다. 이렇게 하면 팀원의 수동 작업 없이 지식 기반을 최신 상태로 유지할 수 있습니다. 더 중요한 것은 AI를 통해이 지식에 직관적인 방식으로 액세스할 수 있다는 것입니다. 팀원은 자연어로 질문할 수 있으며 AI는 관련 답변을 제공할 수 있습니다. AI는 공식 설명서, 코드 설명, 토론 스레드, 심지어 외부 리소스와 같은 다양한 소스를 활용할 수 있습니다. 예를 들어, 특정 구성 요소를 이해하려고 하는 새로운 팀원이 AI에 “인증 모듈은 어떻게 작동하나요?”라고 질문할 수 있습니다. 그런 다음 AI는 간결한 설명과 관련 코드 섹션, 아키텍처 다이어그램 및 최근 변경 사항에 대한 링크를 제공합니다. 팀원의 역할과 전문 지식 수준에 따라이 정보를 조정할 수도 있습니다.

이 기능은 온보딩을 가속화하고, 반복적인 질문을 줄이며, 조직 전체의 지식 공유를 촉진합니다. 이를 통해 제도적 지식을 보존하여 시간이 지남에 따라 팀이 복잡한 시스템을 더 쉽게 유지 관리하고 발전시킬 수 있습니다.

다음 표에는 생성형 AI와 이러한 사용 사례를 담당하는 페르소나로 개선할 수 있는 지식 관리 사용 사례가 나와 있습니다.


****  

| 사용 사례: | 페르소나 | 
| --- | --- | 
| 모든 프로젝트 관련 지식에 쉽게 액세스할 수 있는 통합 플랫폼 생성 | 소프트웨어 개발 팀 | 
| 다양한 개발 활동에서 지식 수집 | 소프트웨어 개발 팀 | 
| 리포지토리 내에서 관련 지식을 빠르게 찾을 수 있는 고급 검색 기능 제공 | 소프트웨어 개발 팀 | 
| 팀을 위한 학습 모듈 및 경로 개인화 | 소프트웨어 개발 팀 | 

# 확장성을 위한 생성형 AI 사용 사례
<a name="generative-ai-capabilities-extensibility"></a>

확장성을 통해 기존 도구 및 워크플로와 원활하게 통합하는 동시에 조직이 AI 시스템을 특정 요구 사항에 맞게 조정할 수 있습니다. 이 기능은 AI 기능을 널리 사용되는 개발 및 프로젝트 관리 도구에 쉽게 통합할 수 있는 강력한 APIs, SDKs 및 사용자 지정 가능한 인터페이스를 제공합니다. 예를 들어 조직은 자동화된 티켓 우선순위 지정, 노력 추정 및 스프린트 계획을 위한 AI 기반 기능으로 Jira를 개선할 수 있습니다. 지능형 빌드 최적화 및 예측 테스트 선택을 위해 AI로 Jenkins 파이프라인을 보강할 수 있습니다.

또한 확장성을 통해 통합 개발 환경(IDEs), 버전 관리 시스템 및 코드 검토 플랫폼과 심층적으로 통합할 수 있습니다. AI는 코드를 작성하고, 코드 검토를 자동화하고, 컨텍스트 설명서를 생성하는 데 도움이 될 수 있습니다.

또한이 기능은 조직별 데이터에 대한 AI 모델 훈련 및 미세 조정을 지원합니다. 이를 통해 AI는 회사별 코딩 패턴, 아키텍처 기본 설정 및 도메인 지식을 이해할 수 있습니다. 결과는 모든 통합 도구에서 더 관련성이 높고 컨텍스트를 인식하는 지원입니다. 이러한 수준의 유연성과 통합을 제공하여 확장성을 통해 AI 기반 개발 경험이 조직과 함께 발전할 수 있습니다. 기존 도구 체인과 워크플로를 원활하게 개선하면서 변화하는 기술과 비즈니스 요구 사항에 맞게 조정할 수 있습니다.

다음 표에는 생성형 AI와 이러한 사용 사례를 담당하는 페르소나로 개선할 수 있는 확장성 사용 사례가 나와 있습니다.


****  

| 사용 사례: | 페르소나 | 
| --- | --- | 
| 타사 도구를 개발 환경에 통합 | DevOps 엔지니어 | 
| 팀의 고유한 개발 프로세스에 맞게 조정된 사용자 지정 자동화 워크플로 생성 | DevOps 엔지니어 | 
| 다양한 APIs 및 서비스에 연결 | DevOps 엔지니어 | 
| 교차 플랫폼 도구용 커넥터 생성 | DevOps 엔지니어 |