《A1--鄭凱--華為云研發效能度量智能化治理實踐及智能化度量平臺.pdf》由會員分享,可在線閱讀,更多相關《A1--鄭凱--華為云研發效能度量智能化治理實踐及智能化度量平臺.pdf(22頁珍藏版)》請在三個皮匠報告上搜索。
1、華為云研發效能度量智能化治理實踐及智能化度量平臺鄭凱華為云研發效能度量平臺產品經理鄭凱華為云研發效能度量平臺產品經理現華為云研發效能度量平臺產品經理,在DevSecOps領域有6年工作經驗,深度參與華為云一站式研發效能度量平臺建設工作,支撐華為云軟件可信變革,基于數據驅動改進支撐華為云研發質量效能的提升。在華為之前從事數據報表平臺開發工作,負責數據采集、數據計算、數據可視化、數據分析洞察等平臺能力建設。目錄C O N T E N T S1.效能度量平臺智能化背景和趨勢2.智能化度量平臺的業務目標和挑戰3.智能化度量平臺建設思路4.效能度量智能化治理實踐與效果5.未來展望效能度量平臺智能化背景和
2、趨勢根據2024年Gartner提供的敏捷和DevOps技術成熟度曲線,效能管理平臺仍然處于技術萌芽期,已經連續3年入選該曲線,潛在的技術突破即將開始。效能度量平臺向智能化方向發展,AI輔助效能度量是技術突破方向之一。2024年Agile和DevOps技術成熟度曲線根據調研統計,AI對于研發領域的各環節,都能帶來效率的提升,AI輔助研發提效已經成為業界共識。領先科技企業提效正在向AI Agent、平臺化、賦能團隊、規?;l展,度量改進助手和研發資產數據治理是領先科技企業探索中的舉措。智能化度量平臺的業務目標和挑戰項目經理部門Leader高層管理者優化價值管理模式,輔助研發投資決策,預測未來市場
3、布局識別和分析項目風險,提供智能化風險預警自動評估人員工作產出、工作負載、工作質量,提供智能化改進建議經營分析報告項目進展報告績效評估報告期望的業務目標智能化度量平臺的業務目標和挑戰生成式AI應用于效能度量面臨的挑戰片面性見解生成式AI使用的是一個在大量示例數據集上訓練過的模型,訓練過程中可能會無意中學習數據中存在的偏見或刻板印象。在實際應用中,有偏見的語言可能對現實世界產生影響,因此使用者的水平和知識,對 AI 生成的結果的有效性至關重要。業務復雜度高研發效能度量涉及軟件研發全流程,研發改進涉及組織、流程、技術、人才各個方面,是個復雜的系統工程。在軟件研發全流程中,AI對于簡單、重復的任務的
4、交付效率將獲得極大的提升,但復雜任務收益不多。度量結果與目標管理分離研發人員考評管理過程中,需要善用度量指標,不以度量代替目標管理,否則很容易陷入“你度量什么,就會得到什么”的典型誤區。生成式AI提供的見解往往是基于實際數據,在績效管理過程中僅作為參考依據。實際解決的問題以及價值場景數據采集數據處理數據資產可視化數據運營數據解析數據去重數據脫敏數據濾毒數據增強數據清洗數據提取數據適配數據標注數據分類數據建模表注釋&列注釋血緣關系數據索引數據集指標生成報告生成閾值設置趨勢預測異常檢測歸因分析智能見解智能化度量平臺的業務目標和挑戰智能化度量平臺建設思路實現研發管理提質增效戰略目標建設方向數據標注數
5、據分類通過識別識別研發過程的簡單、重復性工作,驅動人員、工具、業務、流程、組織效率提升基于數據標注的數據分類,分析研發工具、流程存在的不足并優化改進,提升工具效率、流程效率分類決策樹模型人員效率智能見解管理改進組織效率基于度量分析報告和E2E追溯圖譜,自動發現研發過程的薄弱環節,給出智能化管理改進意見,提升組織效率指標生成數據集模型業務效率基于度量平臺提供的數據集模型,業務人員通過自然語言生成指標,分析研發現狀,從而提升業務效率通過機器學習建立分類決策樹模型,實現研發活動數據的自動標注,降低人工投入,提升人員效率戰略保障研發數字化平臺建設思路工具效率流程效率智能化度量平臺建設思路細化垂域場景開
6、展治理:數據專家梳理垂域場景清單,基于場景提供高質量語料。單個垂域分階段量化評估能力GAP:識別垂域內能力GAP,驅動各專家團隊改進。研發效能度量平臺的作業流:數據底座數據作業編排調度工具適配器數據集成數據標注數據分類流水線測試構建部署主數據代碼檢查需求代碼標準數據資產研發工具鏈數據湖數 據 湖效能度量智能化治理實踐實踐1-機器學習輔助代碼檢視意見分類,固化代碼規范/問題案例集/掃描規則,沉淀數據資產,提升檢視效率和代碼質量原始檢視意見有效檢視意見原始決策樹規則過濾定義分類標準分類決策樹模型人工分類意見人工分類人工復核機器分類意見機器分類分類檢視意見機器學習模型接口代碼規范/問題案例集/掃描規
7、則分類分析研發效率提升數據運營研發效能度量智能化治理實踐實踐1-機器學習輔助代碼檢視意見分類,固化代碼規范/問題案例集/掃描規則,沉淀數據資產,提升檢視效率和代碼質量研發效能度量智能化治理實踐實踐2-機器學習輔助研發現網事件分類分析,結合E2E追溯圖譜,采用異常檢測算法和智能見解,發現研發過程薄弱環節,從而驅動研發管理改進,提升產品質量故障預警異常檢測研發薄弱環節智能見解研發過程具體問題數據分析現網事件現網事件分類樹機器學習現網事件技術根因改進地圖事件分類關鍵風險路徑E2E追溯圖譜質量提升管理改進研發效能度量智能化治理實踐實踐2-機器學習輔助研發現網事件分類分析,結合E2E追溯圖譜,采用異常檢
8、測算法和智能見解,發現研發過程薄弱環節,從而驅動研發管理改進,提升產品質量研發效能度量智能化治理實踐實踐2-機器學習輔助研發現網事件分類分析,結合E2E追溯圖譜,采用異常檢測算法和智能見解,發現研發過程薄弱環節,從而驅動研發管理改進,提升產品質量研發效能度量智能化治理實踐實踐2-機器學習輔助研發現網事件分類分析,結合E2E追溯圖譜,采用異常檢測算法和智能見解,發現研發過程薄弱環節,從而驅動研發管理改進,提升產品質量研發效能度量智能化治理實踐實踐3-結合大模型和小模型,通過自然語言生成效能度量指標,提升度量平臺易用性,輔助業務人員效率提升研發大模型小模型研發數據應用洞察平臺NL2SQL未來展望1.AI輔助研發應用整體趨勢從“個人研發體驗和效率”,向“團隊研發體驗和效率”延伸,結合個人能力的增強,以及全流程的系統優化,才能持續提升效率和解決業務問題。2.為支撐高質量的AI應用,對工具平臺、知識資產、AI安全、能力&組織更高要求。3.生成式 AI 以語言為交互方式,而軟件研發的整個生命周期需要溝通交流的場景隨處可見,似乎每一種場景都可以利用 AI 來提效。但考慮到大語言模型昂貴的資源成本,企業應當聚焦在經過驗證的速贏場景和高價值的關鍵場景。感謝聆聽關注公眾號