7. Hva betyr risikoprediksjon?
Bruker
Krav
Risko_score
ML Prediksjonsmodel
Trenning-
datasett
Manuell
risikoanalyse
Test
Drift
Defekter
Krav
Utvikling
Forbedret testplanlegging
og -prioritering
Beslutningsstøtte
Historiske
data
11. Resultater fra pilot
Bedre innsikt i hvilke parametere som påvirker kravrisiko.
Lærer å kjenne våre data.
Meta-datamodell for lagring av data fra Jira og Zephyr.
Utviderbare komponenter for datauttrekk og ML-trening.
Kompetanse på ML-algoritmer.
Inspirasjon til å finne løse nye problemer innen utvikling og test.
Bevissthet
Bærekraftig
plattform
Kompetanse og
motivasjon
12. Erfaringer fra pilot
Ingen grundig analyse av
treningsdatasett eller tuning av
modellen gir dårlig treff på prediksjon
ML Risiko
prediksjon
De raskeste teamene har ikke behov for
beslutningsstøtten på risiko
“Smidighet vs. risiko-oppfatning”
Inspirende å få gjennomført pilot
“Quick-win”
Bruk av ML-platform vs.
alternative ML-algoritmer
Ulike praksiser for dataregistrering i Jira
på tvers av team – “Hastighet vs.
detaljeringsgrad på registrert data”
Kompleksitet klassifisering er
nyttig men mye manuell
annoteringsjobb
Følge prosessen (analyse og forankring)
i neste ML-implementering
13. Veien videre…
Risikoprediksjon for et utviklingsteam.
Måler:
• Treffsikkerhet
• Opplevd nytteverdi
Utprøving
Nye problemer
Predikere forventet rette-tid for en defect
(12.000 datapunkter uten behov for manuell annotering)
Identifisere nye business cases og muligheter for
utnyttelse av data fra andre kilder (Splunk, Stash, …)