CC BY
0
Key words: quality management, technology.
Antipova Tatyana Nikolaevna, doctor of technical sciences, professor, antipova@ut-mo. ru, Russia, Korolev, Technological University named after twice Hero of the Soviet Union, Cosmonaut A.A. Leonov,
Babkin Dmitry Sergeevich, postgraduate, tevtonez9@yandex. ru, Russia, Korolev, Technological University named after twice Hero of the Soviet Union, Cosmonaut A.A. Leonov
УДК 006.86
DOI: 10.24412/2071-6168-2024-3-452-453
РАЗРАБОТКА И ВНЕДРЕНИЕ СИСТЕМЫ ОЦЕНКИ РАБОТ ИТ СОЗДАВАЕМОЕ НА БАЗЕ ИИ
И.В. Гаранин, Н.Е. Садковская
Разработка и внедрение системы на базе искусственного интеллекта (далее ИИ) для оценки специалистов с целью повышения качества создаваемого программного продукта — это важный шаг в управлении проектами разработки программного обеспечения. Данная система предназначена для оценки компетенций и производительности специалистов, участвующих в разработке программного продукта, с помощью анализа данных и прогнозирования результатов. ИИ-система включает в себя набор инструментов, алгоритмов машинного обучения, анализа данных и нейронных сетей, которые обеспечивают возможность создания модели оценки специалистов на основе объективных критериев. Это позволяет автоматизировать процесс оценки, исключить субъективные факторы и повысить точность прогнозирования результатов труда специалистов. Внедрение подобной системы позволяет оптимизировать процесс оценки качества работы специалистов на этапе разработки программного продукта, выявлять сильные и слабые стороны каждого участника команды, а также разработать подходящие стратегии для повышения качества проекта.
Ключевые слова: разработка программного обеспечения, менеджмент качества, стандартизация, обеспечение качества, гибкие методологии разработки программного обеспечения, SCRUM, KPI, SLA.
Современная индустрия разработки программного обеспечения сталкивается с необходимостью повышения производительности и качества создаваемых продуктов. Одним из ключевых факторов, влияющих на успешность проектов, является профессионализм участников команды разработки. В этом контексте разработка и внедрение системы оценки специалистов на проекты на базе искусственного интеллекта (ИИ) представляет собой важный шаг в обеспечении качества и эффективности труда специалистов.
Вопросы повышения качества программного обеспечения регулируется международными стандартами ISO/IEC 25010:2011, ISO 9001:2015, также стоит отметить ГОСТ Р 54837-2011(ИСО/МЭК 19796-3:2009) дающий описание эталонных метрик, которые могут использоваться для измерения качества в процессах. Что же касается регулирование качества на уровне внутренних стандартов организации, находят применение численные метрики, такие как SLA - (Service Level Agreement) дословно переводится как «Соглашение об уровне обслуживания (оказания услуги)», то есть это договор об уровне предоставляемого сервиса. В случае упоминания термина «бизнес показатель», в этом случае часто используется метрика измерения KPI - (Key Performance Indicator) измеримая величина, которая демонстрирует, насколько эффективно компания достигает ключевых бизнес-целей.
Система предназначена для автоматизации процесса оценки производительности и компетенций специалистов, участвующих в разработке программного продукта, с использованием современных технологий ИИ. Разработка подобной системы позволит повысить объективность оценки, улучшить управление персоналом и оптимизировать процесс принятия решений.
Целью данного исследования является разработка системы оценки специалистов в проектах на основе ИИ, а также определение возможных выгод и преимуществ, которые могут быть получены при ее внедрении в сфере разработки программного обеспечения. В ходе исследования анализируется влияние подобной системы на качество создаваемого продукта, эффективность управления персоналом и мотивацию сотрудников компании. Исследование представляет обзор существующих технологий и подходов к разработке систем оценки специалистов на базе ИИ, а также анализирует практические примеры успешной реализации подобных систем в различных компаниях. Предполагается, что результаты исследования смогут быть использованы для практической реализации системы оценки специалистов на проектах на базе ИИ в сфере разработки программного обеспечения.
Анализ соозданной системы оценки и назначения специалистов на проекты. Цель создаваемой системы заключается в выделении наиболее эффективных и подходящих методов для разработки и внедрения системы оценки и назначения специалистов разного уровня подготовки на проекты определенной сложности.
На основе данных и аналитики система может предлагать рекомендации по улучшению управления и производительности. Например, система может предложить ресурсы для перераспределения, подсказать о возможных задержках в проектах и другие рекомендации.
Автоматизированные процессы могут быть внедрены для оптимизации задач, такие как автоматическое назначение задач, мониторинг сроков выполнения и т. д.
Ниже рассмотрим разработанные цели совершенствования системы управления качеством разработки программных продуктов, рекомендаций и мониторинга:
1) Оценка коммуникации и сотрудничества. Сотрудничество и командная работа:
Этот параметр оценивает способность сотрудника работать в команде, разрешать конфликты и вносить позитивный вклад в коллективную деятельность
2) Оценка потребностей в обучении и развитии. Профессиональное развитие:
Мы следим за активностью сотрудника в процессе обучения и развития его навыков и знаний в соответствии с требованиями ИТ-индустрии.
3) Управление социальными навыками и компетенциями:
Коммуникационные навыки: Мы анализируем способность сотрудника эффективно общаться с коллегами, руководством, клиентами и другими сторонами.
4) Оценка самостоятельности и инициативности:
Аналитические способности - оценивается способность сотрудника анализировать данные, принимать обоснованные решения и решать сложные задачи.
Инициатива и самостоятельность - анализируется готовность сотрудника предлагать улучшения и работать над проектами самостоятельно, без постоянного микроуправления.
5) Оценка вовлеченности сотрудников в жизнедеятельность компании:
Мы оцениваем, насколько сотрудник вовлечен в жизнедеятельность компании, насколько он разделяет ее ценности и корпоративную культуру.
Разработка методологического аппарата. Реализация системы проводилась на языке Python. В начале процесса необходимо установить и настроить необходимые библиотеки. Для этого используется менеджер пакетов pip, который позволяет легко установить и управлять пакетами Python. Библиотеки для работы с базами данных и разработки веб-интерфейса являются основными для данной системы.
После установки необходимых библиотек можно приступить к созданию и настройке базы данных для хранения информации о специалистах, проектах и назначениях. Для этого используется инструмент ORM (Object-Relational Mapping) Django, который позволяет работать с базой данных, применяя объектно-ориентированный подход. Необходимо создать модели данных, определяющие структуру таблиц в базе данных.
В коде используются данные, загруженные из файла csv, где столбцы представляют различные факторы, влияющие на оценку самостоятельности и инициативности сотрудников. Модель линейной регрессии обучается на обучающей выборке, а затем оценивается на тестовой выборке с помощью коэффициента детерминации.
С помощью библиотеке H2O AutoML, строится регрессионная модель по каждой из целей, далее мы предсказываем новые данные и оцениваем метрики регрессии для оценки модели.
Алгоритм действий повторяется от модели к модели и показан на рисунке 1.:
1. Подготовка: импортируются необходимые библиотеки, включая pandas для работы с данными, skleam для моделирования и countvectorizer для преобразования текста в числовые признаки.
Загружаются данные из файла с помощью функции read_csv().
2. Обучение: изучаем модель регрессии с помощью узла "H2O AutoML Learner (Regression)", используя настройки алгоритма по умолчанию, но ограничивая максимальное время выполнения до 60 секунд. Узел изучает и оптимизирует несколько различных моделей и автоматически выбирает лучшую. Выходные данные узла — это выбранная модель и таблица лидеров, показывающая метрики для различных моделей. Первая строка таблицы лидеров — это выбранная модель.
3. Прогнозирование: построение прогнозов по тестовым данным, используя выбранную модель.
4. Оценка: для оценки модели используются различные показатели, оценивая прогнозы, сделанные по тестовым данным:
- Оценивается уровень сотрудничества модели на тестовой выборке с помощью метода score() и выводится результат оценки.
- Оценка потребностей в обучении и развитии на тестовой выборке.
- Оценка навыков и компетенций сотрудников.
- Оценка самостоятельности и инициативности сотрудников на проектах, по данным из служебных переписок и оценки другими сотрудниками и руководством.
- Оценка вовлеченности сотрудников в жизнь компаний по периодически проводимым отчетам.
1. Prepare
2. Learn
3. Predict
4. Score
Excel Reader
H20 AutoML Learner (Regression)
H20 Numeric Scorer
Рис. 1. Алгоритм оценки целей проводимой с помощью библиотеке H2O AutoML
Выводы по итогам внедрения системы. При внедрении инструмента контроля с использованием ИИ в ИТ компании, были отмечены следующие положительные эффекты:
453
Кейс №1 Оценка коммуникации и сотрудничества. Результат: Анализ текстовых данных, таких как электронная почта, чаты и отчеты, с использованием ИИ выявляет напряженность в коммуникации и помогает выявить конфликты. Это позволяет рано реагировать на проблемы и улучшать командную работу.
Кейс №2 Оценка потребностей в обучении и развитии. Результат: ИИ анализирует данные о производительности и обучении сотрудников и предлагает индивидуальные планы обучения и развития. Например, система может рекомендовать онлайн-курсы или тренинги.
Кейс №3 Оценка самостоятельности и инициативности. Результат: Анализ готовности сотрудника предлагать улучшения и работать над проектами самостоятельно, без постоянного микроуправления.
Кейс №4 Оценка вовлеченности сотрудников в жизнедеятельность компании. Результат: система сигнализирует руководителям о вовлеченности сотрудников, а также показывает рейтинги, положительного влияния на коррективы в систему мотивации.
Управление IX * Как организовано управление 1Т разработкой в командах
Количество Управление
7 Ручное
Системы 50 Регламенты
Отчетности
Менеджер
О
1 МЕНЕДЖЕР
Г)
Мощность
7FTE
42,5 FTE
Эффективность
100%
85%
1 МЕНЕДЖЕР
Модель управления
Ручное управление с учетом индивидуальных особенностей разработчиков
Управление посредством регламентов, систем учетов, процессов
100
Системы Регламенты Отчетности
А
3 МЕНЕДЖЕРА
70FTE
Управление посредством 7 0 регламентов, систем учетов,
процессов - в масштабе
100
Системы Регламенты
Отчетности +
Искусственный интеллект
&
3 МЕНЕДЖЕРА
90FTE
90%
Рис. 2. Управление ИТ в компании
Системное управление производством, учитывая индивидуальные особенности разработчиков, которые диагностирует искусственный интеллект
Выводы
1. Внедрение инструмента с использованием искусственного интеллекта (ИИ) для управления качеством в процессах создания программных продуктов имеет ряд положительных эффектов.
1.1 Во-первых, ИИ позволяет автоматизировать процессы контроля качества и сократить время на их выполнение. Это особенно важно при работе над большими проектами, где необходимо быстро проверять множество файлов и документов.
1.2 Во-вторых, использование ИИ помогает улучшить точность и эффективность проверки качества. Алгоритмы машинного обучения могут анализировать большие объемы данных и выявлять скрытые закономерности, что позволяет более точно определять ошибки и недочеты в работе.
1.3 Применение ИИ способствует повышению мотивации сотрудников за счет автоматической оценки результатов работы. Это может стимулировать работников к более тщательной проверке качества и повышению эффективности работы.
2. Результаты исследования показали, что:
2.1 ИИ анализирует данные о решениях, принятых руководством, и их воздействие на производительность и удовлетворенность сотрудников, что позволяет оптимизировать стратегии управления.
2.2 После внедрения системы на 20% повысилась эффективность менеджером, всвязи с тем, что они принимали более грамотные решения, основываясь на созданной системе, которая помогает в их принятии, см. рис. 2.
3. Внедрение инструмента с использованием ИИ для управления качеством в процессах создания программных продуктов является эффективным способом повышения производительности и улучшения качества продукции.
Список литературы
1. Bass, J. Influences on agile practice tailoring in enterprise software development // Proceedings of AGILE India. IEEE Computer Society, Washington, DC, 2012. P. 1-9.
2. Paulk M.C., Curtis B., Chrissis M.B., Weber C.V. Capability maturity model for software (CMU/SEI-93-TR-24). Software Engineering Institute, Carnegie Mellon University. 1995.
3. Humphrey W.S. Managing the software process. Addison-Wesley. 1989.
4. IEEE Std 730-2014. IEEE standard for software quality assurance processes. 2014.
5. Smirnov A.V. Methods of evaluating and software quality management // Известия СПбГЭТУ ЛЭТИ. 2019. № 2. С. 20-25.
6. Nazarenko M.A. Quality management of tax burden's optimization processes in russia commercial enterprises // International Transaction Journal of Engineering, Management and Applied Sciences and Technologies. 2019. Т. 10. № 6. С. 837.
7. Гаранин И.В., Садковская Н.Е. Методы повышения качества разработки программного обеспечение на основе DOR и DOD // Качество и жизнь. 2022. № 3 (35). С. 26-32.
8. Гаранин И.В., Садковская Н.Е. Метод повышения качества разработки программного обеспечения с использованием методологии TETRIS // Современные наукоёмкие технологии. 2023. № 3. С. 22-28.
9. Гаранин И.В., Садковская Н.Е. Разработка и внедрение системы оценки и привлечения специалистов разного уровня подготовки к реализации проектов определенной сложности // Контроль.Диагностика, 2024. Том 27. No 01. С. 49-56.
Гаранин Иван Васильевич, аспирант, [email protected], Россия, Москва, Институт радиотехнических и телекоммуникационных систем РТУ МИРЭА,
Садковская Наталья Евгеньевна, д-р техн. наук, профессор, natsadkovskaya@rambler. ru, Россия, Москва, Институт радиотехнических и телекоммуникационных систем РТУ МИРЭА
DEVELOPMENT AND IMPLEMENTATION OF A SYSTEM OF METRICS FOR EVALUATING THE QUALITY OF
SOFTWARE PRODUCTS
I.V. Garanin, N.E. Sadovskaya
The development and implementation of a system based on artificial intelligence (hereinafter referred to as AI) for assessing specialists for projects in order to improve the quality of the created software product is an important step in managing software development projects. This system is designed to assess the competencies and performance of specialists involved in the development of a software product, using data analysis and predicting results. The AI system includes a set of tools, machine learning algorithms, data analysis and neural networks, which provide the ability to create a model for assessing specialists based on objective criteria. This allows you to automate the assessment process, eliminate subjective factors and increase the accuracy of forecasting the results of specialists' work. The implementation of such a system allows you to optimize the process of assessing the quality of work of specialists at the stage of software product development, identify the strengths and weaknesses of each team member, and also develop suitable strategies to improve the quality of the project.
Key words: software development, quality management, standardization, quality assurance, agile software development methodologies, SCRUM, KPI, SLA.
Garanin Ivan Vasilyevich, postgraduate, Garanin [email protected], Russia, Moscow, Institute of Radio Engineering and Telecommunication Systems of RTUMIREA,
Sadkovskaya Natalia Evgenievna, doctor of technical sciences, professor, natsadkovskaya@rambler. ru, Russia, Moscow, Institute of Radio Engineering and Telecommunication Systems of RTU MIREA
УДК 621.9.08
Б01: 10.24412/2071-6168-2024-3-455-456
РЕКОМЕНДАЦИИ ПО ВЫБОРУ ИЗМЕРИТЕЛЬНОГО НАКОНЕЧНИКА КИМ
С.М. Никольский
В настоящей статье приведены рекомендации по выбору измерительных наконечников КИМ в зависимости от поставленной измерительной задачи. Рассмотрены различные конфигурации существующих на данный момент измерительных наконечников.
Ключевые слова: измерительный наконечник, щуп, КИМ, материал, конфигурация
На сегодняшний день координатно-измерительная машина (КИМ) — это одно из наиболее эффективных средств измерений, предназначенное для определения разнообразных геометрических характеристик изделия, в том числе отклонения формы и расположения поверхностей деталей различных типов и сложности [1].
Успешное выполнение измерений существенным образом зависит от способности измерительного наконечника или щупа (рисунок 1) достигать определённого элемента, сохраняя затем точность в точке контакта [2].
D
Д Диаметр шарика В Общля длина
т С Диаметр
стержня щупа Эффект некая рабочая длина
Рис. 1. Измерительный наконечник КИМ
455
