【51CTO.com快譯】 眾所周知，自1956年誕生以來，人工智能(AI)已經徹底改變了許多企業的業務決策，以及資源部署等方式。

在過去的幾十年間，無論是汽車制造廠里的機器人，還是能夠預測貨幣與庫存變化的智能交易系統，人工智能通過讓各個領域的業務得以蓬勃發展，不但證明了其自身的價值，也融入并影響了我們的日常工作與生活。

本文將與您一起來探究，AI如何能夠通過敏捷管理來加速軟件的開發。

AI在軟件開發中的應用

AI已經改變了大部分企業的業務模式。因此，對于軟件開發企業來說也不例外。許多研發團隊正在運用機器學習(ML)來提速并縮短著他們的軟件開發生命周期。與此同時，他們也通過采用AI來重新定義了開發人員應當如何構建其不同的軟件產品。

[[258291]]

對于軟件開發而言，通常情況下，項目團隊需要在構建系統之前，就要事先指定好系統將要實現的各項功能。這一點，我們會在后面詳細介紹。

因此，對于一些過于復雜的判斷步驟，我們不能一律用死板的方法，讓軟件采取某種單純的是非判定。例如，開發人員會通過一整套算法的訓練，來教會軟件系統如何識別，在一張照片中是否包含有消防栓這一元素。

那么，針對上述判斷含有消防栓照片的例子，我們就需要考慮包括：天氣、距離、角度、以及清晰度差異等因素在內的不同排列組合。可見，讓軟件程序簡單地通過枚舉的方式，去判定所有的排列組合顯然是低效且不可能的。下面，讓我們看看究竟如何在敏捷開發過程中實現高效的AI。

在敏捷開發中引入機器學習技術的九種實用方法

盡管已經習慣了使用傳統且熟悉的軟件開發方式，我們仍應該去大膽地嘗試使用機器學習，來加速手頭的軟件開發過程。

我們在實踐中發現：事實上，對于各種軟件接口和數據管理之類的主要應用組件而言，我們完全可以沿用既有的常規軟件，而只需要將機器學習技術引入到SDLC(軟件開發生命周期)中便可。具體步驟如下所示：

1.代碼助手：通常，開發人員的大部分時間都花費在了調試代碼和閱讀文檔上。如果使用基于ML實現的智能化代碼助手，那么開發人員便可以根據既有的代碼庫，快速地獲得各種反饋與建議，從而節省大量的摸索時間。該領域的工具包括：Java的Codota(譯者注：一種捜索和推薦代碼的工具，可用于AI領域)和Python的Kite(譯者注：一款為Python開發人員提供實時代碼片段的工具)。

2.自動代碼重構：有過開發經驗的讀者都知道：擁有整潔的程序代碼對于降低軟件的運維難度，特別是后期的團隊協作與變更，都是非常重要的。不過，客觀事實卻是：無論業務在什么時候發生擴容，對于代碼的重構都是一個必經的痛苦過程。然而，如果能夠成功地引入ML，通過識別代碼中的潛在重構區域，那么我們就能輕松地分析各種既有代碼，進而優化其性能。

3.制定戰略決策：另外一個耗費開發人員大量時間的方面是：在產品的實現過程中，針對服務與功能優先級的討論。通過將過往開發項目中的數據運用到針對AI模型的訓練中，我們可以評估當前應用的執行情況，進而協助業務負責人乃至整個工程團隊，來識別出那些能夠最小化風險，并產生較好效果的方法。

4.提供精確的估算：我們都知道，整個軟件開發行業常以超出預算和時間表而著稱。因此，為了做出好的估算，開發團隊需要深入了解整個項目工程的方方面面。同樣，您可以使用過往項目(如各種用戶故事，成本估算和功能定義)中的數據來訓練不同的ML模型。我的經驗證明：這些因素在預測項目的工作量與費用方面都是非常實用的。

5.錯誤分析與處置：基于ML的代碼助手，既能夠識別出歷史數據中的各種潛在模式，又可以識別到那些常見的錯誤。因此，如果程序員們在開發的過程中頻頻出現某類錯誤，那么代碼助手就會標記出來。與此同時，在軟件被部署之后，ML還可以被用于分析各類日志，進而識別到那些可以被修復的錯誤。現如今，軟件開發人員雖然還需要借助ML來主動地解決代碼中的錯誤，但是在不久的未來，ML會進一步智能化，能夠在無需人工干預的情況下，去自動地糾正軟件中的潛在錯誤。

6.快速原型：過去，為了將某種業務需求轉換為技術實現，我們往往需要花上數月、乃至數年的時間。如今，我們不再苛求開發人員有廣博的知識與技能，ML憑借著各種模型與經驗，就能縮短開發周期，實現快速原型。

7.將AI用于項目規劃：人類大腦的神奇之處在于：沒有兩個項目經理會對同一個項目持有完全相同的看法與觀點。而對于模擬人類智力的ML來說，它完全可以針對各種情況，創建出類似于人類大腦的因果事件序列。

8.風險評估：在軟件開發中，人們針對特定風險所做出的評估與決策，是一個復雜的過程，而且往往會受到預算、計劃、資源等方面的制約。隨著項目的發展，各種外部環境以及其他項目之間的相互依賴性，時常會改變我們的推進方向，進而產生一些新的風險。與此同時，我們人類又會受到對過往信息的記憶和重現能力的限制。而ML則允許我們按需檢索并獲取參數化的信息。我們可以使用過往的項目在開始與結束時不同的狀態數據，來訓練AI的模型，進而獲悉當前開發項目的實際時間表與風險特征。

9.項目資源管理：有著豐富實施經驗的人可能會告訴您：軟件產品的交付質量，取決于是否有合適的人員參與到了項目之中。通過深入地研究過往的項目歷史數據，AI能夠實時地為您提供參與其他項目的開發人員信息。籍此，您可以輕松了解到有哪些開發人員已經為部署做好了準備。另外，ML還能夠幫您預見到，在項目的哪些領域需要增加或減少開發人員的數量。

同時根據當前項目的特征，AI能夠在啟動階段，通過為開發人員提供具有針對性的培訓材料，來提高他們的技能和知識，進而快速地讓各種角色達到項目所需技術要求，并加速項目的交付。

另一方面，AI還能為項目組成員分配工作負載，以保證他們能夠各司其職、且全情投入。而有了AI去自動化地執行各種重復性任務，您還會有更多時間去考慮那些關鍵性的項目決策問題。

那么問題來了：我們又該如何通過人工智能，來改變我們的軟件構建方式呢?

未來我們將如何構建軟件?

在AI環境中，軟件工程師們將不再需要向計算機提供做出決定或采取措施的具體步驟。他們只需要將特定范疇的數據輸入到各種學習算法中便可。因此，重要的是算法模型能夠識別出數據中的特征，進而做出決策。通常情況下，ML會將給定的測試數據，與其數據庫里的既有數據作比較，從而調整算法并做出決定。

[[258292]]

因此，以Google公司的Pete Warden為首專家已開始大膽地預測：在未來十年內，大多數軟件開發工作將不再涉及到編程。同時，OpenAI的前研究科學家、現任Tesla AI總監Andrej Karpathy也認為：未來的程序員將不再需要去維護復雜的存儲庫，分析各種運行環境，以及創建錯綜的程序。他們的主要工作只是：將收集、過濾、標記、分析、以及可視化的數據輸送到神經網絡中便可。

傳統的開發過程與機器學習的開發模型

過去傳統的軟件構建方法大致如下：

1.開發人員首先開展需求分析與定義。

2.然后進行軟件相關設計。

3.在后續的開發階段，他們使用Java或C++等編程語言，通過程序代碼為計算機提供明確的執行步驟。

4.在軟件完成構建之后，他們通過運行各種測試，以確保軟件能否達到預期的效果。

5.在實現了質量保證之后，軟件代碼才能夠被部署到生產環境中。

6.工程師們還必須不斷地維護軟件的相關代碼。

[[258293]]

在敏捷開發的過程中，為了加快軟件的開發進程，團隊成員通常會選擇較小功能或功能組，集中精力進行2到4周的sprints(譯者注：單次迭代的開發內容)。因此，就基礎層面而言，敏捷和瀑布開發有著相似之處。

然而，在ML的軟件開發模型中，開發人員只需要定義問題，并列出他們想要實現的目標。后續的工作就只涉及到收集數據，準備數據，將數據提供給學習算法，接下去便是部署、集成和管理模型。

結論

毫無疑問，AI的實施給軟件項目的敏捷開發帶來了巨大的“紅利”。通過自動化各種繁瑣的任務，以及智能化各類算法模型，開發團隊會擁有更可靠的預算編制，更高效的人員利用率，更快捷的錯誤檢測，更切實的代碼重構建議，并能獲得更多項目收益。

原文標題：9 Ways To Implement Artificial Intelligence and Agile-Powered Management in Software Development ，作者：Chandresh Patel

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】