AI en hyperautomation in de voortbrengingsketen van robuuste software

AI in vier fases van de keten 

Je kunt AI inzetten in alle vier de fases van de software-voorbrengingsketen. 

1. Softwaredesign

Het softwareontwikkelproces begint altijd bij een businessidee: kunnen we dit niet automatiseren? Het is aan business analisten de taak om uit te denken hoe dat zou moeten. AI kan daar op verschillende manieren bij helpen. In de eerste plaats kan ChatGPT worden ingezet om te brainstormen. Je kunt bijvoorbeeld je proces beschrijven en ChatGPT vragen waar verbetermogelijkheden liggen. AI en Machine Learning lenen zich uitstekend voor het analyseren van grote hoeveelheden businessdata, die je soms nodig hebt om een idee te kunnen staven en de businesscase door te rekenen. Als ontwikkelaars twijfelen welke tool ze het best kunnen inzetten, kunnen ze die vraag simpelweg aan ChatGPT stellen en hoeven niet meer zelf te googelen en onderzoek te doen. En tot slot kunnen business analisten deze generatieve AI ook gebruiken om user stories en acceptatiecriteria te schrijven, en om achteraf te controleren of de door hen geschreven user stories voldoen aan de gestelde criteria. 

2. Software development

Ook in de ontwikkelfase kun je AI op meerdere manieren inzetten. In de eerste plaats kun je AI code laten genereren. GitHub Copilot, ontwikkeld door OpenAI in samenwerking met GitHub, bestaat inmiddels alweer enkele jaren en werkt op een soortgelijke manier als ChatGPT, maar dan specifiek gericht op het schrijven van code. De tool stelt regels of soms zelfs hele codeblokken voor terwijl je typt. Andere tooling, zoals SonarCloud, gebruikt AI om al gemaakte code te controleren op kwaliteit en beveiliging. Je kunt dergelijke tools ook inzetten om te controleren of de ontwikkelde applicatie niet onnodig veel energie gebruikt.  

Als je dan toch al gebruikmaakt van generatieve AI, dan is het een kleine stap om op die manier ook je tests en de documentatie te schrijven.  

3. Deployment

Het uitrollen van nieuwe software kan efficiënter worden gemaakt met testautomatisering en hyperautomation. Vooral als je meerdere keren per dag nieuwe software live wilt zetten, helpt dit je om de implementatietijd te verkorten en de kans op fouten te minimaliseren. 

4. Beheer

In de beheerfase levert AI al veel langer een bijdrage; de zogenaamde AIOps. Dit zit vandaag de dag vaak al standaard onder de motorkap van monitoringtooling. AIOps brengt gegevens die traditioneel in verschillende systemen stonden (IT servicemanagement, IT operations) bij elkaar en analyseert die in samenhang, daarbij gebruikmakend van machine learning. In combinatie met AutoHealing levert dit beheerders veel tijdwinst op. Je kunt AIOps ook gebruiken om te voorspellen hoeveel resources je op welke momenten nodig hebt. En uiteraard speelt AI een grote rol in het herkennen van securityincidenten. Tot slot kun je de servicedesk ontlasten met een chatbot. Het wordt nog efficiënter als die chatbot de vraag van een medewerker combineert met specifieke gegevens over hem of haar, bijvoorbeeld op welk device hij of zij werkt en welke eerdere problemen er zijn geweest.  

De praktijk in software design  

Diverse business analisten van AMIS Conclusion gebruiken AI-agents in het softwaredesignproces. Software developer Steven Grond vertelt hoe dat in de praktijk werkt. “De AI-agent start een interactief vraag-antwoordspel. Dat spel begint met vragen over de functionele kant van de te ontwikkelen software: welk probleem wordt ermee opgelost? Wie gaan ermee werken in welke situaties? En eindigt bij technische vragen over de positie van de tool in het landschap en de applicaties waarmee data moet worden uitgewisseld. Als business analist krijg je door de volledigheid en diepgang van de vragen een nog beter beeld van de klantvraag, maar ook van de technische vereisten. De tool voorkomt dus dat je dingen over het hoofd ziet.”  

Patrick constateert dat er nog een ander voordeel is. “Door de vragen die de AI-agent stelt, wordt je gedwongen om een slag dieper na te denken, om niet je vastgeroeste denkpatroon te volgen. Dat leidt tot creatievere oplossingen die misschien niet meteen voor de hand liggen.” 

Tot slot wijst hij op de brug die dergelijke tooling slaat tussen de laatste stand van de techniek en de businessvraag. “De agent kent bijvoorbeeld de meest recente Azure-componenten. Soms gaan de technische ontwikkelingen zo snel, je kunt als business analist simpelweg niet overal van op de hoogte zijn. De AI-agent heeft van dat soort beperkingen geen last.”