utworzone przez Marcin Żmigrodzki
Opisana w książce o tym samym tytule metodyka pięciodniowego sprintu jest szczególnym przypadkiem. Nie nadaje się na prowadzenie projektów od początku do końca. Dedykowana jest jedynie to rozwiązywania wyjątkowo trudnych problemów takich, jak najważniejsze założenia nowego produktu, albo ograniczenia technologiczne.
Wyjątkowo duży problem to taki, nad którym musi skupić się cały zespół i który stanowi blokadę w dalszej realizacji projektu. Nie ma sensu stosować metodyki pięciodniowego sprintu do bieżących prac.
Artykuł jest fragmentem książki Bardziej niż Agile będącej w trakcie druku: https://onepress.pl/ksiazki/bardziej-niz-agile-marcin-zmigrodzki,baragi.htm#format/d
Podejście to zakłada, że w ciągu tygodnia zespół jest w stanie rozwiązać trudny problem, o ile zastosuje dość rygorystyczny podział prac.
(więcej…)
utworzone przez Marcin Żmigrodzki
Postanowiłem zrobić kolejny krok, analizując możliwości sztucznej inteligencji w analizie wymagań. Napisałem system, który na podstawie wczytanej dokumentacji ma zadanie napisać instrukcję stanowiskową.
SOPULO działa w trzech krokach:
- Prosi o wczytanie dokumentów opisujących dany proces. Następnie je automatycznie analizuje od strony zawartości.
- Prosi o wybranie sekcji dokumentu SOP, które mają pojawić się w finalnym dokumencie. Użytkownik może dowolnie poprzestawiać ich kolejność przez przeciąganie i upuszczanie.
- Każda sekcja może zostać automatycznie wygenerowana przez algorytm sztucznej inteligencji. Jeżeli użytkownikowi spodoba się rezultat, może przejść dalej. Jeżeli nie, to może ponowić generowanie, albo cofnąć się do kroku wcześniejszego i wczytać więcej dokumentacji.
- Na kolejnej zakładce użytkownik może edytować wygenerowane treści według własnego uznania.
- Wreszcie całość można pobrać w formacie PDF lub DOC do dalszej obróbki.
SOP (standard operating procedure) to dokument opisujący, w jaki sposób powinien zachować się pracownik w ramach pracy w danym procesie. Z jednej strony ujmuje proces w zawężonej perspektywie wybranej roli/aktora, a z drugiej strony dodatkowo zawiera informacje o oczekiwaniach jakościowych pracy, etykiecie, sposobie rozmowy z klientem, warunkach brzegowych, sposobach poprawnego wykonania zadania itd.
Idea tworzenia SOP powstała w wojsku amerykańskim, a stamtąd przeniosła się do procedur medycznych. Dzisiaj rozlewa się na świat biznesu. Odbiorcą SOP jest konkretny operator w procesie i celem jest zwiększenie jakości i powtarzalności wykonywanej pracy.
To wciąż jest prototyp i ciągle jest poprawiany. Natomiast to, co mnie przede wszystkim interesuje to, czy nawyki i oczekiwania pracowników zmieniają się w kierunku wykorzystywania takich narzędzi jak Sopulo zamiast ręcznego pisania dokumentacji.
A tutaj link do systemu: https://sopulo.com/
Zapraszam do używania i jestem bardzo ciekaw waszych uwag.
utworzone przez Marcin Żmigrodzki
Wprowadzenie
Pojawienie się algorytmów generatywnych języka naturalnego uruchomiło lawinę rozwiązań. Dzisiaj mamy na rynku dostępnych grubo ponad 1000 startupów, które wykorzystują GPT. Za chwilę, gdy Google udostępni swojego Palm, pojawią się dziesiątki rozwiązań opartych na tym algorytmie.
Generalnie traktuję te algorytmy jako „czarne skrzynki” przetwarzające jedne teksty w drugie i to całkiem sprytnie, czyli takie, które człowiek może twórczo interpretować. Dotyczy to wszelkich prac biurowych w sektorze publicznym (decyzje, pisma urzędnicze), jak i prywatnym (komunikacja z klientem, księgowość, ofertowanie, treści marketingowe, dokumenty prawne).
Gdzie sztuczna inteligencja już działa
W aspekcie zarządzania projektami miejsce zastosowania takich algorytmów pojawia się wszędzie tam, gdzie mamy do czynienia z tekstem na wejściu i tekstem na wyjściu. Idąc od początku cyklu życia projektu, takie miejsca można zauważyć na przykład na etapach:
- Inicjacji projektu – odpowiednio podrasowany GPT potrafi już tworzyć typowe dokumenty. Brzmią one dosyć generatywnie, jak gdyby pisał je student zarządzania projektami, ale to moim zdaniem kwestia zbioru uczącego. Dobry fine-tuning modelu i karty projekty będą wyglądały, jak złoto. Obok macie przykład project chartera wygenerowanego dla zadanego przykładu. Z resztą możecie sami sprawdzić na GoodBA, jak to działa. Dodam tylko, że GoodBA korzysta z GPT 3, a załączony przykład jest z GPT 4 i widać tu postęp technologiczny.
- Analizy wymagań – aby sprawdzić, możliwości automatyzowania analizy wymagań, stworzyłem system GoodBA. W mojej opinii, dla generatywnych aplikacji działa to całkiem nieźle. Więcej o takim podejściu do analizy wymagań przeczytasz tutaj.
- Planowania zakresu – mając dobrze opisane wymagania, GPT naprawdę nieźle daje sobie radę ze stworzeniem planu zakresu w formule WBS, czy tez Backlog. Naprawdę niewiele trzeba po nim poprawiać, bo w tym wypadku robi to, co umie najlepiej restrukturyzuje podany mu tekst.
- Planowania ryzyk – wyobrażam sobie i chętnie sprawdziłbym to na przykładzie jakiejś firmy, że gdyby wytrenować model GPT na zbiorze danych o ryzykach z przeszłych projektów, to mógłby generować całkiem porządną wstępną analizę ryzyk dla kolejnego. Zakładam, że musiałaby to być baza zawierająca nie tyle przewidywane ryzyka, co rzeczywiście występujące w historycznych projektach.
- Prz
ygotowania kontraktów – w tym obszarze pojawiło się wiele startupów, które pozwalają na generowanie pism prawnych, w tym umów. Niech najlepiej o możliwościach automatyzacji obszaru prawnego świadczy olbrzymi spadek notowań giganta prawnego z USA – Legalzoom, który można było obserwować w momencie wydania GPT 3. Obok macie wykres kursów Legalzoom – spadek o 70%!
- Komunikacji z interesariuszami – Notion wypuściło moduł AI, a Nuclino – Sidekick. Oba to integracje z GPT mające na celu przyśpieszyć komunikację z użytkownikami. Wystarczy napisać swój komunikat, a potem poprosić, aby automat dodał do tego trochę energii, zmienił klimat na weselszy, wydłużył o dwa akapity oraz przetłumaczył na mongolski. I wszystko to automatycznie.
A gdzie jeszcze nie działa AI
GPT słabo sobie daje radę z wnioskowaniem symbolicznym. Widziałem próby pytania go o działania matematyczne, ale poziom błędowości tutaj jest wciąż wysoki. Jest to algorytm do przewidywania, jaki tekst powinien być napisany po zadanym prompt’cie. W efekcie dopisuje absurdalne wyniki. W przypadku matematyki obejściem tego problemu jest skorzystanie z pluginu Wolfram. Jednak, jeżeli wyobraziłbym sobie wygenerowanie tabeli z kosztami projektu na podstawie opisu wymagań i obciążenia zasobów, to bym poległ.
Pewne nadzieje daje technika pisania promptów zwana chain of thought, czyli tworzenie serii zapytań, w toku których powstaje ustrukturalizowany opis, na podstawie którego z kolei można wygenerować bardziej zaawansowane modele. Sam wykorzystuję to do generowania map procesów w systemie Dot Chart. Obok macie przykład mapy procesu, która została wygenerowana automatycznie na podstawie opisu językiem naturalnym.
Oczami wyobraźni widzę algorytm, który z jednej strony przetwarza teksty pisane językiem naturalnym, ale równolegle z drugiej strony identyfikuje wartości zawarte w tekście i wnioskuje na ich podstawie w sposób bardziej symboliczny tak, jak robią to algorytmy uczenia maszynowego. Taka hybryda GPT i ML.
Kolejny problem związany z brakiem wnioskowania symbolicznego jest słaba jakość rewizji utworzonej dokumentacji. Właściwie zawsze człowiek musi przejrzeć to, co utworzył GPT i przynajmniej lekko zmodyfikować. Algorytm nie potrafi skutecznie wykryć wszystkich luk i niespójności w wygenerowanym tekście na podstawie zadanych kryteriów. Testowałem go na przykładzie studów przypadków biznesowych i osiąga tutaj połowiczny sukces.
Wreszcie GPT słabo sobie radzi z treściami specyficznymi dla konkretnej firmy lub organizacji publicznej. To, co generuje jest raczej dość ogólne. Gdyby chcieć stworzyć opis programu na przykład do obliczania ryzykowności klientów banku detalicznego, to zapewne polegnie. Ale mamy tutaj rozwiazanie pod ręką, a jest nim „fine-tuning”. Jestem po lekturze dokumentacji, jak podkręcać GPT, ale niestety nie mam dostępu do przykładowych treści z jakiejś organizacji, aby przeprowadzić samodzielne testy. Mam nadzieję, że przez wakacje uda mi się wygenerować jakiś prototyp również w tym aspekcie.
Podsumowanie
Całość mógłbym podsumować stwierdzeniem, że zniknie syndrom czystej kartki. Chodzi mi o sytuację, gdy kierownik projektu będzie siadał do planowania projektu z czystą kartką i ją mozolnie wypełniał. Wkrótce będzie siadał z wstępnie wypełnionym dokumentem, czyli zawierającym 80%-90% treści, który będzie musiał sprawdzić, uzupełnić o braki i nadać mu bardziej ludzki ton, np. wprowadzić kilka drobnych błędów. 😉
Ale rewolucja AI w moim przekonaniu oznacza koniec pracy nad czystą kartką. Coś na starcie zawsze będzie na niej wpisane przez algorytmy sztucznej inteligencji.
utworzone przez Marcin Żmigrodzki
GoodBA to narzędzie do automatycznego tworzenia dokumentacji wymagań systemu IT.
Użytkownik w pierwszym kroku wprowadza opis swojego pomysłu na system. GoodBA zintegrowana z GPT radzi sobie z opisami w języku polskim, ale lepiej jednak działa, gdy opis jest po angielsku. Dla lepszych wyników opis można uzupełnić o kontekst biznesowy zawierający cele, wymagania biznesowe, ograniczenia prawne itd.
W kolejnym kroku GoodBA generuje listę ról użytkowników, która często może być z marszu wykorzystana do dalszej analizy. Użytkownik może też wyedytować tą listę zanim przejdzie dalej.
Następnie dla każdej roli użytkownik może wygenerować funkcje. GoodBA podpowie, jakie funkcje każda rola może wykonywać. Te funkcje znowu można edytować, dodawać nowe, albo grupować, gdy funkcja się powtarza.
Od tego momentu użytkownik może wybrać dwie ścieżki:
- Dalej generować dokumentację wymagań.
- Przełączyć się na planowanie zakresu projektu w formie Product Backlogu lub Struktury Podziału Prac (WBS)
W przypadku wybrania ścieżki kontynuowania prac nad dokumentacją użytkownik może stworzyć proces na podstawie funkcji. Aktualnie GoodBA korzysta z GPT 3 i użytkownik samodzielnie musi opisać przebieg procesu językiem naturalnym. Na tej podstawie GoodBA narysuje diagram procesu w dwóch formatach: Dot Chart lub BPMN.
Robiliśmy testy na GPT 4 i okazuje się, że nowsza wersja tego algorytmu radzi sobie z tworzeniem opisów generycznych procesów, więc, jak tylko uzyskamy dostęp do API, rozszerzymy GoodBA o tą funkcję.
W ostatnim kroku użytkownik może wygenerować listę ekranów, które powinny znaleźć się w systemie. Znowu dzieje się to automatycznie, natomiast użytkownik może później edytować listę ekranów po swojemu.
Na koniec całą dokumentację można pobrać na komputer w postaci pliku PDF.
Jeżeli użytkownik przełączy się na funkcje planowania zakresu, GoodBA przygotuje dla niego backlog i wstawi go do prostej tablicy Kanban. Prostej, lecz można z nią normalnie pracować, zapisuje stan zadań, pozwala na edycję ich zawartości i dodawanie nowych.
Backlog można też pobrać do pliku arkusza kalkulacyjnego.
Użytkownik alternatywnie może też wygenerować strukturę podziału prac (WBS), a następnie pobrać ją na swój komputer w postaci arkusza kalkulacyjnego.
Zachęcamy do sprawdzenia możliwości naszej aplikacji: GoodBA. Wierzymy, że może ona wesprzeć zarówno analityków biznesowych, jak i pracowników nietechnicznych, którzy potrzebują zamówić w IT napisanie rozwiązania.
Szczególnie świetnie sprawdza się w przypadku aplikacji tzw. frontendowych, czyli takich, których główną funkcjonalnością jest odczytywanie, edytowanie i dodawanie danych przez użytkownika końcowego za pośrednictwem interface’u WWW, czyli przeglądarki internetowej.
Gorzej radzi sobie z aplikacjami, w których głównym komponentem są algorytmy obliczające zadane równania lub transferujące dane między różnymi systemami. Wynika to prawdopodobnie z tego, że GPT, z którym GoodBA jest zintegrowana został wytrenowany na danych obecnych w internecie, a tam można znaleźć więcej przykładów systemów tej pierwszej kategorii.
utworzone przez Marcin Żmigrodzki
Prezentujemy prototyp naszego najnowszego narzędzia wspierającego pracę analityka – GoodBA od Good Business Analysis.
GoodBA to system do tworzenia dokumentacji wymagań. Krok po kroku zadaje pytania użytkownikowi i generuje odpowiedzi dzięki integracji z GPT.
GoodBA prosi o podanie ogólnego opisu idei systemu. Na tej podstawie generuje role, ich funkcję, ekrany, a przede wszystkim diagramy procesów. W GoodBA wykorzystaliśmy funkcjonalność Dot Charta.
Na koniec przygotowaną dokumentację można zapisać do pliku PDF.
Link do GoodBA
utworzone przez Marcin Żmigrodzki
Przypomnijmy, Dot Chart to system do rysowania procesów w prosty sposób za pomocą wykresów kropkowych. Taki wykres można później automatycznie skonwertować na diagram RACI bądź BPMN.
Teraz natomiast dodaliśmy funkcjonalność pozwalającą na opisanie przebiegu procesu językiem naturalnym, albo skopiowanie jego opisu z procedury, instrukcji lub innego tekstu tak, jak to pokazano na rysunku poniżej.
![](https://octigo.pl/wp-content/uploads/2023/04/Zrzut-ekranu-2023-04-8-o-13.52.20.png)
Następnie wystarczy kliknąć guzik „stwórz mapę” i opis zostanie automatycznie przesłany do GPT, który odeśle scenariusz procesu. Ten scenariusz jest następnie w locie konwertowany na diagram kropkowy.
![](https://octigo.pl/wp-content/uploads/2023/04/Zrzut-ekranu-2023-04-8-o-13.52.38.png)
Ten diagram kropkowy z kolei można skonwertować w sekundę na diagram BPMN taki, jak poniżej i pobrać do dalszej edycji w Draw.io, Cawemo, Lucidchart, Bizagi, Adonis.
![](https://octigo.pl/wp-content/uploads/2023/04/Zrzut-ekranu-2023-04-8-o-13.52.50.png)
Dot Chart znajdziecie pod adresem https://dotch.art/.