Agile İçin Temel AI Teknikleri
Liderler, agile koçlar, ve ekipler için tasarlanmış temel AI teknikleri: Prompt mühendisliği, büyük dil modelleri, model ince ayar ve veri odaklı karar destek sistemleri.
İçindekiler
Neden "Temel" Teknikler Bile Oyunu Değiştirir?
Agile takımlar, yapay zekâ teknolojilerini yalnızca yazılımcılara bırakmak zorunda değil.
Doğru tekniklerle:
Retrospektifleri daha içgörüsel hale getirebilir,
Sprint tahminlerini veriyle destekleyebilir,
Backlog yönetiminde otomasyondan faydalanabilirler.
Bu bölümde yer alan teknikler:
Kolayca uygulanabilir,
Kod bilgisi gerektirmez veya düşüktür,
Günlük Agile ritüellerine entegre edilebilir.
Prompt Mühendisliği – Agile İçin Akıllı Sorular Yazmak
Prompt mühendisliği, büyük dil modellerine (LLM) verilen girdilerin yapısını ve içeriğini dikkatli biçimde tasarlayarak doğru, anlamlı ve bağlama uygun çıktılar elde etme yöntemidir.
Agile bağlamında bu, sadece bir “soru sormak” değil, koçluk sürecine zekice katkı sağlamak anlamına gelir.
Bağlam Tanımlama: YZ'ye Rolünü Doğru Anlatmak
LLM’lerin etkili çalışması için kim olduğunu ve ne yapmasını istediğini net belirtmen gerekir.
Örnek:
“Sen bir Agile Koçusun. Takım, son retrospektifte iletişim sorunları yaşadığını bildirdi. Sprint sonuna yetişemeyen story’ler oldu.”
Bu giriş, modele bağlam verir → yanıtlar daha isabetli ve koçluk tonunda olur.
Odak ve Hedef Belirtme: Ne Tür Bir Çıktı İstiyorsun?
AI’dan beklentin “öneri mi, özet mi, analiz mi?”
Bunu açık yazmalısın.
Örnek:
“Bu duruma yönelik kısa, aksiyona dökülebilir 3 öneri sun.”
Ya da:
“Yukarıdaki sprint notlarını analiz et, tekrar eden temaları listele.”
📌 Genel promptlar → genel yanıtlar üretir.
🎯 Hedefli promptlar → doğrudan uygulanabilir içgörüler sunar.
Yapılandırılmış Yanıtlar İste: Formatı Belirle
Agile ekiplerinde çıktıların yapılandırılmış olması işleri kolaylaştırır.
Örneğin:
“Her öneri için:
Problem özeti
Önerilen çözüm
Etki derecesi (düşük / orta / yüksek) şeklinde yanıtla.”
Bu şekilde:
Cevaplar retrospektif panosuna doğrudan taşınabilir,
Takımla kolayca tartışılabilir,
Aksiyon haline dönüştürülebilir.
İyileştir – Prompt'lar da İteratiftir ve Sürekli Geliştirilebilir
Bir prompt ilk denemede istediğin sonucu vermediyse:
Yeni bilgi ekle
Rolü netleştir
Örnek ver
Kısıtları belirt (karakter sayısı, ton, örnek format vs.)
📈 Bu iterasyonlar sonucunda, “takımına özel” çalışan prompt kitaplığı oluşabilir.
Gerçek Kullanım Senaryoları
| Agile Etkinlik | Örnek Prompt |
|---|---|
| Retrospektif | “Son sprintte yaşanan sorunlar: test ortamı geç geldi, 2 story yetişmedi. Bu verilere dayanarak 3 kısa öneri ver.” |
| Backlog Refinement | “Aşağıdaki user story’leri grupla ve benzer olanları aynı temada topla.” |
| Daily Scrum | “Dün alınan notlardan 1 dakikalık özet rapor üret. Blokaj varsa vurgula.” |
| Sprint Review | “Stakeholder notlarını analiz et, duygu tonu pozitif/negatif/nötr olarak değerlendir.” |
Agile Koçlar İçin Prompt Kitaplığı Oluşturma
İster Notion, ister Google Doc ya da özel bir tool kullan:
Kendine özel, organizasyona uyarlanmış prompt kitaplığı oluşturabilirsin.
Kategorilere ayır:
Retrospektif
Backlog
Tahminleme
Takım morali
Risk analizi
Her biri için:
Rol tanımı
Amaç
Prompt örneği
Önerilen yapı (output formatı)
Bu sayede:
Koçluk sürecin ölçeklenebilir hale gelir
Junior koçlar için güçlü bir destek aracı oluşur
Organizasyonel hafıza gelişir
LLM Kullanımı – GPT Destekli Agile Süreçleri
Büyük dil modelleri, metin analizinde ve üretiminde çok etkilidir.
Agile dünyasında ise şu alanlarda fark yaratır:
| Süreç | Uygulama |
|---|---|
| Retrospektif | Metin analizi, özetleme, öneri üretme |
| Sprint Planning | Story açıklamalarını sadeleştirme, acceptance criteria oluşturma |
| Daily Stand-up | Günlük notlardan otomatik rapor üretimi |
| Backlog Refinement | Story’leri benzerliklerine göre gruplayıp otomatik önceliklendirme önerisi |
🧠 Not: LLM kullanırken daima insan onayı gereklidir. AI destekler, karar vermez.
Model İnce Ayar (Fine-Tuning) – Kuruma Özgü AI
Kurumların kendi sprint kayıtları, story’leri, müşteri verileri gibi verileriyle AI modellerini özel olarak eğitmesi mümkündür. Fine-tuning hakkında daha fazla bilgi edinmek için lütfen tıklayın.
Örnek Senaryo:
Geçmiş 20 sprint’in retrospektif notları, user story kayıtları, metrikler kullanılır.
LLM bu verilerle “organizasyona özel” sorun tanıma ve çözüm önerileri geliştirir.
Bu yaklaşım:
Takım dili ve bağlamına uygun öneriler üretir.
AI’nın organizasyon kültürünü “öğrenmesini” sağlar.
Veriye Dayalı Tahminleme – Sprint Sonuçlarını Öngörmek
Veri bilimi teknikleri ile geçmiş sprint verileri analiz edilerek:
Hangi story’lerin tamamlanmama ihtimali yüksek?
Hangi takım üyeleri hangi story tipiyle daha verimli?
Önümüzdeki sprint tahmini kaç story point’lik olmalı?
Yapılan bu tahminler, insan tahminlerini destekleyen ikinci bir “veri öngörüsü” oluşturur.
Veri ile desteklenen sprint planları, hem daha şeffaf hem daha gerçekçidir.
LLM’lerin etkili çalışması için kim olduğunu ve ne yapmasını istediğini net belirtmen gerekir.
Örnek:
“Sen bir Agile Koçusun. Takım, son retrospektifte iletişim sorunları yaşadığını bildirdi. Sprint sonuna yetişemeyen story’ler oldu.”
Bu giriş, modele bağlam verir → yanıtlar daha isabetli ve koçluk tonunda olur.
