Yapay Zeka Algoritmaları
Liderler, agile koçlar, ve ekipler için tasarlanmış temel AI teknikleri: Yapay zeka algoritmaları, prompt mühendisliği, büyük dil modelleri, model ince ayar ve veri odaklı karar destek sistemleri.
İçindekiler
Yapay Zekâ Algoritmaları ve Yaklaşımlar
Bu bölümde, yapay zekânın Agile pratiklerine doğrudan katkı sağlayan bazı ileri düzey tekniklerini inceliyoruz.
Amaç, bu tekniklerin karmaşık modellerden ibaret olmadığını; veriye dayalı karar alma, risk azaltma ve süreç iyileştirme için kullanılabileceğini göstermektir.
Time-series forecasting ile Sprint Risklerini Öngörmek
Time-series forecasting, geçmiş sprint verilerine bakarak gelecekteki eğilimleri tahmin etmeye yarar.
Uygulama Alanları:
Kapasite aşımları (sprint overload)
Hata oranı artışı
Backlog’ta user story birikmesi
Örnek:
Son 12 sprintte, velocity giderek düşmüş. AI bunu tespit edip, “2 sprint sonra teslimat riski %60” uyarısı verebilir.
Kullanılabilecek Modeller:
ARIMA
Facebook Prophet
LSTM (Derin öğrenme)
Sonuç: Agile koç, bu veri ve öngörüye göre sprint planını erken aşamada değerlendirmesi için takıma rehberlik edebilir.
Neden-Sonuç Analizi
Bazı problemler sadece “görünen semptomlarla” yönetilir.
Causal inference (nedensel çıkarım) teknikleri, sprint başarısızlıklarının veya takım darboğazlarının/engellerinin altındaki gerçek nedenleri ortaya çıkarabilir.
Kullanım Örneği:
“Story’lerin taşınma oranı neden artıyor?”
AI analiz eder:
Test otomasyonu eksikliği
Dış bağımlılık kaynaklı gecikmeler
Domain bilgisi eksikliği
Bu tespitler, retrospektiflerde aksiyona çevrilebilecekler gündemler olarak ele alınabilir.
RAG (Retrieval-Augmented Generation) ile Bilgiye Dayalı Karar Alma
Retrieval-Augmented Generation (RAG), yapay zekâ yanıtlarını ezbere değil, gerçek dokümanlara dayandırarak üretir.
Uygulama:
Takım Wiki’si, sprint dökümanları ve geçmiş karar kayıtları vektörel olarak taranır.
AI, bu kaynaklardan ilgili verileri “çekip” kullanarak bilgi verir.
Örnek Senaryo:
“Bu user story’nin gereksinimi net değil.”
RAG sistemine sorulur:
“Daha önce benzer bir case var mı?”
→ AI, geçmişteki benzer backlog maddesini getirip öneri üretir.Örnek uygulama: VDF AI
Daha bilgi için: OpenAI
Reinforcement Learning (RL) ile Süreç Optimizasyonu
Reinforcement Learning (RL), sistemin kendi deneyimlerinden öğrenmesini sağlar.
Agile takımlarda RL, örneğin görev dağıtımı gibi alanlarda maksimum verimi sağlayacak stratejileri öğrenmek için kullanılabilir.
Örnek:
RL algoritması, her sprint sonunda “kim hangi görevde başarılı oldu” verisine bakarak bir sonraki sprintte görev önerileri üretir.
Potansiyel Kullanım Alanları:
Dinamik görev ataması
Takım içi denge kurma
Sprint hedeflerine göre otomatik öneriler
⚠️ Not: RL sistemleri açıklanabilirlik açısından karmaşık olabilir → her zaman insan denetimi gerekir.
Bayesian ve Markov Modellerle Olasılıksal Planlama
Agile’ın en güçlü yanlarından biri belirsizlikle çalışmasıdır.
Bayesian modeller ve Markov zincirleri, bu belirsizlikleri istatistiksel olasılıklara dayandırarak öngörü sunar.
Örnek Kullanım:
“Eğer bu sprint’te story point kapasitemizin %80’ini kullanırsak, %70 olasılıkla taşınan iş olacak.”
Bu öngörü:
Sprint planlamasına rehberlik eder
Gereksiz iddialı taahhütlerin önüne geçer
Koçun “karar destek sistemi” gibi çalışır
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.
