L’AI predittiva riguarda anche lo sviluppo software?

Di solito si pensa che l’AI predittiva non riguardi tanto lo sviluppo software quanto altri aspetti di un’organizzazione (es. marketing, supply chain, vendite). In realtà, una parte consistente dei dati più preziosi di un’azienda è contenuta proprio nel ciclo di sviluppo e nel repository del codice. Infatti, è qui che si vede se un prodotto digitale funziona, quanto costa mantenerlo quali problemi potrebbero emergere.

Diversi casi mostrano incrementi importanti sulla produttività e riduzioni dei costi operativi quando le soluzioni di intelligenza artificiale predittiva vengono usate in modo sistematico. Se questi concetti entrano all’interno del ciclo di sviluppo software, le criticità in produzione possono essere individuate e gestite in anticipo.

L’obiettivo è usare l’AI predittiva come uno strumento aggiuntivo sui dati generati ogni giorno. In questo modo diventa più semplice stimare eventuali rallentamenti o problemi legati a task, moduli o rilasci imminenti.

Che cosa è l’AI predittiva

L’AI predittiva è un insieme di modelli che, partendo da dati usati in precedenza, misura la probabilità che accada qualcosa in futuro. Nel contesto dello sviluppo software, questo “qualcosa” può essere, ad esempio:

• Un ciclo di lavoro che non si chiude nei tempi previsti perché le stime erano troppo ottimistiche;
• Una modifica al codice che introduce errori in produzione;
• Un servizio che rischia di andare in sovraccarico;
• Un cliente aziendale che, con buona probabilità, aprirà una segnalazione critica nei giorni successivi.

Solitamente i dati provenienti dallo sviluppo si usano per descrivere quanto è successo durante il flusso di lavoro. Si misurano i bug risolti, i tempi di risoluzione, la periodicità nel rilascio di nuove versioni e quanto sono regolari i cicli di lavoro. L’AI predittiva parte dagli stessi dati, ma li rilegge per stimare in anticipo problemi e attività che rischiano di rallentare il team.

Se il modello è progettato bene, il risultato non è solo un’ulteriore dashboard da ricontrollare: i segnali prodotti entrano nel flusso di lavoro quotidiano e aiutano a prendere decisioni operative.

Ambiti di maggiore incidenza

L’AI predittiva è utile quando interviene nei punti del flusso di programmazione in cui si concentrano ritardi, errori e sprechi di risorse e tempo, usando i dati che vengono prodotti ogni giorno per prendere decisioni più accurate nell’organizzazione del lavoro.

Pianificazione e stime

Nella gestione dei progetti software è frequente che le previsioni risultino troppo ottimistiche. I cicli di sviluppo spesso si chiudono con molte attività rinviate alle fasi successive. In questo contesto, è probabile che anche la fiducia da parte degli stakeholders ne esca indebolita.

Un modello di AI predittiva, alimentato dai dati storici dei progetti, può fornire indicazioni più precise di quelle che emergono a colpo d’occhio. Può stimare quanto è realistico chiudere un certo ciclo di sviluppo nei tempi previsti. Può anche mettere in evidenza le attività che sembrano semplici, sulla carta, ma in passato hanno già generato ritardi. In questo modo le previsioni risultano più aderenti alla realtà per iniziative più ampie.

Queste informazioni non sostituiscono l’esperienza di chi coordina il progetto, ma funzionano come un contrappeso oggettivo. Se i dati suggeriscono che il piano ha poche probabilità di sostenere le previsioni fatte, è il momento di ridurre il perimetro. In quella fase, ha senso anche riorganizzare le priorità, per evitare di arrivare a fine periodo con buona parte del lavoro ancora da iniziare.

Modelli e piattaforme di AI predittiva

Sul mercato esistono sia piattaforme generiche per machine learning e analisi predittiva, sia funzionalità integrate in strumenti già diffusi (monitoraggio, analytics, APM). Nello sviluppo software, esistono due opzioni:

• Costruire pipeline e modelli su misura, partendo da librerie standard;
• Usare componenti già pronti e adattarli ai dati di sviluppo.

La seconda opzione dà più controllo, ma richiede competenze di data science e MLOps avanzate. D’altra parte, la prima è meno flessibile, ma può bastare per casi d’uso circoscritti, ad esempio per prevedere il carico di lavoro su un certo microservizio o per la classificare automaticamente i ticket.

In entrambi i casi, spesso un buon modello relativamente semplice, alimentato da dati coerenti, è più utile di una rete neurale complessa. Un sistema di questo tipo, se lasciato girare senza procedure di controllo, rischia di introdurre più problemi che benefici.

Governance e responsabilità

La governance è ciò che traccia la linea di demarcazione tra un progetto di AI predittiva che resta un esperimento interno e uno strumento che il team usa ogni giorno.

Prima di portare un modello in produzione, è necessario chiarire alcune responsabilità. In primo luogo, occorre definire chi userà le previsioni all’interno del processo di sviluppo e come questi risultati verranno considerati nelle scelte operative. Bisogna anche stabilire chi controllerà il corretto funzionamento del modello e cosa accadrà quando l’AI segnalerà un rischio elevato su funzionalità importanti per il business.

Quando ruoli e regole sono chiari, le previsioni entrano a far parte della pianificazione in maniera più naturale, aiutando a mettere ordine nelle priorità e diventando riferimenti utili per decidere dove allocare tempo e risorse.

Come impostare l’AI predittiva

L’AI predittiva è utile solo se parte da un problema concreto. Il primo passo è individuare il punto del ciclo di sviluppo in cui si rilevano dispersioni di tempo e risorse economiche. Per rendere l’introduzione dell’AI predittiva nello sviluppo meno astratta e più gestibile, il percorso può essere articolato in diverse fasi:

1. Scegliere un problema specifico. Bisogna innanzitutto scegliere un’area circoscritta in cui c’è un impatto potenziale. Un perimetro definito permette di raccogliere dati coerenti e di misurare con precisione gli effetti delle prime sperimentazioni.
2. Mettere in ordine dei dati di base. Qui si devono allineare i sistemi in modo coerente e definire come registrare gli eventi rilevanti, come correzioni urgenti, problemi o annullamenti di rilascio. In assenza di questa base, qualsiasi modello tenderà a riflettere la disomogeneità dei dati di partenza.
3. Costruzione del primo modello e verifica empirica. Il primo modello ha un ruolo esplorativo. L’obiettivo di questo step è quello di verificare la sua capacità di far emergere segnalazioni utili. Bisogna poi valutare la validità del modello confrontando le previsioni con l’andamento reale dei progetti.
4. Integrazione delle previsioni. Dopo alcuni cicli si effettua una verifica più strutturata tra quanto previsto e quanto effettivamente accaduto. Se le previsioni non portano benefici tangibili, occorre rivedere il modello o le impostazioni. Se invece i segnali si dimostrano affidabili nell’anticipare le criticità, il perimetro può essere esteso gradualmente, includendo nuove fonti di dati.

In sostanza, l’utilizzo dell’AI predittiva ha senso solo se aiuta le persone a lavorare meglio, senza complicare ulteriormente la gestione delle attività. Se, grazie a questo strumento, riusciamo a far emergere prima i problemi e a a rendere le stime più accurate, riducendo il numero di imprevisti si riduce, abbiamo trovato la sua reale utilità nel processo.