aWall - AI-augmented Issue Management

Effizientes Issue Management ist entscheidend für den Erfolg agiler Softwareentwicklungsprojekte. Durch den Einsatz von künstlicher Intelligenz (KI) kann der manuelle und zeitliche Aufwand für die Erfassung und Verwaltung von Issues wie Epics, User Stories, Tasks und Bugs revolutioniert werden.

Abbildung 1: Projekt- und Kollaborationstool aWall mit geöffnetem Chat-Widget

Ausgangslage

Das Forschungsprojekt aWall des Instituts für Mobile und Verteilte Systeme (IMVS) der FHNW erforscht den Einsatz grosser Multi-Touch-Displays, um die Kollaboration in agilen Teams zu verbessern. aWall integriert bereits einen Chat sowie virtuelle Team Meeting-Räume (VTR-Meetings) mit der Möglichkeit, projektrelevante Informationen als Issues zu speichern. Während im Chat Inhalte manuell markiert und als Issues gespeichert werden können, analysiert eine KI in VTR-Meetings transkribierte Gespräche und schlägt relevante Issues vor.
Aktuell weisen die beiden Lösungen jedoch die folgenden Schwächen auf:

• Hoher manueller Aufwand: Die manuelle Textmarkierung und Speicherung von Inhalten als Issues im Chat erfordert zusätzliche Eingaben (z.B. Beschreibung, Typ), was zu unvollständigen oder inkonsistenten Issues führen kann.
• Fehlende Nachvollziehbarkeit und fehlendes Feedback: Bei der KI-gestützten Issue-Erkennung im VTR-Meeting ist nicht ersichtlich, welche Gesprächsinhalte die Vorschläge auslösen und welchen Status die KI hat.
• Keine Speicherung der Issue-Vorschläge: KI-generierte Issue-Vorschläge aus VTR-Meetings werden nicht persistiert, wodurch sie während des Meetings bearbeitet werden müssen und somit der Meeting-Ablauf gestört wird.

Zielsetzung

Diese Herausforderungen zeigen den Bedarf einer nachvollziehbaren und transparenteren KI-gestützten Lösung für das Issue-Management, um den Arbeitsaufwand zu reduzieren und die Effizienz agiler Softwareteams zu verbessern.

Ergebnisse

Die erarbeiteten Ergebnisse zeigen, dass der Einsatz von KI die Effizienz im Issue Management steigert, indem projektrelevante Informationen schneller identifiziert und Vorschläge zur Erstellung sowie Aktualisierung von Issues generiert werden. Allerdings kann die Übernahme dieser Vorschläge nicht vollständig automatisiert erfolgen, da der Nutzer nachvollziehen möchte, welche ausgetauschten Informationen die KI zur Generierung eines Issue-Vorschlags veranlasst haben. Zudem erfordert der nicht-deterministische Charakter der Künstlichen Intelligenz eine stetige menschliche Kontrolle.

Ein weiteres zentrales Ergebnis ist, dass die Aktionen und Vorschläge der KI durchgängig transparent und nachvollziehbar sein müssen. Der Nutzer sollte jederzeit erkennen können, auf welchen Informationen die KI ihre Entscheidungen stützt. Zudem ist es essenziell, dass der Nutzer stets die Kontrolle über das System und die KI behält, um eigenständig zu entscheiden, welche Vorschläge übernommen oder verworfen werden. Diese Anforderungen bestimmen über die Bereitschaft des Nutzers die Funtionen der KI zu nutzen und somit von einer Effizienzsteigerung im Issue Management zu profitieren.

Die praktisch erarbeiteten Ergebnisse umfassen die folgenden:

• Fortschrittliches Prompt Engineering: Durch den gezielten Einsatz moderner Prompt-Techniken wurde sichergestellt, dass die Künstliche Intelligenz Vorschläge zur Erstellung neuer Issues unter Berücksichtigung bereits bestehender Issues und Issue-Vorschläge generiert. Dadurch werden doppelte Vorschläge vermieden und redundante Issues ausgeschlossen.
• Unteschiedliche Issue Vorschläge: Um die unterschiedlichen Issue-Vorschläge, die von der KI generiert werden, abzubilden, wurden drei Issue-Vorschlagstypen eingeführt (neues Issue erstellen, bestehendes Issue aktualisieren, bestehenden Issue-Vorschlag aktualisieren)
• Vermenschlichung der KI-Aktivitäten: Durch den Einsatz von Animationen konnte die Nachvollziehbarkeit der KI-Aktionen und deren Status sichergestellt werden.
• Kontrolle und Privatsphäre: Der Anwender hat die Möglichkeit die Künstliche Intelligenz für seine Instanz auszuschalten und Nachrichten, die nicht analysiert werden sollen entsprechend zu markieren.
• Persistenz der Issue-Vorschläge: Damit die generierten Issue-Vorschläge nicht sofort verarbeitet werden müssen, werden sie in der Datenbank persistiert.

Technische Schlüsselbegriffe

• Künstliche Intelligenz (KI)Technologie, die es Maschinen ermöglicht, menschenähnliche kognitive Funktionen auszuführen, wie Lernen, Problemlösung, Mustererkennung und Entscheidungsfindung. Dies geschieht durch Algorithmen, neuronale Netze und maschinelles Lernen.
• Azure OpenAICloud-Computing-Plattform von Microsoft, die Infrastruktur-, Plattform- und Softwaredienste bereitstellt
• aWallAllroundertool zur Förderung agiler Teamkollaboration
• AngularFrontend-Webframework von Google, das für die Entwicklung moderner Single-Page-Applications (SPAs) verwendet wird
• TypescriptTypisierte Programmiersprache
• PythonInterpretierte Programmiersprache
• WebSocketsKommunikationsprotokoll, das persistenten Datenaustausch zwischen Client und Server in Echtzeit ermöglicht
• REST APIStandardisierte Schnittstelle, über die Anwendungen über HTTP miteinander kommunizieren
• PostgreSQLRelationale Datenbank zur Persistierung
• Promp EngineeringBeschreibt die Anwendung von Techniken und Methoden zur Optimierung von Eingabeaufforderungen (Prompts) für Large Language Models (LLMs)

Kund:in

aTouch Dynamics GmbH
Hauptstrasse 34
5042 Hirschthal
https://atouch.ch/

Team