Uso IA generativa en el mundo ágil

Thursday, February 8, 2024 - 10:30

Dentro de la IA, existe un campo que se dedica a crear contenido nuevo y original a partir de datos existentes: la IA generativa.

La IA generativa es un tipo de aprendizaje automático que utiliza redes neuronales artificiales para generar datos sintéticos que se asemejan a los datos reales.

¿Cómo funciona la IA generativa?
La IA generativa se basa en el uso de dos redes neuronales que compiten entre sí: el generador y el discriminador. El generador tiene la tarea de crear datos falsos a partir de una entrada aleatoria, mientras que el discriminador tiene la tarea de distinguir los datos falsos de los reales. El objetivo es que el generador engañe al discriminador y produzca datos tan realistas que el discriminador no pueda diferenciarlos.

¿Cuáles son los usos de esta tecnología?

La IA generativa tiene múltiples usos potenciales en diversos ámbitos, como el arte, el entretenimiento, la educación, la medicina o la industria. Algunos ejemplos son:

  • Generación de textos.
  • Creación de arte digital.
  • Síntesis de voz.
  • Mejora de imágenes.
  • Generación de datos.

Principales Aplicaciones de la Inteligencia Artificial Generativa:

  • Creación de Contenido Creativo: La IAG se utiliza en la industria del marketing y el entretenimiento para generar textos publicitarios, guiones, música y obras de arte originales.
  • Diseño y Moda: En el mundo del diseño, la IAG ayuda a crear nuevos patrones, estilos y diseños de moda, impulsando la innovación en la industria.
  • Videojuegos y Simulaciones: En los videojuegos, la IAG se utiliza para generar paisajes, personajes y escenarios, proporcionando experiencias de juego más inmersivas y realistas.
  • Asistentes Virtuales y Chatbots: Los asistentes virtuales basados en IAG, como chatbots, ofrecen interacciones más humanas y personalizadas en servicios al cliente y soporte técnico.
  • Medicina y Ciencias de la Salud: En investigación médica, la IAG ayuda en el análisis de datos y la creación de modelos predictivos para diagnósticos más precisos y eficientes.

Enfoque metodologías agiles:

En el ámbito ágil, la colaboración, la adaptabilidad y la entrega iterativa son fundamentales. Las metodologías ágiles promueven la flexibilidad y la respuesta rápida a los cambios del cliente, priorizando la satisfacción del usuario y la entrega de valor continuo. Se caracterizan por equipos autogestionados, comunicación abierta y ciclos de desarrollo cortos para garantizar la entrega de productos de alta calidad. Los temas que se van a tratar son:

  • Escritura de historias de usuario en base al texto de una épica: Podemos darle a la IA generativa un texto de una épica o un documento Word de Análisis funcional y pedirle que nos genere historias de usuarios que cumplan funcionalmente lo descrito en la épica o en el análisis funcional.
  • Escritura de criterios de aceptación para una historia de usuario: Con la ayuda de la IA, podemos tomar el texto de una historia de usuario y pedirle que genere automáticamente los criterios de aceptación para esa historia. Esto significa que un product owner puede ahorrar mucho tiempo en su trabajo diario. Además, al tener más criterios, estos serán más claros, completos y alineados con los objetivos de negocio, lo que mejora la comprensión y la calidad de las historias de usuario.
  • Generación de test junit usando TDD (Test Drive Development): Se puede utilizar la IA para ayudar a crear pruebas automáticas para el desarrollo de código utilizando TDD. La idea es generar todos los esqueletos de los test a partir del texto de la historia de usuario. Serán test que evidentemente tendrán que fallar en el primer lanzamiento de test.
  • Creación de Burnup predictivo de historias: Dándole la información necesaria como por ejemplo La velocidad del equipo, el nombre de las historias de backlog ordenado en base a un valor y su estimación, la IA generar un “Burnup” predictivo de que historias estarán en que Sprint. Además, podemos aplicar un % positivo y negativo para calcular un “Burnup” optimista y pesimista
  • División de historias en varias historias cuando hay una historia grande: La IA puede ayudar a dividir historias grandes en partes más pequeñas al analizar su contenido y estructura. Esto facilita la creación de historias más manejables y específicas para el equipo. La IA identifica patrones y temas dentro de la historia grande, proporcionando sugerencias sobre cómo dividirla en partes más pequeñas y coherentes. Esto ayuda al equipo a planificar y desarrollar de manera más efectiva, manteniendo un enfoque ágil y adaptable en el proceso de desarrollo del software.
  • Creación de Retrospectivas para el equipo: La IA puede ayudar en las reuniones de retrospectiva del equipo al analizar datos históricos y comentarios previos. Identifica patrones y áreas de mejora en el trabajo del equipo, sugiriendo temas para discutir.  Esto facilita reuniones más efectivas, promoviendo la mejora continua del equipo.

Ofreceremos más información en próximos POSTs de la cátedra al respecto de estos puntos.



Add new comment

Plain text

  • No HTML tags allowed.
  • Web page addresses and e-mail addresses turn into links automatically.
  • Lines and paragraphs break automatically.