ДОСЛІДЖЕННЯ ВПРОВАДЖЕННЯ ГЕНЕРАТИВНОГО ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПОДОЛАННЯ ПРОБЛЕМИ ВТРАТИ РЕСУРСІВ ТА ЧАСУ У СУЧАСНОМУ ЦИКЛІ РОЗРОБКИ ВЕБ-ЗАСТОСУНКІВ

Автор(и)

DOI:

https://doi.org/10.35546/kntu2078-4481.2025.1.2.15

Ключові слова:

генеративний штучний інтелект, Agile, DevOps, технічний борг, автоматизація тестування, CI/CD, мовні моделі, GitHub Copilot, ChatGPT, ефективність розробки, веб-застосунки

Анотація

У статті проаналізовано сучасний життєвий цикл розробки веб-застосунків, що поєднує методології Agile та практики DevOps, і виокремлено основні причини перевитрат ресурсів та часу. Автор звертає увагу на часто змінювані або нечіткі вимоги, накопичення технічного боргу внаслідок рутинних завдань і нестачі часу на рефакторинг, проблеми з автоматизацією тестування та складністю відтворення дефектів, а також на недосконалу комунікацію у великих чи розподілених командах. У контексті цих викликів розглянуто роль генеративного штучного інтелекту (ГШІ), що здатен значно прискорити виконання рутинних операцій, допомогти у написанні коду, тестуванні та навіть пропонувати проектні рішення. Аналіз останніх досліджень засвідчує, що, попри широке впровадження гнучких (Agile) підходів і DevOps-практик, ефективна синергія з інструментами ГШІ залишається фрагментарно вивченою. У традиційних роботах із проектного менеджменту та розробки (Pressman & Maxim, Sommerville) велика увага приділяється процесам збирання вимог і управління змінами, проте роль генеративних моделей там або не розглядається, або згадується поверхнево. Натомість у публікаціях, присвячених ГШІ (Chen та ін., OpenAI, GitHub Copilot, Amazon CodeWhisperer), бракує комплексного аналізу впливу цих технологій на весь цикл веб-розробки – від постановки вимог до розгортання та супроводу.Основна мета статті – оцінити, як саме генеративний ШІ здатен долати «вузькі місця», що зумовлюють найбільші втрати часу й ресурсів. Автор демонструє, що інтеграція ГШІ в Agile-спринти може пришвидшити формування backlog та генерацію тест-кейсів, а в контексті DevOps – полегшити автоматизацію CI/ CD-процесів та інфраструктури. Окрім того, стаття висвітлює ризики: безпекові уразливості в згенерованому коді, неточність чи «галюцинації» моделей та потребу додаткових перевірок якості й безпеки. Зроблено висновок, що генеративний штучний інтелект може стати вагомим каталізатором ефективності веб-розробки, суттєво скорочуючи рутинні операції, зменшуючи кількість дефектів і підвищуючи швидкість реагування на зміни. Подальші дослідження доцільно спрямувати на розробку методологій із вимірювання ROI від використання ГШІ, підвищення безпеки та точності згенерованого коду, а також на формування практичних рекомендацій щодо адаптації Agile/DevOps-процесів під можливості генеративних мовних моделей.

Посилання

Pressman, R. S., & Maxim, B. R. (2019). Software Engineering: A Practitioner’s Approach. 9th Ed. McGraw-Hill Education.

Sommerville, I. (2016). Software Engineering. 10th Ed. Pearson.

Beck, K., & Andres, C. (2004). Extreme Programming Explained: Embrace Change. 2nd Ed. Addison-Wesley.

Schwaber, K., & Sutherland, J. (2020). The Scrum Guide. [Онлайн]. Доступно: https://scrumguides.org/

Humble, J., & Farley, D. (2010). Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation. Addison-Wesley.

Larman, C., & Vodde, B. (2008). Scaling Lean & Agile Development: Thinking and Organizational Tools for Large-Scale Scrum. Addison-Wesley.

Boehm, B., & Turner, R. (2005). Balancing Agility and Discipline: A Guide for the Perplexed. Addison-Wesley.

Whittaker, J. A. (2012). How Google Tests Software. Addison-Wesley.

Meszaros, G. (2007). xUnit Test Patterns: Refactoring Test Code. Addison-Wesley.

Chen, M., Tworek, J., Jun, H., et al. (2021). Evaluating Large Language Models Trained on Code. arXiv:2107.03374 [cs.LG].

OpenAI ChatGPT Official Documentation. [Онлайн]. Доступно: https://platform.openai.com/docs/introduction

GitHub Copilot. [Онлайн]. Доступно: https://github.com/features/copilot

Amazon CodeWhisperer. [Онлайн]. Доступно: https://aws.amazon.com/codewhisperer/

Kim, M., Kim, S., & Murugesan, S. (2021). Intelligent DevOps: Applying AI/ML to CI/CD pipelines. IEEE Software, 38(5), 81–87.

Sea, C., & Nguyen, T. (2022). Automated CI/CD pipeline generation using generative AI. arXiv:2207.01123 [cs.SE].

Forsgren, N., Humble, J., & Kim, G. (2018). Accelerate: The Science of Lean Software and DevOps: Building and Scaling High Performing Technology Organizations. IT Revolution.

Sandoval, E. (2022). Intellectual Property Rights and AI-generated Code. Journal of Business Law, 45(2), 73–91.

##submission.downloads##

Опубліковано

2025-02-25