#Quản_lý_kỹ_sư
#AI_ứng_dụng_trong_quản_lý_nhóm_kỹ_sư
#Quản_lý_hiệu_quả
#Quản_lý_dựa_trên_dữ_liệu
Nếu có một lĩnh vực mà hầu hết các nhóm kỹ sư đang không tận dụng tối đa công nghệ trí tuệ nhân tạo (AI), thì đó là quản lý nhóm. Việc tìm hiểu cách quản lý kỹ sư tốt hơn thường được tiếp cận như một nghệ thuật hơn là một khoa học. Trong những thập kỷ qua, quản lý kỹ sư đã trở nên linh hoạt và dựa trên dữ liệu hơn, với việc tự động thu thập dữ liệu cải thiện hiệu suất. Nhưng trong những tháng gần đây, sự tiến hóa của AI, đặc biệt là AI dự đoán, đã đưa quy trình quản lý vào một kỷ nguyên mới.
AI dự đoán phân tích dữ liệu để tiên đoán các mẫu và hành vi tiềm năng. Nó có thể tự động đặt mục tiêu dựa trên dữ liệu thời gian thực, tạo ra các đề xuất để cải thiện hiệu suất của nhóm và xử lý thông tin nhiều hơn so với trước đây.
Tôi muốn động viên tất cả các nhà quản lý kỹ thuật và các nền tảng trí thông minh khác để bắt đầu sử dụng AI, để chúng ta có thể cùng nhau tiến vào một kỷ nguyên mới. Không một doanh nghiệp nào muốn mất lợi nhuận hoặc thị phần do quản lý kém.
Chúng ta hiện có dữ liệu và công nghệ để biến quản lý kỹ thuật từ một nghệ thuật thành một khoa học. Đây là cách lãnh đạo kỹ thuật có thể sử dụng AI để quản lý nhóm và đạt được nhiều thành công hơn với ít hơn.
#Phân_tích_mô_hình_ẩn
#Báo_cáo_hiệu_suất
#Tối_ưu_quy_trình_phát_triển_phần_mềm
Ngay cả những nhà lãnh đạo kỹ thuật có năng lực cao nhất cũng có một số điểm mù khi xem xét hiệu suất trong các lĩnh vực cụ thể và có thể bỏ qua các hành vi đáng báo động hoặc nhân tố gây ra. Một trong những cách quan trọng nhất mà các quản lý kỹ thuật có thể áp dụng AI vào quy trình là tạo ra các báo cáo đầy đủ về hiệu suất của các kỹ sư. Thông thường, các quản lý sẽ tự thủ công tạo ra báo cáo vào cuối tháng hoặc quý, nhưng thường đưa ra một phân tích học thuật có thể dễ dàng che giấu các vấn đề ẩn hoặc tiềm ẩn.
AI dự đoán có thể tự động tạo ra các báo cáo hiệu suất sâu sắc cho lãnh đạo biết nơi mà họ nên cải thiện. Lợi ích chính ở đây là AI có khả năng xác định các mẫu. Nó có thể xử lý tất cả dữ liệu hiện có về hiệu suất của một nhóm, cũng như dữ liệu đánh giá nội bộ và ngoại vi, để tạo ra một mức độ phân tích mà con người khó có thể đạt được ở quy mô lớn.
Ví dụ, AI có thể phân tích tốt hơn mối quan hệ giữa thời gian chu kỳ, thời gian đánh giá mã nguồn và sự biến đổi mã nguồn (tần suất mà mã nguồn được sửa đổi). Nó có thể xác định xem thời gian đánh giá mã nguồn lâu hơn có thực sự dẫn đến việc sửa đổi mã nguồn ít hơn không – điều này có thể gợi ý mã nguồn ổn định và được suy nghĩ kỹ lưỡng hơn. Hoặc, nó có thể phát hiện rằng thời gian đánh giá mã nguồn lâu hơn đang đơn giản chỉ là trì hoãn quá trình phát triển mà không có bất kỳ sự giảm thiểu đáng kể trong việc sửa đổi.
Bằng cách phân tích nhiều chỉ số đồng thời, AI có thể giúp xác định các mẫu và sự tương quan mà người quản lý có thể không nhìn thấy ngay lập tức, từ đó giúp tổ chức đưa ra quyết định thông minh hơn để tối ưu quy trình phát triển phần mềm của mình.
Nguồn: https://techcrunch.com/2023/11/04/how-engineering-leaders-can-use-ai-to-optimize-performance/
If there’s one area where most engineering teams are not making the most of AI, it’s team management.
Figuring out how to better manage engineers is often approached like more of an art than a science. Over the decades, engineering management has undoubtedly become more agile and data-driven, with automated data gathering improving performance. But in the past few months, the evolution of AI — specifically, predictive AI — has thrown management processes into a new era.
Predictive AI analyzes data to foresee possible future patterns and behaviors. It can automatically set goals based on real-time data, generate recommendations for improving teams’ performance, and process far more information than was possible before.
I want to encourage all other engineering management and intelligence platforms to start using AI, so we can collectively move into a new era. No business wants to lose profits or market share because of bad management.
We now have the data and the technology to turn engineering management from an art into a science. This is how engineering leaders can use AI to manage their teams and achieve more with less.
Pinpoint hidden patterns
Even the most capable engineering leaders have some blind spots when it comes to reviewing performance in certain areas, and may miss concerning behaviors or causal factors. One of the most significant ways engineering managers can apply AI to their workflow is by generating full reports on engineers’ performance. Typically, managers will manually put together reports at the end of the month or quarter, but often that gives a superficial analysis that can easily conceal hidden or incipient problems.
In the past few months, the evolution of AI — specifically, predictive AI — has thrown management processes into a new era.
Predictive AI can automate insightful performance reports telling leaders where they should be making improvements. The main advantage here is that AI has a greater ability to identify patterns. It can process all existing data on a team’s performance, as well as internal and external benchmark data, to produce a level of analysis that humans can hardly attain at scale.
For example, AI can better analyze the relationship between cycle time, code review time, and code churn (the frequency with which code is modified). It can determine if longer code review times are actually leading to less code churn — which could imply more stable and well-thought-out code. Or, it may find that longer review times are simply delaying the development process without any significant reduction in churn.
By analyzing multiple metrics simultaneously, AI can help identify patterns and correlations that might not be immediately apparent to managers, enabling organizations to make more informed decisions to optimize their software development processes.
