AI-avusteinen vaatimustenhallinta Polarionissa Garantis-yhteistyössä

Vaatimustenhallinta ei ole koskaan ollut pelkkää vaatimusten kirjoittamista. Kyse on siitä, että tuote- ja järjestelmäkehityksen tieto pysyy ymmärrettävänä, katselmoitavana, jäljitettävänä ja hyödyllisenä koko elinkaaren ajan.

Juuri siksi AI on tällä alueella erityisen kiinnostava teknologia. Kun AI tuodaan suoraan vaatimustenhallintatyökalun sisään, sen ei tarvitse olla erillinen chatbot työnkulun ulkopuolella. Se voi tulla osaksi varsinaista suunnittelu- ja katselmointiprosessia: vaatimusten arviointia, muotoilun parantamista, laadun tarkistamista, testitapausten luonnostelua ja dokumentaation jatkuvaa ylläpitoa.

Olen viime aikoina työskennellyt yhdessä Garantiksen kanssa AI-pohjaisten sovellusten parissa Polarion ALM -ympäristöön. Polarion on yksi tunnetuista vaatimusten- ja elinkaarenhallinnan työkaluista, jota käytetään erityisesti säännellyissä ja teknisesti vaativissa ympäristöissä.

Garantis kuvaa ratkaisua täällä: AI Plugin for Polarion ALM

AI kuuluu osaksi vaatimustenhallinnan työnkulkua

Moni AI-kokeilu alkaa organisaatioissa työkalujen ulkopuolelta. Käyttäjä kopioi vaatimuksen yleiseen AI-työkaluun, pyytää palautetta, kopioi tuloksen takaisin ja yrittää pitää mielessä, mitä oikeastaan muuttui.

Tämä voi olla hyödyllistä kokeiluvaiheessa, mutta se ei riitä vakavaan vaatimustenhallintaan.

Oikeassa vaatimustyössä tarvitaan muun muassa:

• jäljitettävyys
• versiohistoria
• katselmointiprosessit
• käyttöoikeudet
• audit trail
• toimialakohtaiset laatusäännöt
• yhteys standardeihin ja parhaisiin käytäntöihin

Siksi AI:n tuominen Polarionin sisään on niin kiinnostavaa. AI toimii siellä, missä vaatimukset jo ovat.

Tekstin generoinnista vaatimusten laatuun

Arvokkaimmat AI-käyttötapaukset eivät liity vain uuden tekstin tuottamiseen. Vaatimustenhallinnassa suurempi arvo syntyy usein olemassa olevan sisällön laadun parantamisesta.

Käytännön esimerkkejä ovat:

• epäselvien vaatimusten uudelleenmuotoilu täsmällisempään muotoon
• vaatimusten tarkistaminen INCOSE-tyyppisiä laatukriteereitä vasten
• rakenteen arviointi esimerkiksi EARS-mallien avulla
• epäselvyyksien, puuttuvan kontekstin ja heikkojen hyväksymiskriteerien tunnistaminen
• vaatimusten pilkkomisen ehdottaminen
• testitapausten, käyttötapausten ja hyväksymiskriteerien luonnostelu
• päällekkäisten tai semanttisesti samankaltaisten vaatimusten tunnistaminen

Tällöin AI:n rooli muuttuu. Se ei ole vain tekstigeneraattori, vaan katselmoija, sparraaja ja laatuassistentti suunnittelu- ja kehitystiimeille.

Dokumentaatio ajan tasalla ja katselmoituna

Yksi vaatimustenhallinnan pysyvistä ongelmista on dokumentaation vanheneminen. Määrittelyä päivitetään, mutta siihen liittyviä testitapauksia ei. Vaatimus muuttuu, mutta hyväksymiskriteerit jäävät vanhaan muotoon. Katselmointikommentti ratkaistaan, mutta ympäröivää dokumentaatiota ei yhdenmukaisteta.

AI voi auttaa pienentämään tätä kuilua.

Kun vaatimusten analyysi, generointi ja katselmointi ovat saatavilla suoraan työkalussa, liittyvä dokumentaatio on helpompi pitää synkronissa. Tiimi voi jatkuvasti kysyä:

• Onko tämä vaatimus edelleen selkeä?
• Ovatko hyväksymiskriteerit edelleen linjassa vaatimuksen kanssa?
• Puuttuuko tähän liittyviä testitapauksia?
• Onko tämä vaatimus päällekkäinen jonkin toisen kanssa?
• Onko vaatimus muuttunut niin, että se pitäisi katselmoida uudelleen?

Tämä ei ole vain tehokkuutta. Se avaa uuden tavan tehdä vaatimustenhallintaa: dokumentaatio ei ole staattinen paketti, joka siivotaan ennen porttia tai auditointia, vaan jatkuvasti arvioitu ja parannettu osa kehitystyötä.

Ihminen mukana juuri oikealla tasolla

Säännellyissä ympäristöissä tavoite ei ole antaa AI:n tehdä kontrolloimattomia suunnittelupäätöksiä. Tavoite on tehdä asiantuntijakatselmoinnista nopeampaa, systemaattisempaa ja paremmin dokumentoitua.

Garantiksen Polarion AI Pluginin kaltaisissa sovelluksissa ihminen voidaan pitää mukana juuri sillä tasolla, jonka sääntely, laatujärjestelmä tai organisaation parhaat käytännöt edellyttävät.

Joissain käyttötapauksissa AI antaa vain ehdotuksia. Toisissa se tuottaa luonnoksen, jonka vaatimustenhallinnan asiantuntija tarkistaa ja hyväksyy. Kypsemmissä työnkuluissa AI-pohjaiset tarkistukset voivat olla osa virallista katselmointia tai laatugatea.

Oleellista on, että automaation taso voidaan suunnitella. AI:n ei tarvitse tarkoittaa kontrollin menettämistä. Hyvin toteutettuna se voi tarkoittaa parempaa läpinäkyvyyttä ja parempaa kontrollia.

Yritys-AI tarvitsee hallintamallin

Garantiksen lähestymistavassa kiinnostavaa on myös se, että AI nähdään alustakyvykkyytenä, ei irrallisena promptien käyttönä.

Polarion AI -ratkaisuun liittyy muun muassa:

• keskitetty AI:n hallinta ja governance
• uudelleenkäytettävät promptikirjastot
• moduulipohjaiset kyvykkyydet analyysiin, generointiin, samankaltaisuuden tunnistamiseen ja integraatioihin
• Azure OpenAI-, OpenAI API- ja paikallisten mallien vaihtoehdot
• käytön, kustannusten ja suorituskyvyn seuranta
• projektikohtaiset asetukset ja käyttöoikeudet

Tämä on suunta, johon enterprise-AI:n on mentävä. Kysymys ei ole enää vain siitä, mitä mallia käytetään. Tärkeämpi kysymys on: miten AI:n käyttö tehdään johdonmukaiseksi, turvalliseksi, hallittavaksi ja aidosti hyödylliseksi osana todellisia suunnitteluprosesseja?

Oma työni Garantiksen ja Reqtechin kanssa

Tämä yhteistyö liittyy suoraan siihen AI-konseptityöhön, jota olen tehnyt Garantiksen ja Reqtechin kanssa käytännön vaatimustenhallinnan ja requirements engineering -alueella.

Fokukseni on ollut viedä AI pois geneerisen assistentin roolista ja rakentaa siitä toimialakohtainen kyvykkyys vaatimusten laadun, katselmoinnin ja testattavuuden parantamiseen. Käytännössä tämä tarkoittaa esimerkiksi vaatimusten laadun arviointia, epäselvyyksien tunnistamista, hyväksymiskriteerien ja testitapausten generointia, semanttista samankaltaisuutta, ihmisen hyväksyntävirtoja sekä enterprise-käyttöönoton malleja.

Yhteinen ajatus on yksinkertainen: AI:n ei pidä olla irrallaan suunnitteluprosessista. Sen pitää tukea prosessia hallitusti niissä työkaluissa, joissa insinöörit, analyytikot, testaajat ja tuotetiimit jo työskentelevät.

Polarionin kaltaisille työkaluille tämä on hyvin luonteva seuraava askel.

Lopuksi

AI vaatimustenhallinnassa ei tarkoita vain nopeampaa kirjoittamista. Se tarkoittaa parempia vaatimuksia, parempia katselmointeja, parempaa jäljitettävyyttä ja dokumentaatiota, joka pysyy lähempänä todellista tekemistä.

Siksi pidän tätä yhtenä kiinnostavimmista uusista kehitysalueista vaatimusten- ja elinkaarenhallinnan työkaluissa.

Kun AI tuodaan työkalun sisään, hallitaan kunnolla ja pidetään ihminen mukana päätöksenteossa, voidaan siirtyä staattisesta dokumentaatiosta kohti jatkuvasti paranevaa suunnittelutietoa.