Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
0 5 -24 · w w w c o m p u t e r - a u t o m a t i o n d e | 17 Ch a t G P T-Se r i e Te i l 4 # dann * analysiere das gegebene Epic und den zusätzlich gegebenen situationsund aufgabenbezogenen Kontext * formuliere für das X Akzeptanzkriterium des Epics eine oder mehrere vollständige User Stories die die konkrete Umsetzung dieses Akzeptanzkriteriums beschreiben und abdecken * verwende als Format die gegebene Formatvorlage für User Stories * ändere die Struktur der Formatvorlage nicht sondern füge Text nur in den mit „<>“ markierten Platzhaltern ein * formuliere eine User Story immer mit mindestens drei Akzeptanzkriterien formuliere aber niemals mehr als fünf Akzeptanzkriterien * die Skala für die Aufwandsabschätzung ist klein mittel groß sehr groß Die geforderten Aktionen im „ dann “-Block umfassen mehrere Kriterien die in einzelne Aufzählungspunkte getrennt und strukturiert sind Günstig ist es den Fokus auf einen Aspekt der Zergliederung zu legen so wie hier nur ein Akzeptanzkriterium zur weiteren Detaillierung angefragt ist Wird die zu erwartende Antwort zu lang beziehungsweise muss ein zu großes thematisches Feld abgedeckt werden ist mit pauschalen Antworten zu rechnen die einen geringeren Nutzwert haben Es ist zudem zu beachten dass durch diese Arbeitsweise auch schnell ein Informations-Overflow erzeugt werden kann Um dies zu vermeiden sollte man ganz im Sinne einer agilen wertebasierten Vorgehensweise mit dem oder den wertvollsten kritischsten nutzbringendsten Akzeptanzkriterien beginnen und die restlichen Akzeptanzkriterien erst formulieren und zergliedern wenn der konkrete Bedarf besteht Nicht die theoretische Vollständigkeit ist das Ziel einer agilen Arbeitsweise sondern die Maximierung der pro Zeiteinheit geschaffenen Werte Das Prompt-Ergebnis Um es vorwegzunehmen Man darf von einer generativen KI keine Zauberei erwarten Im Gegenteil Product Owner und auch das entwickelnde Team werden diese Formulierungsvorschläge kritisch in Bezug auf Korrektheit Relevanz und Vollständigkeit reviewen müssen Allerdings ist bei einem gut ausgewählten Kontext das auf diese Art und Weise erzeugte Formulierungsergebnis überraschend gut und bietet Vorteile gegenüber einer rein manuellen Formulierung für folgende Fallbeispiele • Schnelles weitere Zergliedern und Detaillieren von Artefakten zur Arbeitsorganisation wie Epics und User Stories • Kein „leeres Blatt“-Effekt um schnell einen Formulierungsvorschlag zu erzeugen • Demokratisierung von guten Formulierungen - nicht nur Product Owner und Produktentscheider können nun hochwertige beschreibende Dokumente erzeugen sondern alle im Team • Bessere Ausgangsformulierungen unabhängig der sprachlichen Möglichkeiten des Teammitglieds • Leichtere und direktere Kritik im Team möglich da Formulierungsvorschlag von neutraler KI -Instanz und nicht aus dem Kollegium • Einfache Überführung von Texten in alle erdenklichen Sprachen für international gemischt arbeitende Teams • Das gleiche Prinzip lässt sich auf die schnelle Erstellung von textbasierten High-Level Anforderungsbeschreibungen anwenden Fazit und Ausblick Das für diesen Artikel gewählte Beispiel ist nur ein kleiner Ausschnitt aus den beschreibenden Entwicklungsdokumenten eines Entwicklungsprozesses Das Prinzip lässt sich jedoch leicht auf die anderen Ebenen anwenden Als besonders günstig im Zusammenspiel mit generativen KIs hat sich dabei eine Arbeitsweise mit klar strukturierten Abstraktionsebenen erwiesen Dadurch wird es einfach den erforderlichen Kontext für hochwertige Prompts zusammenzustellen die im Sinne einer Nutzen Aufwand-Betrachtung agilen Teams praktische Vorteile bringen Wie sich diese Vorteile von der Anforderung bis hinunter zur Codeebene nutzen lassen erläutert der nächste Teil dieser Artikel-Reihe hap Dr Hans Egermeier ist Geschäftsführer von talsen team Seit der Veröffentlichung des ersten Artikels dieser Beginn Reihe hat sich auf dem Markt der Large Language Modelle LLMs viel getan Neben dem ursprünglichen Platzhirsch ChatGPT mit »gpt-4« von OpenAI haben das Modell »Claude-3 Opus« von Anthropic oder auch Google mit »Gemini« aufgeschlossen Das Feld der führenden LLMs ist somit deutlich enger geworden Um dies auch in unserem neuesten Artikel widerzuspiegeln verwenden wir begrifflich im weiteren Verlauf nun nicht mehr den konkreten Produktnamen ChatGPT sondern sprechen verallgemeinernd für alle Topmodelle mit vergleichbaren Fähigkeiten von generativer KI oder LLMs Anmerkung zu LLMs Web-Tipp Das Anbieterfeld führender LLMs können Sie hier einsehen https bit ly 49OrXld