Можно ли доказать окупаемость инвестиций в ИИ в разработке программного обеспечения? (Исследовани... скачать в хорошем качестве

Можно ли доказать окупаемость инвестиций в ИИ в разработке программного обеспечения? (Исследовани...

Вы вкладываете миллионы в ИИ для разработки программного обеспечения. Можете ли вы доказать, что это окупается? Бенчмарки показывают, что модели могут писать код, но в корпоративных развертываниях ROI трудно измерить, легко предвзято оценить и часто искажается показателями активности (количество запросов на слияние, DORA), которые говорят «больше», не доказывая «лучше». Опираясь на данные, полученные от более чем 120 000 разработчиков из более чем 600 компаний, я покажу, где именно ИИ приносит наибольшую пользу и как измерить ROI вашего внедрения ИИ в разработку программного обеспечения. Мы разберем, почему идентичные инструменты дают примерно 0% прироста в одних организациях и более 25% в других. Вы уйдете с пошаговым руководством по ROI: что отслеживать, каких ловушек следует избегать и какие привычки используют лучшие команды, чтобы извлечь максимальную выгоду из ИИ. Докладчик: Егор Денисов-Бланш | Исследователь, Стэнфорд https://x.com/yegordb   / ydenisov   Временные метки 00:00 Введение и методология: Экспертные группы по машинному обучению 00:21 Исследовательский подход: Временные ряды и поперечные данные 01:38 Обзор четырех ключевых тем 02:01 Пример из практики: 10% повышение производительности и растущий разрыв 03:16 Факторы, влияющие на производительность: Использование против качества 04:02 Индекс чистоты окружающей среды 05:30 Управление энтропией кодовой базы и доверие к ИИ 06:17 Сравнительный анализ и дактилоскопия методов разработки ИИ 07:38 Пример из практики: Неравномерное внедрение в разных бизнес-подразделениях 08:31 Проблемы измерения рентабельности инвестиций в ИИ через бизнес-результаты 10:28 Предлагаемая структура измерения: Использование и Результаты 11:59 Метрика: Основной результат против ограничений 12:54 Пример из практики: Негативное влияние внедрения ИИ на качество 14:04 Переработка, рефакторинг и эффективный анализ результатов 15:43 Заключение и призыв к участию в исследовании