| Abstract |
Pēdējā laikā globālās prasības pēc dažādiem informācijas tehnoloģiju (IT)
produktiem vai pakalpojumiem ir ievērojami pieaugušas. Attiecīgi daudzi
programmatūras projekti ir definēti, plānoti, īstenoti un dažādi pārvaldīti. Bez šaubām,
veikls darba veids ir vispazīstamākā pieeja, ko izmanto programmatūras izstrādes
komandas visā pasaulē. Dažādu uz veiklu balstītu ietvaru, piemēram, SCRUM un
KANBAN, izmantošana padara elastīgas projektu pārvaldības procedūras daudz
raitākas un elastīgākas, kā arī vairāk reaģē uz izmaiņām, ko rada strauja attīstība IT
nozarē. Lai gan veiklajam darba veidam, īpaši SCRUM ietvara pielietošanai, ir
ietekmīga ietekme uz projekta elastību, jautājumi par elastīgā projekta tehnisko, vides
un organizatorisko sarežģītību joprojām pastāv. Turklāt mākslīgā intelekta (AI) straujā
attīstība IT produktu attīstībā ir faktors, ko nevar ignorēt. Ātrā mākslīgā intelekta
ieviešana, jo īpaši neticamie sasniegumi ģeneratīvajā AI (GenAI), izmantojot jaunus
darbus pie lieliem valodu modeļiem (LLM), pievērš veiklo praktiķu vispārēju
uzmanību, lai viņi izmantotu šīs tehnoloģijas un palīdzētu viņiem veikt dziļāku analīzi
lēmumu pieņemšanā. process.
Attiecīgi šajā pētījumā tika noskaidrots, kā ģeneratīvo mākslīgo intelektu,
izmantojot pieejamos lokāli uzstādāmos LLM modeļus, piemēram, Llama 3, Llama 2,
Mistral, Gemma un OpenChat, var izmantot kā projekta vadītāja palīgu, lai iegūtu
uzticamu, specifisku, ātru un precīzu informāciju par projektu. Tādējādi tika izstrādāts
izguves paplašinātās paaudzes (RAG) darbplūsma, izmantojot vietējos LLM modeļus,
Python 3.10.11 un Langchain ekosistēmu. Tematiskā un salīdzinošā analīze par
rezultātiem, kas sasniegti ar RAG darbplūsma, izmantojot dažādus vietējos LLM,
parādīja specifiskākas, atbilstošākas un precīzākas atbildes, ko radīja Llama 3 LLM
modelis. Turklāt galīgā RAG sistēma tika novērtēta, izmantojot RAGAS novērtēšanas
metodi, kā rezultātā tika iegūtas saprātīgas vērtības četrām galvenajām metriku atbilžu
atbilstības, konteksta precizitātes, konteksta atcerēšanās un uzticamības vērtībām
attiecīgi 0.7500, 0.8907, 0.9405, 0.8847.
Maģistra darbs sastāv no 94 teksta lappusēm, 16 attēliem, 7 tabulām, 60 uzziņu
avotiem. |
