Se ha denunciado esta presentación.
Se está descargando tu SlideShare. ×

CGD2021 - "Canvi cultural, agilitat, qualitat i sostenibilitat del desenvolupament de programari"

Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio

Eche un vistazo a continuación

1 de 14 Anuncio
Anuncio

Más Contenido Relacionado

Similares a CGD2021 - "Canvi cultural, agilitat, qualitat i sostenibilitat del desenvolupament de programari" (20)

Anuncio

Más de Congrés Govern Digital (20)

Anuncio

CGD2021 - "Canvi cultural, agilitat, qualitat i sostenibilitat del desenvolupament de programari"

  1. 1. Canvi cultural, agilitat, qualitat i sostenibilitat del desenvolupament de programari
  2. 2.  Timeline  Proposta Model de treball Agile basat en Scrum : <SCRUM/CTTI>  Innovació: Machine Learning + Testing Continguts
  3. 3. Juny 2019 Presentació del model de governança de la qualitat Juliol 2019 Juliol 2019 Juliol 2019 Setembre 2019 Definició QGs de codi amb sonarqube Establiment eina gestió peticions al servei: Jira Definició del procediment Plans de millora Definició Quality Gates Inici presentació del model de qualitat a Àrees TIC dels Departaments Octubre 2019 Octubre 2019 Presentació Informe C25/S25* 3T i posada en marxa del procediment Novembre 2019 Desembre 2019 Implantació Fase 1 Catàleg de serveis Presentació nou web de Qualitat Migració instància Performance Center versió 12.63 Desembre 2019 Baròmetre integral de la qualitat** 2º Semestre Gener 2020 Gener 2020 Inici Taskforce Intranet Educació Març 2020 Definició Metodologia agile <SCRUM/CTTI> <SCRUM/CTTI> Implantació Fase 2 Catàleg de serveis Maig 2020 Formacions metodologia Agile <SCRUM/CTTI> Juny 2020 Confinament Covid Març 2020 Abril 2020 Transformació model de gestió de la oficina OQUAL a agile: Kanban Juliol 2020 Inici Migració i implantació eina cicle de vida del software: ALM Octane Juliol 2020 Implantació QGs per Integració de Solucions Setembre 2020 Integració framework d’automatització proves Selenium amb ALM Octane Implantació Fase 3 Catàleg de serveis Novembre 2020 Integració sonarqube al SIC Desembre 2020 Integració eina d’automatització de proves UFT amb ALM Octane Desembre 2020 Gener 2021 Proves de rendiment idCAt Març 2021 QGs per APPs Mòvils Upgrade Performance Center a Load Runner 2020 Abril 2021 Innovació: Machine Learning + Testing Abril 2021 Timeline Qualitat i Mètodes Qualitat i Mètodes 2022-2026 Juny 2021 Nou informe Q25!! Automatització procés certificacions mòbils amb UFT Mobile Octubre 2021
  4. 4. Proposta Model de treball Agile basat en Scrum : <SCRUM/CTTI> 4 L’objectiu del model és plantejar un enfocament Agile del cicle de vida del software, realitzant una proposta de model Agile, implantació, rols i responsabilitats i eines. Presentar una proposta del model Agile del cicle de vida del software Explicar les eines a utilitzar en la realització d’un projecte Agile Detallar implantació model Àgil Descriure els rols i responsabilitats que intervenen <SCRUM/CTTI>
  5. 5. o Processos de gestió de projectes basats en bones pràctiques de PMBOK® o Enriquits amb cicles de vida de software específics per a cada tipologia de projecte per la fase d’execució: Waterfall o Agile, segons la naturalesa del projecte. Cicle de Vida del software Fases de gestió Fase de gestió 5 *Servei Qualitat assessorament projecte Agile a la Fase d’inici Agile o Waterfall* Tancament Desplegament Release Proposta Model de treball Agile basat en Scrum : <SCRUM/CTTI> <SCRUM/CTTI>
  6. 6. Delivery track Tancament Informe de tancament de projecte Arxivat de document ació Planificar Backlog Inicial Pla de qualitat Iniciar Kick- off Seguiment Continu Riscos Temes Oberts Plans de millora Seguiment Reporting Informes Avenç Informes Esforç Estat del projecte Validar Fites Funcionals Meritació Proveïdor Facturació Client Gestionar Canvis Canvis amb i sense impacte econòmic Validar Quality Gates Desplegament Release 1..N QA Release Desplegament Gestió de canvi Posta en marxa de servei Gestió de projecte Cicle de vida del software 6 Proposta Model de treball Agile basat en Scrum : <SCRUM/CTTI> Discovery track Seguiment i control Executar Dual Track: Sprint 1..N per Release <SCRUM/CTTI>
  7. 7. Proposta Model de treball Agile basat en Scrum : <SCRUM/CTTI> 7 o Dual Track Scrum és un model organitzatiu àgil que separa l'esforç per “descobrir” la millor solució per desenvolupar una “user story”, de l'esforç per entregar producte funcional corresponent a la user story. o Consta de dues pistes (tracks) d'activitat: descobriment (discovery) i lliurament (delivery). Backlog inicial (User Stories sense refinar) Discovery Track Delivery Track <SCRUM/CTTI>
  8. 8. 8 Descripció Tècnica a emprar: Es realitza el refinament dels requisits. Es faran workshops (sessions de treball) diàries i amb la tècnica del INVEST obtindrem històries d’usuari ben refinades. Freqüència i durada Assistents Activitat Refinament Cada dia Segons disponibilitat Representa valor per Negoci Amb Valor S’ha de poder estimar i prioritzar Estimable Independent Són independents, si apareix la paraula “i” o “o” possiblement es pot refinar. Negociables Evolucionen durant les converses Representen una petita part del projecte Petita(Small) S’ha de poder provar, ha d’aportar la definició de l’escenari i el resultat esperat. Testejable 2. INVEST I N V E S T Entrada: Èpica o història d’usuari (sense refinar) Sortida: Història d’usuari refinada i prototip (si aplica) Les sessions de treball seran sobre una temàtica concreta. Durant la sessió tots els rols involucrats han de compartir informació i punts de vista per així generar sinergies. Idealment, les sessions haurien de ser d’entre 3 i 5h. 1. Workshops de User Experience Proposta Model de treball Agile basat en Scrum : <SCRUM/CTTI> Product Owner / Proxy Product Owner Scrum Master Equip funcional Negoci <SCRUM/CTTI>
  9. 9. Incorporar mecanismes de Machine Learning que ens permetin aprendre del comportament dels usuaris de l’Estació de Treball Clínic (ETC) ARGOS, per l’automatització de casos de prova de regressió, que permetin augmentar la qualitat i control d’errors al sistema. Eficiència Agrupació i priorització de proves rellevants en cada moment Ergonomia Millora de l’experiència de l’usuari Qualitat del producte Automatització de proves Machine Learning + Testing
  10. 10. 10 10 Recollida de dades d’ús Processament de dades de navegació i clusterització Elecció dels camins més utilitzats Casos de prova suggerits 1 2 3 4 Casos de prova automatitzats 5 Visió del Pilot Analitzem i automatitzem Machine Learning + Testing
  11. 11. Models Machine Learning 11 Cada node representa un click a un element de l’aplicació i les connexions representen la probabilitat de fer el següent click sobre aquell element. A l’exemple representat: • Si es fa click sobre l’element 1, la probabilitat de fer el següent click sobre l’element 2 és d’un 45% , a l’element 3 és d’un 20% i a l’element 4 és d’un 35% Per tant, podem obtindre la secqüència més freqüent: 1 - 2 - 5 - 7 1 2 3 4 5 6 7 9 8 L’objectiu és incorporar mecanismes de Machine Learning que permetin aprendre del comportament dels usuaris i generar propostes de proves prioritzades per automatitzar Mitjançant un model basat en cadenes de Markov, s’analiza l’històric de dades representant la probabilitat de passar d’un click a un altre. 32% 6% Exemple representatiu Machine Learning + Testing Machine Learning + Testing
  12. 12. Fites principals CTTI Estat d’objectius i consecució ETC Machine Learning (ML) Proves (PR) Machine Learning + Testing
  13. 13. 1. Comportament d’usuari •Event HUB, a disposició de CTTI per aplicacions WEB. •Possibilitat d’enviar informació a una BD local. 2. Machine Learning •Entendre les dades del “Event Hub” •Pot generar fitxers amb KeyWords que entén RobotFramework. •S’ha de construir el model específic de les dades tractades. 3. Automatització •RobotFramework entén les dades derivades per ML. •Amb lleus ajustaments dels SCRIPTS es pot fer l’automatització. •Els resultats es poden integrar amb OCTANE Futures aplicacions – Marc de treball 13 Aplicacions complexes/ Desconegudes Molta combinatòria per fer un cas d’us Usuaris amb rols diferents Gran volum d'usuaris Dades transaccionals heterogènies Es necessària millora continua de l'aplicació En quins casos? Com? Conclusions finals Machine Learning + Testing
  14. 14. Gràcies!! 14

×