מהאצת תיעוד ופיתוח ועד חשיבה מחדש על אופן בניית הדרישות, AI הוא כעת חלק מתהליכי העבודה היומיומיים שלנו ומפרויקטים אמיתיים הנמסרים ללקוחות. והתוצאות? מוחשיות. מדידות. מרגשות.
תוצאות אלו אינן תחזיות או הנחות. אלו תוצאות מדודות מפרויקטים אמיתיים, צוותים אמיתיים ובסיסי קוד אמיתיים.
80%
פחות זמן המושקע ביצירה ותחזוקה של תיעוד public class (נמדד עם Cursor)
50%
יצירה מהירה יותר של תיעוד טכני מובנה עבור מערכות מורכבות
30%
פחות מאמץ להגיע לכיסוי של עד 100% בבדיקות יחידה, בהתאם לבסיס הקוד
20%
זיהוי ופתרון מהירים יותר של הפרות קוד באמצעות כלים משולבים
15–20%
חיסכון בזמן למפתחים זוטרים המשתמשים בכלי AI הוא הזינוק במהירות שראינו בניסויים אמיתיים ומבוקרים across צוותים
כיצד הבינה המלאכותית שיפרה את פיתוח התוכנה שלנו
עברנו מעבר לשלב הבדיקות. AI הוא חלק מדרך העבודה שלנו להעניק ערך אמיתי. תוצאות אלו מגיעות ישירות מהפרויקטים שלנו, שבהם כלי AI המיושמים בקפידה יוצרים שינוי מדיד בכל יום.
צמצום זמן הכנסת מפתחים לתחומים חדשים
במיוחד בתעשיות מוסדרות (הודות לעוזרי ידע מבוססי AI כמו L.E.A.P.)
דרישות איכות גבוהות יותר באמצעות פירוק נתמך AI
בשימוש בתחביר EARS, תוך צמצום עמימות וזמן סקירה
שיפור התיאום בין הצוותים
על ידי לכידה ושימוש חוזר בידע פנימי באמצעות מערכות Retrieval-Augmented Generation
פחות באגים של רגרסיה וניתוח שורש הבעיה מהיר יותר
במונע על ידי ע trazabilidad ואוטומציה של בדיקות בהנחיית AI
דפוסי שימוש מתועדים ב-AI ומעקב אחר ביצועי כלים
להבטיח משוב מתמשך ובטיחות בפריסה
אינטגרציות מאובטחות עם יישומי ה-AI שלנו
מתוכנן להתאים ל-ASPICE, ISO 26262 ותקני בטיחות ואבטחה אחרים
שמעו מהמומחה שלנו
כ-QA Lead, שילבתי את ChatGPT בתהליך העבודה היומיומי שלי כדי לתמוך במשימות כמו ניתוח UML, יצירת מקרי בדיקה וכתיבת סקריפטים לבדיקות API (למשל, Postman, pytest). הוא האיץ משמעותית את יצירת תרחישי מקרי קצה וסייע להמיר user stories לפורמט Gherkin עבור BDD. השתמשתי בו גם כדי לוודא מבני JSON, להכין נתוני בדיקה וליצור טיוטות של תיעוד טכני. המודל צמצם עבודה ידנית חוזרת ושיפר את העקביות across תוצרי הבדיקה. עבור כל איש QA שעובד בסביבות קצובות-קצב, זהו כלי יעיל ביותר.
Marcin Sikorski
מהנדס תוכנה ראשי לאוטומציית QA
מיושם, נצפה ומדוד:
תובנות שתוכלו ליישם בפועל
בכל הצוותים והתחומים, אנו בוחנים, מכווננים ועוקבים אחר האופן שבו AI משנה את דרך העבודה שלנו. אלו תובנות אמיתיות מפרויקטים אמיתיים.
באמצעות ניסויים מעשיים ומשוב מפתחים, למדנו:
בינה מלאכותית היא בעלת הערך הרב ביותר במשימות חוזרות ומבוססות תבניות (למשל תיעוד, שלד ממשק, קוד תבניתי)
AI פחות מועיל למשימות מושגיות מופשטות, אלא אם כן מונחה על ידי פרומפטים מוכנים היטב
חיסכון בזמן סביר יותר במשימות אינטגרציה, בדיקות ואוטומציה מאשר בתכנון ארכיטקטורה יצירתי
עם בהירות זו, אנו מתמקדים בהוספת ערך אמיתי במקום להוסיף שכבות של מורכבות רק לשם כך.
ערכנו ניסויים מעשיים כדי לראות כיצד AI באמת משפיע על מהירות המפתחים. כדי להפוך זאת למדיד, בדקנו כלים בתהליכי עבודה אמיתיים. הנה מה שעובד עבורנו:
השוואות זו לצד זו של צוותים בסיוע AI לעומת צוותים ללא סיוע במשימות פרויקט אמיתיות
שימוש במדדי Scrum כגון מהירות צוות וזמן השלמה של אפיקים/סיפורים
ניתוח האפקטיביות של AI לפי רמות בכירות (Junior, Regular, Senior) והיכרות עם טכנולוגיה.
זמן השלמת משימה
איכות קוד
מהירות הצוות
שביעות רצון מפתחים
ראינו פיתוח מהיר עד 20%, במיוחד בעת בניית אבות טיפוס בשלב מוקדם או כניסה למחסניות טכנולוגיות חדשות.
בנינו ובדקנו מסגרת ביקורת משלנו כדי לראות היכן AI באמת מתאים. היא עוזרת לנו להעריך את ההשפעה של AI בפרויקטים אמיתיים, כך שאנחנו לא מנחשים, אלא מקבלים החלטות מושכלות.
זה חורג מאימוץ המונע על ידי הייפ. מדובר בהערכה מובנית של היכן ה-AI מספק ערך, עם מדדים כמו מהירות אספקה, איכות קוד ומידת המוכנות של הצוות לאמץ כלים חדשים.
אנחנו לא מבודדים חדשנות. כל הצלחת AI הופכת לנכס משותף ברחבי הארגון. כאשר תובנה או תהליך עבודה עובדים בתחום אחד, אנחנו לא נותנים לזה להיעצר שם: אנחנו מרחיבים את זה.
יישמנו כלי AI אחידים, תקני אימוץ ושיטות עבודה מומלצות לתיעוד across:
רכב: סביבות קידוד באמינות גבוהה תוך שימוש ב-GitHub Copilot ו-Cursor לתוכנה קריטית לאיכות, בהתאמה מלאה ל-ASPICE ו-ISO 26262
רובוטיקה: יישום פירוק דרישות מבוסס LLM, מסגרות מוק (כמו rtest) ותהליכי CI/CD מואצים בפרויקטים של ROS 2
אוטומציה תעשייתית: שימוש בתיעוד מבוסס AI והאצת בדיקות עבור קוד PLC ו-embedded C/C++ בקווי ייצור
בריאות (שלב מוקדם): בוצע פיילוט של תכנון ארכיטקטורה בסיוע AI ויצירת דרישות תחת מגבלות IEC 62304 ו-ISO 13485
כדי להפוך פיתוח בסיוע AI לשימושי באמת, פיתחנו כלים פנימיים ומסגרות עבודה המביאים בהירות, עקביות והשפעה מדידה across צוותים.
הם עוזרים לנו לעקוב אחר מה שעובד, לשפר את מה שלא, ולהמשיך לדחוף את הגבולות.
ספריות פרומפטים לתרחישי פיתוח נפוצים
בנינו ספריות פרומפטים שבאמת עובדות.
מיצירת בדיקות יחידה ב-embedded C++, דרך ריפקטורינג של קוד Java ישן, ועד תרגום דרישות בטיחות לתחביר EARS, יש לנו אוסף הולך וגדל של פרומפטים המותאמים לאתגרים הנדסיים אמיתיים.
הם מנוהלים בגרסאות, ייעודיים לתחום, ועוזרים לצוותים שלנו להשיג תוצאות מהירות ועקביות יותר עם כלי AI.
אינטגרציות CI/CD העוקבות אחר שימוש ב-AI מול מדדי אספקה
הטמענו טלמטריה ישירות לתוך ה-pipelines שלנו כדי לעקוב בדיוק אחר האופן שבו כלי AI משפיעים על צמצום נקודות סיפור, כיסוי בדיקות ומהירות הצוות הכוללת. תובנות אלו מראות לנו בבירור היכן ה-AI יוצר שינוי אמיתי — והיכן הוא עדיין לא ממש עומד ביעד.
מובילי הנדסה זוכים לנראות מיידית בזמן אמת של ההחזר על ההשקעה (ROI) של אימוץ AI, מה שמסייע להם לכוון את הצוותים שלהם בצורה חכמה ומהירה יותר.
כלים לניתוח איכות תגובות AI ולחידוד פרומפטים
פיתחנו כלים שימושיים להערכת איכות הפלטים שנוצרו על ידי AI, תוך בדיקת דיוק, כיסוי ופורמט מול מה שאנו מצפים לו. כלים אלה יכולים sogar להציע פרומפטים משופרים וליצור גרסאות חלופיות להשוואה קלה.
המשמעות היא שהנדסת פרומפטים מפסיקה להיות משחק ניחושים והופכת לתהליך חלק וניתן לחזרה.
לוחות מחוונים לשימוש ב-AI עבור ראשי צוותים
לוחות המחוונים שלנו לשימוש ב-AI מספקים למנהלי הנדסה ופרויקטים תובנות לגבי האופן והמקום שבהם נעשה שימוש ב-AI. הם מציגים שיעורי אימוץ כלים, מגמות באיכות התפוקה, משוב מפתחים ומתאמים עם ביצועי ספרינט.
מנהיגים יכולים לנהל את השימוש ב-AI across צוותים מבוזרים ללא מיקרו-ניהול.
הפתרונות המוכחים שלנו
מעבודת פיתוח ועד לתיעוד ותמיכה, זיהינו את הנקודות שבהן AI באמת מחולל שינוי משמעותי, ואנו מיישמים את הידע הזה בפרויקטים אמיתיים.
תיעוד קוד מואץ וכיסוי בדיקות
אנו משלבים כלים כמו GitHub Copilot ו-Cursor כדי:
צמצום הזמן המושקע בתיעוד מחלקות ציבוריות בעד 80%
יצירת תיעוד טכני מובנה מהיר ב-50%
צמצום המאמץ להגעה לכיסוי של עד 100% בבדיקות יחידה ב-30%, היכן שרלוונטי
זיהוי ותיקון הפרות קוד 20% מוקדם יותר בתהליך הפיתוח
הנדסת דרישות נתמכת בינה מלאכותית
דרך עוצמתית נוספת שבה אנו משתמשים ב-AI היא עם LLMs לפירוק דרישות באמצעות תחביר EARS, מה שמגביר:
בהירות דרישות בעלי העניין/המערכת
זיהוי התנהגות בלתי מוגדרת או מקרי קצה
עמידה בתקני עיצוב הקשורים לבטיחות (למשל IEC 61508, ASPICE)
יעילות סקירות ותהליכי אישור
זה כולל אימות מעשי בפרויקטים של לקוחות בתעשיית הרכב ובדיקות איכות פנימיות לשלמות ולעקביות
תמיכת לקוחות
ב-Spyrosoft אנו מפעילים בינה מלאכותית בתמיכת לקוחות – משולבת בקפידה כדי לקצר זמני תגובה, להפחית עלויות תפעוליות ולחשוף יעילות חדשה.
אוטומציה של פתיחת קריאות וסיווג מקרים
האצת פתרון תקלות וניתוח שורש הגורם
תמיכה בקבלת החלטות מהירה יותר מבוססת נתונים
הפעל בסיסי ידע חכמים, צ'אטבוטים, ווייסבוטים וסוכני AI
ניהול ידע מבוסס AI
בנינו ופרסנו מערכות Retrieval-Augmented Generation (RAG) ייעודיות לתחום עבור:
• גישה מהירה ומאובטחת לתיעוד פנימי, מפרטים וקוד.
• קליטה, דיבוג, הנדסה לאחור ותכנון מערכות.
• אינטגרציה עם צינורות CI/CD וכלי פיתוח.
זה מספק למהנדסים תשובות מיידיות והקשרניות ממקורות פנימיים. ללא חשיפת נתונים חיצונית, ללא צורך באימון מחדש.
אנחנו לא רק מיישמים AI — אנחנו גם יוצרים אותו.
arrow_circle_right
Qt AI Assistant
arrow_circle_right Qt AI Assistant
כלי דמוי Copilot זה עבור QML/Qt, שפותח בשיתוף עם Qt, משנה את האופן שבו מפתחים כותבים קוד.
arrow_circle_right
XGenie
arrow_circle_right XGenie
טייס משנה מבוסס AI ייעודי לתחום שפיתחנו עבור תעשיית הביטוח לתמיכה בתהליכי חיתום.
arrow_circle_right
CodeLlama-13B-QML
arrow_circle_right CodeLlama-13B-QML
פתחנו קוד פתוח של LLM מותאם אישית עם Qt ב-Hugging Face.
arrow_circle_right
L.E.A.P.
arrow_circle_right L.E.A.P.
העוזר הפנימי שלנו בשפה טבעית שעוזר למהנדסים לגשת באופן מיידי לידע הפרויקט.
arrow_circle_right
יישומים מהחיים האמיתיים
פיתוח בסיוע AI בפועל
הצצה למקרי שימוש בפיתוח בסיוע AI בסביבות מסחריות ומו"פ אמיתיות.
פרויקטי תוכנה לרכב ומערכות משובצות
שילבנו את Cursor בתהליכי העבודה כדי להאוטומט כיסוי תיעוד, לזהות הפרות, לתמוך בכיסוי בדיקות יחידה של 100%, ולהתיישר עם ASPICE ו-ISO 26262.
מערכות בטיחות לרכב וכתיבת מפרטים
מודלי LLM משמשים לשינוי דרישות לא ברורות באמצעות EARS, לזיהוי עמימויות ומעברים לא חוקיים, ולתמיכה בתהליכי IEC 61508.
שימוש חוזר בידע ותמיכה למפתחים
מאגר פרומפטים מרכזי לתיקון באגים, ריפקטורינג ויצירת בדיקות; נעקב, מנוהל בגרסאות ומשופר לאורך זמן.
העצמה והטמעה פנים-ארגוניות בהנדסה
מנוע שאלות ותשובות AI-native (LEAP) עם RAG, מאובטח on-prem, מקצר את זמן ה-onboarding ותומך בהבנת מערכות legacy.
השוואת השפעת AI בפרויקטים אמיתיים
ניסויים מבוקרים מראים פיתוח מהיר ב-5–20%; נבדקו על אפליקציית BLE לנייד ומערכות ארגוניות .NET.
פיתוח קריטי לבטיחות ואבטחה
עטיפות מותאמות אישית למעקב, קלט/פלט מבוקר, שימוש מקומי, ללא APIs חיצוניים; בשימוש במערכות משובצות ובמערכות סמוכות-ביטחון.
נראות DevSecOps וממשל AI
קוד שנוצר על ידי AI נעקב לאורך קומיטים; משולב עם GitLab, תמונות מצב, מדדי Copilot.
AI מסייע בדרישות לא ברורות ובאב-טיפוס מהיר, ועוזר לצוותים לחקור טכנולוגיות חדשות.
תמיכת בינה מלאכותית ברחבי החברה
ממפתחים ובודקים ועד מנהלי מוצר ומנהלי טכנולוגיה (CTO), ראינו כיצד AI מזרז תהליכים, משפר איכות והופך משימות יומיומיות לחלקות יותר עבור כל תפקיד בצוות.
מפתחים
יצירת קוד וריפקטורינג, חניכה בסיוע AI, ספריות פרומפטים של Copilot, תיעוד מהיר יותר, חניכה חלקה יותר באמצעות מערכות RAG ייעודיות לתחום.
בודקים
יצירת בדיקות יחידה, זיהוי פערים בבדיקות רגרסיה, זיהוי אנומליות, שחזור באגים אוטומטי, ניתוח כיסוי בדיקות בסיוע AI.
מנהלי מוצר / אנליסטים עסקיים
פירוק דרישות אוטומטי (תחביר EARS), תהליכי תיעוד מהירים יותר, גילוי ידע באמצעות מערכות RAG.
מנהלי הנדסה
ביקורות הזדמנויות AI, זיהוי תחומי אינטגרציה בעלי השפעה גבוהה, ניטור לוחות מחוונים לשימוש ב-AI, הרחבת כלי AI across פרויקטים ותחומים, מעקב מהירות משולב CI/CD, מדידת ה-ROI של AI על המסירה, העצמת כוח העבודה, הפחתת עלות המסירה across צוותי הנדסה.
צוותי תמיכה
סיווג וניתוב חכם של פניות, סוכני עזרה טכנית 24/7, אוטומציה של פתרון תקלות, צ'אטבוטים ובוטים קוליים מבוססי AI המותאמים לצורכי הלקוח.
arrow_circle_rightצרו קשר
סקרנים כיצד AI יכול לתמוך בתהליך הפיתוח שלכם?
פיתוח תוכנה בסיוע AI אינו טרנד. זהו הפרק הבא של הנדסת תוכנה והוא מתרחש כעת.
בין אם אתם רוצים להאיץ תהליכים, לקצץ עלויות, או פשוט להפיק יותר מהצוות שלכם, אנו מוכנים לחלוק את מה שלמדנו ולסייע לכם להגשים זאת.
