VQD-CTS Prediction Model: An AI-Driven Framework for Predicting Cost-to-Serve Using Engineering Velocity, Quality, and Developer Experience

Stellen Sie sich vor, Sie führen eine riesige, geschäftige Pizzeria. Sie haben ein Team von Köchen (die Entwickler), einen schicken Ofen (die Technologie) und einen ständigen Strom von Bestellungen (die Software-Features). In den alten Tagen, wenn Sie wissen wollten, wie viel eine Pizza kosten würde, haben Sie einfach geschätzt, basierend darauf, wie viele Pizzen Sie letzte Woche gemacht haben. Aber das ist ein bisschen so, als würde man das Wetter vorhersagen, indem man auf den gestrigen Kalender schaut; es ignoriert die Gewitterwolken, den Wind und die Tatsache, dass Ihr Ofen vielleicht kaputt ist.

In der Welt der Software stehen Unternehmen vor einem ähnlichen Rätsel. Sie verfolgen, wie schnell ihre Teams arbeiten (Velocity), wie viele Fehler sie machen (Quality) und wie zufrieden ihre Köche mit ihren Werkzeugen und ihrer Umgebung sind (Developer Experience). Aber lange Zeit konnte niemand genau herausfinden, wie diese drei Dinge zur Endabrechnung beitrugen – dem „Cost-to-Serve“ (Kosten pro Service). Es ist, als wüsste man, dass man viel Käse verwendet hat und ein glücklicher Koch da war, aber man weiß nicht, ob das bedeutet, dass die Pizza 10 $ oder 100 $ kostet. Dieses Paper versucht, dieses Rätsel zu lösen, indem es ein superintelligentes Computergehirn (eine KI) baut, das all diese unordentlichen Details betrachten und den Preis vorhersagen kann, noch bevor die Pizza überhaupt gebacken wird.

Das VQD-CTS-Vorhersagemodell: Ein Kristallball für Softwarekosten

Die Forscher Basavaraj Chunchure und Mantesh Patil haben ein neues Werkzeug namens VQD-CTS-Vorhersagemodell entwickelt. Denken Sie bei „VQD“ an eine Geheimsauce, die aus drei Zutaten besteht: Velocity (wie schnell das Team vorankommt), Quality (wie viele Bugs sie finden) und Developer Experience (wie einfach es für sie ist, ihren Job zu machen). „CTS“ steht für Cost-to-Serve, was die Gesamtrechnung für die Auslieferung einer Software an einen Kunden ist, einschließlich allem – von der Elektrizität für die Server bis hin zu den Gehältern der Leute, die die Bugs beheben.

Das Team hat nicht einfach nur geraten; sie haben ihre KI mit einem riesigen Haufen fiktiver, aber realistischer Daten gefüttert – 10.000 Datensätze verschiedener Softwareprojekte –, um ihr beizubringen, wie sich diese drei Zutaten vermischen, um Kosten zu erzeugen. Es ist, als würde man einen Roboter-Koch trainieren, indem man ihn 10.000 verschiedene Pizza-Szenarien beobachten lässt, von denen einige reibungslos verliefen und bei denen der Ofen Feuer fing.

Was haben sie herausgefunden?

Der Roboter-Koch erwies sich als überraschend gut in seinem Job. Als sie ihn mit neuen, ungesehenen Daten testeten, erreichte er einen Wert von 0,885 (auf einer Skala, bei der 1,0 perfekt ist). Auf Deutsch gesagt: Das Modell erklärt fast 90 % der Gründe, warum Kosten steigen oder fallen. Im Durchschnitt lagen seine Preisprognosen nur um 79,93 Währungseinheiten daneben (das Paper verwendet eine generische Einheit, denken Sie also an „Punkte“ auf einer Bestenliste).

Aber die wahre Magie lag nicht nur im Score; es war das, was die KI ihnen über das Warum der Kosten sagte. Die Forscher fragten das Modell: „Was ist der Hauptgrund, warum unsere Pizzarechnung so hoch ist?“ Und das Modell zeigte mit dem digitalen Finger auf vier Hauptverdächtige:

1. Code-Komplexität (Code Complexity): Dies war der größte Bösewicht. Wenn der Code unordentlich und schwer zu verstehen ist, schießen die Kosten in die Höhe. Es ist, als würde man versuchen, ein Haus mit völlig verhedderten Kabeln zu bauen; es dauert ewig, etwas zu reparieren, und jedes Mal, wenn man etwas berührt, geht etwas anderes kaputt.
2. Fehlerdichte (Defect Density): Das ist nur eine schicke Art zu sagen: „Wie viele Bugs verstecken sich im Code?“ Je mehr Bugs, desto teurer wird das Projekt, wegen all der Nachbesserungen und Kundenbeschwerden.
3. Zykluszeit (Cycle Time): Das ist die Zeit, die vergeht, von „Ich habe eine Idee“ bis „Es funktioniert auf deinem Handy“. Wenn sich diese Zeit in die Länge zieht, steigen die Kosten aufgrund von Koordinationsproblemen und verpassten Chancen.
4. Infrastruktur-Kostenanteil (Infrastructure Cost Share): Das ist die Rechnung für die Cloud-Server und Tools. Während Unternehmen immer mehr ihrer Arbeit in die Cloud verlagern, wird dieser Teil der Rechnung zu einem riesigen Brocken der Gesamtkosten.

Die überraschenden Wahrheiten

Das Modell enthüllte auch einige Dinge, die sich ein wenig kontraintuitiv anfühlen könnten. Lange Zeit dachten viele Chefs, wenn man das Team einfach nur schneller arbeiten ließe (höhere Velocity), würden die Kosten sinken. Die KI sagt: „Moment mal!“ Die Studie ergab, dass reine Geschwindigkeit allein nicht viel ausmacht, wenn der Code unordentlich ist oder das Team unzufrieden ist. Tatsächlich kann das Drängen auf Geschwindigkeit ohne Rücksicht auf Qualität oder die Erfahrung der Entwickler die Rechnung auf lange Sicht sogar höher machen, wegen all der Fehler, die man später korrigieren muss.

Eine weitere Überraschung war, dass die Größe des Teams nicht so viel ausmachte, wie die Leute dachten. Ein großes Team ist nicht automatisch teuer, wenn es organisiert und erfahren ist; ein kleines Team kann teuer sein, wenn es verloren und verwirrt ist. Es kommt nicht auf die Anzahl der Köche an, sondern darauf, wie gut sie das Rezept kennen und wie scharf ihre Messer sind.

Wie sicher sind sie sich?

Die Forscher sind ziemlich zuversichtlich bei diesen Ergebnissen, aber mit ein paar Sternchen. Sie haben ihr Modell unter Verwendung eines riesigen Datensatzes synthetischer (computergenerierter) Daten aufgebaut, die reale Projekte nachahmen. Sie haben es über verschiedene Arten von Projekten getestet, wie zum Beispiel den Aufbau neuer Systeme von Grund auf (Greenfield) oder die Reparatur alter Systeme (Brownfield), und es funktionierte in fast allen Fällen gut.

Sie geben jedoch zu, dass dies eine Simulation ist. Sie haben noch nicht beobachtet, wie ein echtes Unternehmen dieses Modell ein ganzes Jahr lang nutzt, um zu sehen, ob es tatsächlich Millionen von Dollar in der realen Welt spart. Sie merkten auch an, dass das Modell am besten funktioniert, wenn ein Unternehmen von vornherein gute Daten hat. Wenn ein Unternehmen im Dunkeln tappt und weder seine Bugs noch die Dauer von Aufgaben trackt, kann das Modell seinen Zauber nicht wirken lassen.

Das Fazit

Das VQD-CTS-Modell ist wie ein GPS für Software-Manager. Anstatt blind zu fahren und zu hoffen, dass sie nicht gerade keinen Sprit (Geld) mehr haben, können sie nun auf ihre Geschwindigkeit, den Zustand ihres Autos und die Stimmung ihres Fahrers schauen, um genau vorherzusagen, wie viel die Reise kosten wird. Es legt nahe: Wenn Sie Geld sparen wollen, sagen Sie Ihrem Team nicht einfach nur „werdet schneller“. Stattdessen: Bereinigen Sie den unordentlichen Code, beheben Sie die Bugs frühzeitig und stellen Sie sicher, dass Ihre Entwickler die Werkzeuge haben, die sie brauchen, um glücklich zu sein. Das, so das Paper, ist das wahre Rezept für eine günstigere, bessere Pizza.