Как рассчитать среднеквадратичное отклонение для анализа работы Scrum-команды при помощи ChatGPT. Привели промпты и вывод нейросети.
В прошлой статье мы с вами попробовали применить высшую математику, а конкретно среднеквадратичное отклонение для результата анализа нескольких спринтов. Используя данный метод, мы взяли результаты velocity последних спринтов и спрогнозировали результат следующего спринта, а также вычислили погрешность, выходя за которую мы получаем сигнал, что в процессе что-то изменилось или появилась проблема.
На первый взгляд данный подход довольно сложный, особенно если вы не сильны в высшей математике. Но хорошо, что мы живем в технологичное время, и сегодня из каждого утюга мы слышим нейросети, искусственный интеллект и, конечно, ChatGPT.
Давайте на примере прошлой статьи попросим этот AI сделать нам быстрый расчет.
Дальше я привожу пример общения с ChatGPT.
Мой запрос:
Имеется velocity последних спринтов в story point 75 40 68 60 94 71 55 101 74 13 183 Напиши прогноз velocity на следующие спринты с учетом нормального распределения
Ответ ChatGPT:
Для прогнозирования velocity следующих спринтов на основе нормального распределения, нам необходимо провести статистический анализ имеющихся данных и использовать эти параметры для создания прогноза. Давайте разберём этот процесс пошагово.
1. Анализ текущих данных:
Сначала, мы анализируем имеющиеся данные по velocity прошлых спринтов. Исходя из предоставленных данных, рассчитаем среднее значение (математическое ожидание) и стандартное отклонение.
Данные: 75, 40, 68, 60, 94, 71, 55, 101, 74, 13, 183
Среднее значение (mean) = (75 + 40 + 68 + 60 + 94 + 71 + 55 + 101 + 74 + 13 + 183) / 11 ≈ 76.5
Для рассчёта стандартного отклонения, нам нужно найти сумму квадратов отклонений каждого значения от среднего, разделить это на количество измерений (или на количество измерений минус один, если мы принимаем это за выборку из большей совокупности, то есть используем несмещённую оценку) и извлечь квадратный корень из результата.
2. Прогнозирование с использованием нормального распределения:
После определения стандартного отклонения и среднего значения мы предполагаем, что данные следуют нормальному распределению. Это позволяет нам использовать эти параметры для прогнозирования будущих значений. Однако важно помнить, что реальные данные могут значительно отличаться, и мы должны быть готовы к этому, учитывая возможные риски и неопределённости.
Используя среднее значение и стандартное отклонение, мы можем определить ожидаемое значение velocity для следующего спринта в рамках доверительного интервала (обычно 95%).
3. Учёт аномалий и внешних факторов:
При анализе данных, особенно если они содержат экстремальные значения (как, например, 13 или 183 в вашем наборе данных), важно рассмотреть, не являются ли эти точки выбросами, вызванными необычными обстоятельствами, и не должны ли они быть исключены из анализа.
Также необходимо учитывать внешние факторы, которые могут повлиять на производительность, такие как изменения в размере команды, в предстоящих праздниках или запланированных корпоративных мероприятиях.
4. Постоянная адаптация и пересмотр:
Важно помнить, что прогнозирование – это итеративный процесс. После каждого спринта данные должны быть пересмотрены, и прогнозы следует обновлять с учетом новой информации. Это помогает улучшить точность прогнозов и учитывать изменения в командной динамике или внешнем окружении.
В зависимости от полученного стандартного отклонения, вы можете определить, насколько широким должен быть ваш доверительный интервал для будущих прогнозов. Чем выше вариативность в прошлых данных, тем более консервативным должен быть прогноз, предполагая больший диапазон возможных значений velocity для предстоящих спринтов.
Как вы видите, мы не получили ответ. Но ChatGPT сам подсказал, как нужно вычислить результат.
Меняем запрос.
Мой запрос:
Найди сумму квадратов отклонений 75, 40, 68, 60, 94, 71, 55, 101, 74, 13, 183 от среднего, разделив это на количество измерений и извлеки квадратный корень из результата. при этом исключи экстремальные значения
Ответ ChatGPT:
Для расчета стандартного отклонения без учета экстремальных значений, нам нужно сначала идентифицировать, какие значения можно считать экстремальными. В контексте вашего набора данных, значения, такие как “13” и “183”, кажутся аномально низким и высоким соответственно. Давайте исключим их из наших расчетов
Сначала нам нужно пересчитать среднее значение без учета этих экстремальных значений. У нас есть следующие значения:75, 40, 68, 60, 94, 71, 55, 101, 74 (исключены “13” и “183”)Подсчитаем среднее:Среднее=75+40+68+60+94+71+55+101+749≈70.89Теперь найдем квадраты отклонений от нового среднего:(75−70.89)2,(40−70.89)2,(68−70.89)2,…,(74−70.89)2Суммируем квадраты отклонений:(75−70.89)2+(40−70.89)2+…+(74−70.89)2=сумма квадратов отклонений(Пожалуйста, выполните это вычисление, чтобы получить точный результат для суммы).Теперь найдем исправленную дисперсию, разделив сумму квадратов отклонений на количество значений (в этом случае, на 9, поскольку мы исключили два значения):Дисперсия=сумма квадратов отклонений / 9(Выполните деление, чтобы получить точный результат для дисперсии).И, наконец, извлеките квадратный корень из дисперсии, чтобы получить стандартное отклонение:Стандартное отклонение=корень квадратый из ДисперсияИзвлеките квадратный корень из вашего результата дисперсии, чтобы получить стандартное отклонение).
Это стандартное отклонение будет более представительным для общей тенденции данных, поскольку мы исключили аномально высокие и низкие значения.
Как вы видите, мы снова не получили точный ответ, а инструкцию, как выполнить расчеты. Нас это не устраивает. Давайте попробуем разбить запросы по частям.
Дальше приложу скриншоты запросов и ответов:
Наконец-то мы получили точную сумму стандартного отклонения, поменяв формулировки наших запросы.
Как вы видите, ChatGPT это мощный инструмент, который может быстро выполнять сложные расчеты и представлять в нужном нам виде. Нужно лишь корректировать и уточнять свои запросы.
