基于人工智能和机器学习的项目管理辅助的制作方法

本申请涉及项目管理辅助，更具体地涉及基于人工智能和机器学习的项目管理辅助。

背景技术：

各种技术可以被用于项目管理。一般地关于项目管理，团队可以进行头脑风暴，以生成项目计划，标识实施项目计划所需的人员和装备，设置项目时间表，并且开展持续进行的会议以确定项目计划的实施情况。持续进行的会议可能导致对项目计划的修改和/或对与项目计划有关的人员、装备、时间表等的修改。

技术实现要素：

本公开的实施例涉及基于人工智能和机器学习的项目管理辅助。在一些示例中，基于人工智能和机器学习的项目管理辅助可以包括查明由用户进行的查询。查询可以与项目有关。与用户相关联的属性和与项目相关联的属性可以被查明。查询可以基于与用户和项目相关联的、所查明的属性而被分析。预测器类别可以基于经分析的查询从多个预测器类别而被标识，其中多个预测器类别包括性能预测器类别、质量预测器类别、回顾预测器类别和规划预测器类别。来自多个预测器的预测器可以基于所标识的预测器类别而被标识。对查询的响应可以基于所标识的预测器的执行而被生成。此外，响应于查询的显示可以基于所生成的响应而被生成。

附图说明

本公开的特征通过示例的方式被示出，并且不限于以下(多个)附图，其中相同的标记表示相同的元件，其中：

图1示出了根据本公开的示例的基于人工智能和机器学习的项目管理辅助装置的布局；

图2示出了根据本公开的示例的图1的基于人工智能和机器学习的项目管理辅助装置的技术架构；

图3示出了根据本公开的示例的图1的基于人工智能和机器学习的项目管理辅助装置的应用架构；

图4示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的速度预测器的每周速度预测流程图；

图5示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的第一次正确的故事预测器的第一次正确的故事预测器流程图；

图6示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的故事质量预测器的每个故事的缺陷的预测流程图；

图7示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的承诺准确性预测器的速度和工作量预测流程图；

图8示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的吞吐量预测器的每周工作项(包括故事和缺陷)预测流程图；

图9示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的缺陷注入预测器的每个发布和冲刺的缺陷预测流程图；

图10示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的任务预测器的任务类型和工作量预测流程图；

图11a和图11b示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的速度预测器的累积速度输出；

图12示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的第一次正确的故事预测器的第一次正确的故事输出；

图13a至图13b示出了根据本公开的示例的、用于图1的基于人工智能和机器学习的项目管理辅助装置的第一次正确的故事预测器的、按照大小和相关细节的用户故事；

图14示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的故事质量预测器的每个故事的缺陷的输出；

图15a和图15b示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的故事质量预测器的、按照严重性和相关细节的缺陷；

图16示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的承诺准确性预测器的速度估计准确性输出；

图17a和图17b示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的吞吐量预测器的吞吐量；

图18示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的缺陷注入预测器的缺陷输出；

图19a和图19b示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的缺陷注入预测器的、按照优先级和缺陷细节的缺陷状态；

图20示出了根据本公开的示例的、关于图1的基于人工智能和机器学习的项目管理辅助装置的任务预测器的冲刺质量；

图21示出了根据本公开的示例的用于基于人工智能和机器学习的项目管理辅助的示例框图；

图22示出了根据本公开的示例的用于基于人工智能和机器学习的项目管理辅助的示例方法的流程图；以及

图23示出了根据本公开另一示例的用于基于人工智能和机器学习的项目管理辅助的另一示例框图。

具体实施方式

出于简化和说明的目的，本发明主要通过参考示例而被描述。在以下描述中，阐述了许多具体细节以便提供对本公开的透彻理解。然而，显而易见的是，可以在不限于这些具体细节的情况下实践本公开。在其他情况下，没有详细描述一些方法和结构，以免不必要地模糊本公开。

贯穿本公开，术语“一”和“一个”意在表示特定元件中的至少一个。如本文所使用的，术语“包括”表示包括但不限于，术语“包含”表示包含但不限于。术语“基于”意味着至少部分地基于。

本文中公开了基于人工智能和机器学习的项目管理辅助装置、用于基于人工智能和机器学习的项目管理辅助的方法、以及在其上存储有机器可读指令以提供基于人工智能和机器学习的项目管理辅助的非暂时性计算机可读介质。本文所公开的装置、方法和非暂时性计算机可读介质通过针对项目而从多个预测器类别中标识预测器类别来提供基于人工智能和机器学习的项目管理辅助，其中多个预测器类别包括性能预测器类别、质量预测器类别、回顾预测器类别和规划预测器类别。此外，来自多个预测器的预测器可以基于所标识的预测器类别而被标识来响应用户查询，以促进关于项目的项目管理。项目管理可以基于所标识的预测器的执行而被自动控制，以满足在查询中所指定的项目标准。例如，如本文所公开的，项目标准可以包括与项目相关联的所指定的速度、吞吐量等。例如，如本文所公开的，项目管理可以通过分析诸如第一次正确的故事预测、故事质量预测、承诺准确性预测、缺陷注入预测和/或任务预测等方面而被自动控制，以修改被分配给项目的资源(例如，装备、人员等)和/或与项目相关联的时间表，以满足在查询中指定的项目标准。

关于项目管理，在软件开发领域，一种技术包括敏捷项目管理。关于敏捷项目，各种因素可能会影响敏捷项目管理。因素的示例包括：团队履行所有承诺的能力、估计的准确性、当前发布计划的实际程度、现有流程是否将按预期解决问题、团队速度、速度方面的预期增长是否现实、即将到来的发布是否会注入可能影响产品质量的缺陷、测试场景是否有效、要求是否被正确地按大小排列、问题是否被正确地优先等。

关于与敏捷项目管理相关联的上述因素，燃尽(burndown)图表和燃耗(burnup)图表可以提供项目目标是提前还是落后于计划的指示，以及当前和/或所要求的燃耗率和燃尽率。燃尽图表可以提供项目中剩余的工作量的指示，而燃耗图表可以提供已完成的工作量和工作总量的指示。基于此类燃尽图表和燃耗图表的使用以及其他可用技术，处理与敏捷项目管理相关联的上述因素以及预测是否达到目标在技术上具有挑战性。

为了处理至少上述技术挑战，本文所公开的装置、方法和非暂时性计算机可读介质可以对需求列表和交付规划来实施预测性分析，以形成更准确的估计。产品需求列表可以被描述为特征的优先级列表，包括针对产品所指定的所有功能的简短描述。与已知的项目管理技术相比，本文所公开的装置、方法和非暂时性计算机可读介质还可以解决与不同项目管理系统的接合相关联的技术挑战。在这方面，本文所公开的装置、方法和非暂时性计算机可读介质的各种组件可以提供高水平的集成，该高水平的集成通过减少错误、不匹配以及对存储器、存储和计算资源的使用来引起各种组件的提高的可靠性。因此，本文所公开的装置、方法和非暂时性计算机可读介质的各种组件可以提供可靠的项目管理，以满足查询中所指定的、如本文所公开的项目标准。本文所公开的装置、方法和非暂时性计算机可读介质的各种组件还可以提供项目标准、项目属性和项目管理的可靠同步，从而防止不匹配，并且从而有效且可靠地生成对查询的响应。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以实施预测性分析来组合多个团队的数据，以建立准确的发布计划和更切合实际的交付目标。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以实施预测性分析来分析缺陷的历史数据，以提高结果的质量。

根据另一方面，敏捷可以要求及时交付，以在市场中获得竞争优势。然而，可交付产品是否可以在指定日期之前被递送是未知的。在这方面，本文所公开的装置、方法和非暂时性计算机可读介质可以通过分析历史数据、能力和吞吐量来实施预测性分析，以预测即时交付的可行性。

根据另一方面，敏捷用户可以遇到要被解决的多个问题。然而，敏捷用户可能不知道哪个问题可能具有最大的影响，并且应该被首先处理。在这方面，本文所公开的装置、方法和非暂时性计算机可读介质可以实施预测性分析，以确定哪个问题将具有最大的影响并且应该首先被处理。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以实施预测性分析来分析历史数据，以预测未来结果的可能性。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以实施优化和模拟技术，以建议用于回答“我们应该做什么？”的问题的可能的结果，并执行“假设发生……”的分析。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以提供采取预防措施的机会，以根据目标来调整未来结果。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以使用户(例如，产品所有者)能够将可能的未来结果与规划的产品发展蓝图进行比较，并提供重新对齐的机会。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以在用户需要了解关于未来的事情的任何时候被使用，或者补充不可得的信息。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以使用户(诸如项目组长)能够预见敏捷开发团队的未来结果，以促进持续的改善。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以使用户(诸如敏捷教练)辅助团队首先标识和解决最具影响力的问题。

根据示例，本文所公开的装置、方法和非暂时性计算机可读介质可以实现多个预测器，这些预测器可以关于性能、质量、回顾和规划而被分类。在这方面，如本文所公开的，性能类别预测器可以包括速度预测器和吞吐量预测器。质量类别预测器可以包括第一次正确的故事预测器、故事质量预测器和缺陷注入预测器。回顾类别预测器可以包括承诺准确性预测器和工作量分布预测器。规划类别预测器可以包括任务预测器和发布计划可行性预测器。

速度预测器可以针对所有团队或针对特定团队、在项目级别、针对未来持续时间(例如，周)来预测速度。速度预测器可以促进(例如，通过产品所有者)将未来速度与产品发展蓝图进行比较。速度预测器可以促进(例如，通过敏捷开发团队)对未来速度的分析，并且对经分析的未来速度进行操作。与速度预测器相关联的逻辑可以包括确定累积速度和所要求的速度。累积速度可以根据直到指定日期的所完成的故事点的总数目而被确定。所要求的速度可以被确定为：用于完整产品需求列表的故事点的总和除以第一发布开始日期和用户提供的需求列表目标日期之间的周数。如果特定团队(例如，所选团队)被选择，则所要求的速度可以被确定为：用于针对所选团队的完整产品需求列表的故事点的总和除以第一发布(针对所选团队)开始日期和用户提供的需求列表目标日期之间的周数。

第一次正确的故事预测器可以针对未来发布和冲刺预测第一次正确的故事百分比。第一次正确的故事预测器可以实现持续改进，以提高交付质量、最小化缺陷的数目、并减少修复和测试缺陷的工作量。第一次正确的故事预测器可以促进发布和冲刺过程的改进。与第一次正确的故事预测器相关联的逻辑可以包括：根据在没有缺陷与之相关联的情况下所执行的用户故事的总数目除以所执行的用户故事的总数目，来确定第一次正确的故事百分比。

对于第一次正确的故事预测器，缺陷到故事的映射可以被执行。在这方面，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项时，圆形图可以被显示，以示出特定故事的故事点方面的百分比分布。在选择分析数据选项时，具有诸如过滤、排序、搜索等特征的故事数据可以被显示。

故事质量预测器可以针对未来发布和冲刺预测每个故事的缺陷数目。故事质量预测器可以在每个冲刺和发布结束时促进可发布的产品的生产。故事质量预测器可以提供故事质量的改进。与故事质量预测器相关联的逻辑可以包括：根据与针对特定冲刺和/或发布所执行的故事相关联的缺陷的总数目除以针对特定冲刺和/或发布所执行的用户故事的总数目，来确定每个故事的缺陷。

对于故事质量预测器，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项后，圆形图可以被显示，以示出特定缺陷的严重性方面的百分比分布。在选择分析数据选项时，具有诸如过滤、排序、搜索等特征的缺陷数据可以被显示。

承诺准确性预测器可以针对未来发布和冲刺预测承诺准确性百分比(例如，承诺速度与实际速度)。承诺准确性预测器可以提供利用工作量估计准确性的比较(例如，计划工作量相比实际工作量)，以分析“我们应该做什么？”承诺准确性预测器可以向用户(例如，敏捷开发团队)提供辅助，以预见未来结果，以相应地优先化工作。与承诺准确性预测器相关联的逻辑可以包括：根据完成的总故事点除以承诺的总故事点来确定速度估计准确性百分比。此外，工作量估计准确性百分比可以根据所规划的总工作量除以实际总工作量而被确定。对于承诺准确性预测器，故事到任务的映射可以被执行，以确定针对故事的计划工作量和实际工作量。

吞吐量预测器可以预测未来周的工作项的数目。吞吐量预测器可以在产品和团队级别上促进一致且可持续的步调。与吞吐量预测器相关联的逻辑可以包括：根据在该特定周内关闭的工作项(例如，故事和缺陷)的总数目来确定关闭的工作项。

缺陷注入预测器可以针对未来冲刺和发布预测缺陷数目。如果预测超出可允许的限度，缺陷注入预测器可以辅助团队采取预防动作。缺陷注入预测器可以促进敏捷的快速失败概念，以缩短反馈回路。与缺陷注入预测器相关联的逻辑可以包括：根据针对作为特定冲刺和发布的一部分而被进行的故事所提出的缺陷的总数目，来确定每个冲刺和/或发布的缺陷。

对于缺陷注入预测器，缺陷到故事的映射可以被执行。对于缺陷注入预测器，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项时，堆叠条形图可以被显示，以图示按优先级分类的关闭和开放的缺陷。在选择分析数据选项时，具有诸如过滤、排序、搜索等的特征的缺陷数据可以被显示。

任务预测器可以预测用于被划分在冲刺中的故事的任务类型。任务预测器可以预测完成任务所需的工作量(例如，针对任务)。任务预测器可以促进由用户(例如，敏捷开发团队)对工作量估计的准确性的改进。

任务预测器可以通过实施机器学习技术、基于故事类型和历史数据(诸如任务标题)来预测标准任务或任务类型。

任务预测器可以基于以下来预测针对所预测的标准任务或任务类型的工作量(例如，以小时为单位)：故事类型、任务类型、被分配给相应故事的故事点、以及针对类似任务所采取的实际工作量。在这方面，类似的任务可以包括具有相同故事类型、任务类型和故事点的任务。

关于任务预测器的任务类型预测器，任务类型预测器可以利用来自冲刺规划的输入和诸如用户故事类型的因素。故事的不同用途故事类型可以被添加到所选择的冲刺需求列表中。对于任务类型预测器，相似类型故事下的历史任务标题可以从相关联的数据库被获得。任务类型预测器的输出可以包括任务类型。

关于任务预测器的工作量预测器，工作量预测器可以利用来自冲刺计划的输入和诸如用户故事类型的因素。故事的不同用途故事类型可以被添加到所选择的冲刺需求列表中。任务类型可以从任务类型预测器和/或冲刺规划被获得。故事点可以从冲刺规划被获得。在这方面，不同且唯一的故事点可以被分配给被添加到所选冲刺范围的故事。此外，针对类似类型的任务的历史实际工作量可以从相关联的数据库被获得。工作量预测器的输出可以包括工作量(例如，以小时为单位)。

发布计划可行性预测器可以考虑范围、质量、工作量和时间来预测发布计划的可行性。发布计划可行性预测器可以预测完整范围将到何时将被交付的日期。发布计划可行性预测器可以预测可能在某个日期之前被交付的范围。发布计划可行性预测器可以预测未来发布的质量。此外，发布计划可行性预测器可以促进对发布可行性的提前分析，以采取纠正措施。

工作量分布预测器可以针对未来发布和/或冲刺预测故事和缺陷之间的工作量分布。工作量分布预测器可以分析用户(例如，团队)是否将在即将到来的冲刺和/或发布中花费更多的工作量在缺陷上而不是故事上。

本文所公开的装置、方法和非暂时性计算机可读介质可以在预测性规划上实施自适应规划。

本文所公开的装置、方法和非暂时性计算机可读介质可以实现自适应解决方案，以支持不同用户(例如，敏捷开发团队)和产品的独特性。

本文所公开的装置、方法和非暂时性计算机可读介质可以提前预测对于即将到来的(例如，数周或数月)发布中的产品将会发生什么，从而使用户(例如，产品所有者)能够主动地行动，以提供竞争优势。

本文所公开的装置、方法和非暂时性计算机可读介质可以提供可行动的见解，以便在问题发生之前解决问题。

本文所公开的装置、方法和非暂时性计算机可读介质可以通过减少干扰和不确定性来提供对诸如“速度将是多少”，“质量是否将按标准”等问题的答案。

本文所公开的装置、方法和非暂时性计算机可读介质可以在缺陷出现之前预测缺陷，以因此消除修复缺陷的成本，并提高产品的价值。

本文所公开的装置、方法和非暂时性计算机可读介质通过根据识别真实现状和处理最高级别的不确定性来给予自适应计划有限的优先权，可以在预测性规划上实施自适应规划。

对于本文公开的装置、方法和非暂时性计算机可读介质，本文公开的装置、方法和非暂时性计算机可读介质的元件可以是用以实现各个元件的功能的硬件和程序设计的任何组合。在本文描述的一些示例中，硬件和程序设计的组合可以以多种不同方式实现。例如，用于元件的程序可以是存储在非暂时性、机器可读存储介质上的处理器可执行指令，并且用于元件的硬件可以包括执行那些指令的处理资源。在这些示例中，实现这些元件的计算设备可以包括存储指令的机器可读存储介质以及执行指令的处理资源，或者机器可读存储介质可以被单独存储并由计算设备和处理资源访问。在一些示例中，一些元件可以以电路实现。

图1示出了基于人工智能和机器学习的项目管理辅助的示例装置(下文中也被称为“装置100”)的布局。

参考图1，装置100可以包括用户查询分析器102，其由至少一个硬件处理器(例如，图21的硬件处理器2102，或图23的硬件处理器2304)执行，以确定由用户106进行的查询104。查询104可以与项目108相关。用户查询分析器102可以在包括至少一个硬件处理器和存储器(例如，类似于图21的存储器2104和/或图23的非暂时性计算机可读介质2302的存储器)的第一服务器(未示出)上执行。

由至少一个硬件处理器执行的用户属性分析器110可以查明与用户106相关联的属性112。例如，属性112可以包括用户的职位(例如，针对敏捷项目的项目组长、敏捷项目的敏捷教练、经理等)，或者用户的类型，诸如敏捷项目的敏捷开发团队、与项目108相关联的产品的产品所有者等。用户属性分析器110可以在包括至少一个硬件处理器和存储器(例如，类似于图21的存储器2104和/或图23的非暂时性计算机可读介质2302的存储器)的第一服务器上被执行。

由至少一个硬件处理器执行的项目属性分析器114可以查明与项目108相关联的属性116。例如，属性116可以包括项目的类型(例如，基于敏捷的项目)、与项目相关的细节(例如，开始日期、结束日期、涉及的人员、位置、与任务相关联的优先级、任务状态、任务标识(id)、故事id、冲刺id等)、以及一般地，与本文所公开的分析相关的任何项目有关的信息。项目属性分析器114可以在包括至少一个硬件处理器和存储器(例如，类似于图21的存储器2104和/或图23的非暂时性计算机可读介质2302的存储器)的第一服务器上被执行。

由至少一个硬件处理器执行的查询响应生成器118可以基于与用户106相关联的所查明的属性112和与项目108相关联的所查明的属性116来分析由用户106进行的查询104。尽管查询响应生成器118在图1中被示出为装置100的组件，备选地，查询响应生成器118可以在包括至少一个硬件处理器和存储器(例如，类似于图21的存储器2104和/或图23的非暂时性计算机可读介质2302的存储器)的第二服务器(未示出)上被执行。与第一服务器相比，第二服务器可以被设置在远程站点，并且与装置100的组件相关联的各种类型的信息可以例如通过网络或者以其他方式在第一服务器和第二服务器之间被交换。

查询响应生成器118可以基于经分析的查询104从多个预测器类别中标识预测器类别120，多个预测器类别包括性能预测器类别122、质量预测器类别124、回顾预测器类别126和规划预测器类别128。

查询响应生成器118可以基于所标识的预测器类别120，从多个预测器中识别预测器130，多个预测器包括：性能预测器类别122的速度预测器132和吞吐量预测器134；质量预测器类别124的第一次正确的故事预测器136、故事质量预测器138和缺陷注入预测器140；回顾预测器类别126的承诺准确性预测器142；以及规划预测器类别128的任务预测器144。

查询响应生成器118可以基于所标识的预测器130的执行来生成对由用户106进行的查询104的响应146。

由至少一个硬件处理器执行的响应显示生成器148可以基于所生成的响应146来生成响应于由用户106进行的查询104的显示150。响应显示生成器148可以在包括至少一个硬件处理器和存储器(例如，类似于图21的存储器2104和/或图23的非暂时性计算机可读介质2302的存储器)的第一服务器上被执行。

根据示例，速度预测器132可以由至少一个硬件处理器执行，以基于累积速度和所要求的速度、针对未来持续时间来确定与项目108相关联的速度。速度可以被描述为：例如团队可以在一次迭代中完成多少工作的量度。速度可以以故事或故事点被测量。累积速度可以被描述为：例如团队在给定发布内的多次迭代上完成的速度的总和。所要求的速度可以被描述为：团队在给定发布的剩余迭代中至少完成剩余的“必备”类别用户故事所要求的平均速度，以使最小可销售的产品可以被部署到生产中。在该示例中，速度预测器132可以由至少一个硬件处理器执行，以根据直到指定日期的所完成的故事点的总数目来确定累积速度，以及确定所要求的速度作为用于完整产品需求列表的故事点的总和除以第一发布开始日期和需求列表目标日期之间的持续时间。故事点可以表示被分配给针对功能的要求的、具有相对大小的无单位量度。故事点可以允许团队专注于交付特定功能的大小和复杂性，而不是试图完美地估计为了其完成所需的持续时间。产品需求列表可以被描述为功能性和非功能性要求的优先级列表，这些功能性和非功能性要求在被实施时将递送项目的要求。产品需求列表可以被分为建议的发布。发布开始日期可以表示团队开始处理特定发布的已提交的/所规划的要求的日期。需求列表目标日期可以表示产品需求列表中所列出的功能性和非功能性要求的列表必须被完成的日期。

速度预测器132可以实现有监督的机器学习，包括可以表示时间序列模型的季节性趋势分解(stl)模型。关于季节性趋势分解模型的选择，由于影响变量和目标变量之间的相关性可能不被建立，因此时间序列模型可以与速度预测器132一起被使用。此外，由于变量可以包括具有季节性和趋势的足够数据点，因此季节性趋势分解模型可以被用于速度预测器132。季节性趋势分解模型可以使用历史数据来提供季节性和趋势的建模，以用于未来的预测。

根据示例，第一次正确的故事预测器136可以由至少一个硬件处理器执行，以针对未来发布和冲刺确定第一次正确的故事值。第一次正确的故事可以被描述为：在没有针对其被记录的单个缺陷的情况下可以被完成并部署到生产中的故事。较多的第一次正确的故事可以指示更高的产品质量。未来发布可以被描述为：具有计划要完成的范围、计划在未来日期开始的发布。未来的冲刺(未来的迭代)可以被描述为：具有计划要完成的范围、计划在未来的日期开始的迭代。在该示例中，第一次正确的故事预测器136可以由至少一个硬件处理器执行，以根据在没有缺陷的情况下所执行的用户故事的总数目除以所执行的用户故事的总数目，来确定第一次正确的故事值。所执行的用户故事可以被描述为由团队完成的用户故事的数目。

第一次正确的故事预测器136可以实现有监督的机器学习，包括可以表示时间序列模型的单个指数平滑模型。关于单个指数平滑模型的选择，由于影响变量和目标变量之间的相关性可能不被建立，因此时间序列模型可以与第一次正确的故事预测器136一起被使用。此外，由于变量可能不包括足够的数据点，因此单个指数平滑模型可以被用于第一次正确的故事预测器136。单个指数平滑模型可以提供向最近值分配更多权重的未来预期值。

根据示例，故事质量预测器138可以由至少一个硬件处理器执行，以针对未来发布和冲刺确定每个故事的缺陷数目。每个故事的缺陷可以被描述为：针对故事被提出的大致数目的缺陷。在该示例中，故事质量预测器138可以由至少一个硬件处理器执行，以根据与针对特定冲刺或发布中的至少一个所执行的故事相关联的缺陷的总数目除以针对特定冲刺或发布中的至少一个所执行的故事的总数目，来确定每个故事的缺陷数目。

故事质量预测器138可以实现有监督的机器学习，包括可以表示时间序列模型的单个指数平滑模型。关于单个指数平滑模型的选择，由于影响变量和目标变量之间的相关性可能不被建立，因此时间序列模型可以与故事质量预测器138一起被使用。此外，由于变量可能不包括足够的数据点，因此单个指数平滑模型可以被用于故事质量预测器138。单个指数平滑模型可以提供向最近值分配更多权重的未来预期值。

根据示例，承诺准确性预测器142可以由至少一个硬件处理器执行，以针对未来发布和冲刺确定承诺准确性值。承诺准确性值可以被描述为指示迭代的承诺的准确性的值(例如，(完成的总故事点/承诺的总故事点)*100)。在该示例中，承诺准确性预测器142可以由至少一个硬件处理器执行，以根据速度估计准确性值和工作量估计准确性值来确定承诺准确性值，速度估计准确性值被确定根据完成的总故事点除以承诺的总故事点而被确定，工作量估计准确性值根据所规划的总工作量除以实际总工作量而被确定。完成的总故事点可以被描述为：团队迄今为止完成的故事的故事点的总和。承诺的总故事可以被描述为：针对给定发布的剩余迭代所标记的故事的故事点的总和。所规划的总工作量可以被描述为：对于给定的未来迭代或发布，针对团队可用的工作量总和(例如，以小时或天为单位)。总的实际工作量可以被描述为：针对关闭的未来迭代或发布，团队所花费工作量的总和(例如，以小时或天为单位)。

承诺准确性预测器142可以实现有监督的机器学习，包括可以表示时间序列模型的单个指数平滑模型。关于单个指数平滑模型的选择，由于影响变量和目标变量之间的相关性可能不被建立，因此时间序列模型可以与承诺准确性预测器142一起被使用。此外，由于变量可能不包括足够的数据点，因此单个指数平滑模型可以被用于承诺准确性预测器142。单个指数平滑模型可以提供向最近值分配更多权重的未来预期值。

根据示例，吞吐量预测器134可以由至少一个硬件处理器执行，以针对未来持续时间来确定工作项的数目。工作项可以被描述为用户故事或缺陷。未来持续时间可以被描述为预测器可以预测值的持续时间(例如，在速度预测器132的情况下是12周)。吞吐量预测器134可以由至少一个硬件处理器来执行，以根据在指定的持续时间内关闭的工作项的总数目来确定工作项的数目来确定工作项的数目。关闭的工作项的总数目可以被描述为：由团队完成的故事或缺陷的数目。指定的持续时间可以被描述为：进度或量度被确定的特定持续时间(例如，在吞吐量预测器134的情况下是一周)。

吞吐量预测器134可以实现有监督的机器学习，包括可以表示时间序列模型的季节性趋势分解模型。关于季节性趋势分解模型的选择，由于影响变量和目标变量之间的相关性可能不被建立，因此时间序列模型可以与吞吐量预测器134一起被使用。此外，由于变量可以包括具有季节性和趋势的足够数据点，因此季节性趋势分解模型可以被用于吞吐量预测器134。季节性趋势分解模型可以使用历史数据来提供季节性和趋势的建模，以用于未来的预测。

根据示例，缺陷注入预测器140可以由至少一个硬件处理器执行，以针对未来冲刺和发布确定缺陷数目。在该示例中，缺陷注入预测器140可以由至少一个硬件处理器执行，以根据针对作为对应冲刺和发布的一部分而被进行的故事所提出的缺陷的总数目，来针对未来冲刺和发布确定缺陷数目。针对被进行的故事所提出的缺陷的总数目可以被描述为：针对在正在进行的发布或冲刺中迄今为止由团队完成的故事所提出的缺陷的总数目。

缺陷注入预测器140可以实现有监督的机器学习，包括可以表示时间序列模型的单个指数平滑模型。关于单个指数平滑模型的选择，由于影响变量和目标变量之间的相关性可能不被建立，因此时间序列模型可以与缺陷注入预测器140一起被使用。此外，由于变量可能不包括足够的数据点，因此单个指数平滑模型可以被用于缺陷注入预测器140。单个指数平滑模型可以提供向最近值分配更多权重的未来预期值。

根据示例，任务预测器144可以由至少一个硬件处理器执行，以针对被划分到冲刺中的故事来确定任务类型。任务类型可以被描述为在故事下被创建的任务类型，以完成相关联的设计、开发、单元测试、集成测试、功能测试、部署等。经划分的故事可以被描述为：计划/承诺在特定迭代中来交付的故事。在该示例中，任务预测器144可以由至少一个硬件处理器执行，以根据被添加到所选的冲刺需求列表的故事的不同用途故事类型来针对被划分到冲刺中的故事确定任务类型。用户故事类型可以被描述为故事类型，诸如功能性和非功能性。所选择的冲刺需求列表可以被描述为要求的优先级列表，这些要求被实现以满足冲刺目标。

任务预测器144可以实现有监督的机器学习，包括可以表示时间序列模型的单个指数平滑模型。关于单个指数平滑模型的选择，由于影响变量(例如，故事点)和目标变量(例如，完成的任务)之间的相关性可能不被建立，因此时间序列模型可以与任务预测器144一起被使用。此外，由于变量可能不包括足够的数据点，因此单个指数平滑模型可以被用于任务预测器144。单个指数平滑模型可以提供向最近值分配更多权重的未来预期值。备选地或附加地，任务预测器144可以实现无监督的机器学习，包括可以表示多类分类模型的关键词和k近邻(knn)模型。关于关键词和knn模型的选择，任务标题和针对任务类型的任务描述数据可以例如通过使用关键词和knn模型来标记。关键词和knn模型可以在没有人为干预的情况下提供对任务类型的分类。

由至少一个硬件处理器执行的自动化项目管理器152可以基于所标识的预测器130的执行来控制项目108的管理，以满足在查询中指定的项目标准。例如，项目标准可以包括与项目108相关联的指定速度、吞吐量等。例如，自动化项目管理器152可以通过分析诸如第一次正确的故事预测、故事质量预测、承诺准确性预测、缺陷注入预测和/或任务预测等方面来自动控制项目108的管理，以修改被分配给项目108的资源(例如，装备、人员等)和/或与项目108相关联的时间表，以满足查询104中指定的项目标准。例如，用户106可以指定与项目108相关联的速度和/或吞吐量要求。在这方面，自动化项目管理器152可以通过分析第一次正确的故事预测值、故事质量预测值、承诺准确性预测值、缺陷注入预测值和/或任务预测值是否满足与这些值相关联的相应阈值来自动控制项目108的管理。基于相应阈值不被满足的确定，自动化项目管理器152可以修改被分配给项目108的资源(例如，装备、人员等)和/或与项目108相关联的时间表，以满足查询104中指定的项目标准。自动化项目管理器152可以在包括至少一个硬件处理器和存储器(例如，类似于图21的存储器2104和/或图23的非暂时性计算机可读介质2302的存储器)的第一服务器上被执行。

图2示出了根据本公开的示例的装置100的技术架构。

参考图2，预测层200可以基于例如jira^tm、团队基础服务器(tfs)、理性团队协同(rtc)等(例如，敏捷生命周期管理(alm)工具)来实现。202处的表示层可以通过使用例如asp.net^tm4.5、angular.js^tm、结构化查询语言(sql)服务器、highchart^tm、webapi、c#等来实现。204处的web应用程序编程接口(api)可以通过使用例如asp.net4.5、c#等来实现。

图3示出了根据本公开的示例的装置100的应用架构。

参考图3，应用架构可以表示可以用于形成装置100的各种层。表示层可以表示敏捷命令中心，并且可以通过使用例如angularjs、.netframework、超文本标记语言(html)、层叠样式表(css)等来实现。服务层可以提供集成。装置100的不同功能可以通过使用例如webapi、.netframework、c#等来实现。业务逻辑层可以通过使用例如.net、framework、c#、enterprise来实现。可以通过使用例如r.net等来实现预测层。可以通过使用例如.netframework、c#、语言集成查询(linq)、enterprise库来实现数据访问层。可以通过使用例如sql服务器来实现敏捷数据库。

图4示出了根据本公开的示例的针对装置100的速度预测器132的每周速度预测流程图。

参考图4，如本文所公开的，速度预测器132可以针对所有团队或针对特定团队、在项目级别、针对未来持续时间(例如，周)来预测速度。速度预测器132可以促进(例如，通过产品所有者)将未来速度与产品发展蓝图进行比较。速度预测器132可以促进(例如，通过敏捷开发团队)对未来速度的分析，并且对经分析的未来速度进行操作。与速度预测器132相关联的逻辑可以包括确定累积速度和所要求的速度。累积速度可以根据直到指定日期的所完成的故事点的总数目而被确定。所要求的速度可以被确定为：用于完整产品需求列表的故事点的总和除以第一发布开始日期和用户提供的需求列表目标日期之间的周数。如果特定团队(例如，所选团队)被选择，则所要求的速度可以被确定为：用于针对所选团队的完整产品需求列表的故事点的总和除以第一发布(针对所选团队)开始日期和用户提供的需求列表目标日期之间的周数。

在框402，速度预测器132可以从400处的数据库提取来自针对交付实体的用户故事表的数据，用户故事表具有指定持续时间(例如，至少六周)的实际数据。速度预测器132可以从迭代表中、根据最早发布开始日期来确定项目开始日期，并且根据必备的优先级表来确定必备条件，以绘制变量图。

在框404，速度预测器132可以确定每周完成的故事点。此外，速度预测器132可以确定每周所要求的故事点。

在框406，速度预测器132可以针对指定持续时间(例如，接下来的12周)、使用例如季节性趋势分解(stl模型)来预测未来的每周速度(例如，完成的故事点)。如果不建立各种因素和目标变量之间的相关性，则时间序列可以被选择。

在框408，如410处所示的速度预测器132的输出可以包括历史故事点速度的图形表示、和未来预测、以及下限和上限。在这方面，根据示例，预测可以被限制到指定的持续时间(例如，即将到来的十二周)，因为预测的准确性对于更长的时间段可能会降低。

图5示出了根据本公开的示例的针对装置100的第一次正确的故事预测器136的第一次正确的故事预测器流程图。

参考图5，第一次正确的故事预测器136可以针对未来发布和冲刺预测第一次正确的故事百分比。第一次正确的故事预测器136可以实现持续改进，以提高交付质量、最小化缺陷的数目、并减少修复和测试缺陷的工作量。第一次正确的故事预测器136可以促进发布和冲刺过程的改进。与第一次正确的故事预测器136相关联的逻辑可以包括：根据在没有缺陷与之相关联的情况下所执行的用户故事的总数目除以所执行的用户故事的总数目，来确定第一次正确的故事百分比。对于第一次正确的故事预测器136，缺陷到故事的映射可以被执行。在这方面，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项时，圆形图可以被显示，以示出特定故事的故事点方面的百分比分布。在选择分析数据选项时，具有诸如过滤、排序、搜索等特征的故事数据可以被显示。

在框502，第一次正确的故事预测器136可以从500处的数据库查明来自针对已经完成指定数目的发布(例如，至少两个发布)的交付实体的用户故事、缺陷和缺陷关联表的数据。

在框504，第一次正确的故事预测器136可以在零缺陷的情况下提取各个故事的信息。

在框506，第一次正确的故事预测器136可以根据在没有缺陷与之相关联的情况下、直到发布或冲刺的日期所执行的用户故事的总数目除以直到发布或冲刺的日期所执行的用户故事的总数目，来执行第一次正确的故事百分比的确定。

在框508，第一次正确的故事预测器136可以使用例如指数平滑模型来预测第一次正确的故事百分比(例如，无缺陷关联的故事)，以针对下次发布和/或冲刺进行预测。

在框510，第一次正确的故事预测的输出可以被生成，并且在框512处以图形表示被进一步显示。例如，在框512，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项时，在框514，圆形图可以被显示。以示出该特定数据点的第一次正确的故事的故事点方面的百分比分布。在选择分析数据选项时，具有诸如过滤、排序、搜索等特征的故事数据可以被显示。故事数据可以与该特定数据点的第一次正确的故事有关。

图6示出了根据本公开的示例的针对装置100的故事质量预测器138的每个故事的缺陷预测流程图。

参考图6，故事质量预测器138可以针对未来发布和冲刺预测每个故事的缺陷数目。故事质量预测器138可以在每个冲刺和发布结束时促进可发布的产品的生产。故事质量预测器138可以提供故事质量的改进。与故事质量预测器相关联的逻辑可以包括：根据与针对特定冲刺和/或发布所执行的故事相关联的缺陷的总数目除以针对特定冲刺和/或发布所执行的用户故事的总数目，来确定每个故事的缺陷。对于故事质量预测器138，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项后，圆形图可以被显示，以示出特定缺陷的严重性方面的百分比分布。在选择分析数据选项时，具有诸如过滤、排序、搜索等特征的缺陷数据可以被显示。

在框602，故事质量预测器138可以从600处的数据库提取来自针对已经完成指定数目的发布(例如，至少两个发布)的交付实体的用户故事、缺陷和缺陷关联表的数据。

在框604，故事质量预测器138可以针对特定发布和/或冲刺提取各个缺陷的信息。

在框606，故事质量预测器138可以根据直到发布和/或冲刺的指定日期的缺陷的总数目除以直到发布和/或冲刺的指定日期所完成的用户故事的总数目，来确定每个故事的缺陷比率。

在框608，故事质量预测器138可以针对下次发布和/或冲刺使用例如指数平滑模型来确定(例如，预测)每个故事的缺陷比率。

在框610，故事质量预测的输出可以被生成，并且在框612处以图形表示被进一步显示。例如，在框612，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项时，在框614处，缺陷的严重性方面的百分比分布和/或缺陷的根本原因方面的百分比分布可以被显示。在选择分析数据选项时，与该特定数据点(例如，发布和/或冲刺)的缺陷有关的数据可以被显示。

图7示出了根据本公开的示例的用于装置100的承诺准确性预测器的速度和工作量预测流程图。

参考图7，承诺准确性预测器142可以针对未来发布和/或冲刺预测承诺准确性百分比(例如，承诺速度与实际速度)。承诺准确性预测器142可以提供利用工作量估计准确性的比较(例如，计划工作量相比实际工作量)，以分析“我们应该做什么？”承诺准确性预测器142可以向用户(例如，敏捷开发团队)提供辅助，以预见未来结果，以相应地优先化工作。与承诺准确性预测器142相关联的逻辑可以包括：根据完成的总故事点除以承诺的总故事点来确定速度估计准确性百分比。此外，工作量估计准确性百分比可以根据所规划的总工作量除以实际总工作量而被确定。对于承诺准确性预测器142，故事到任务的映射可以被执行，以确定针对故事的计划工作量和实际工作量。

在框702，承诺准确性预测器142可以从700处的数据库提取来自针对已经完成指定数目的发布(例如，至少两个发布)的交付实体的用户故事、测量的细节、任务和任务关联表的数据。

在框704，承诺准确性预测器142可以根据针对所选发布和/或冲刺被承诺给任务的总小时数除以针对所选发布和/或冲刺完成该任务实际要求的总小时数，来确定任务估计。

在框706，承诺准确性预测器142可以根据直到针对发布和/或冲刺所选的指定日期(例如，当前日期)所完成的故事点的总数目除以直到针对发布和/或冲刺所选的指定日期(例如，当前日期)所承诺的故事点的总数目，来确定关于故事点估计的速度。

在框708，承诺准确性预测器142可以针对下次发布和/或冲刺使用例如指数平滑模型来预测缺陷注入。

在框710，速度(故事点)预测器的输出可以被生成，并且在框712处以图形表示被进一步显示。例如，在框712，速度估计线图可以与针对该特定数据点发布和/或冲刺的任务估计(故事大小点条形图)叠加。框714处的输出可以包括承诺准确性预测器142针对新的和/或正在进行的发布和/或冲刺的输出。

图8示出了根据本公开的示例的用于装置100的吞吐量预测器的每周工作项(包括故事和缺陷)预测流程图。

参考图8，吞吐量预测器134可以预测未来周的工作项的数目。吞吐量预测器134可以在产品和团队级别上促进一致且可持续的步调。与吞吐量预测器134相关联的逻辑可以包括：根据在该特定周内关闭的工作项(例如，故事和缺陷)的总数目来确定关闭的工作项。

在框802，吞吐量预测器134可以从800处的数据库提取来自针对交付实体的、具有指定周数的数据(例如，至少六周的数据)的用户故事和缺陷表的数据。

在框804，吞吐量预测器134可以根据在该特定周内关闭的工作项(例如，故事和缺陷)的总数目，来确定关闭的工作项。

在框806，吞吐量预测器134可以针对指定的持续时间(例如，接下来的十二周)、使用例如季节性趋势分解模型来预测未来的每周关闭项目(例如，完成的故事和工作量)。

在框808，吞吐量预测器134的输出可以被生成，并在框810处被进一步显示。例如，在框810，输出可以包括历史项目(例如，故事和缺陷)的图形表示，以及关闭的预测和未来预测，以及下限和上限。输出还可以包括团队方面的比较线。

图9示出了根据本公开的示例的用于装置100的缺陷注入预测器的每个发布和冲刺的缺陷预测流程图。

参考图9，缺陷注入预测器140可以针对未来冲刺和发布预测缺陷数目。如果预测超出可允许的限度，缺陷注入预测器140可以辅助团队采取预防动作。缺陷注入预测器140可以促进敏捷的快速失败概念，以缩短反馈回路。与缺陷注入预测器140相关联的逻辑可以包括：根据针对作为特定冲刺和发布的一部分而被进行的故事所提出的缺陷的总数目，来确定每个冲刺和/或发布的缺陷。对于缺陷注入预测器140，缺陷到故事的映射可以被执行。对于缺陷注入预测器140，在选择(例如，致动)特定绘图点时，校准和分析数据的选项可以被呈现。在选择校准选项时，堆叠条形图可以被显示，以图示按优先级分类的关闭和开放的缺陷。在选择分析数据选项时，具有诸如过滤、排序、搜索等的特征的缺陷数据可以被显示。

在框902，缺陷注入预测器140可以从900处的数据库提取来自针对已经完成指定数目(例如，至少两个)发布的交付实体的用户故事、缺陷和缺陷关联表的数据。

在框904，缺陷注入预测器140可以针对特定发布和/或冲刺提取各个缺陷的信息。

在框906，缺陷注入预测器140可以根据针对发布和/或冲刺的缺陷总数目来确定缺陷注入(例如，作为数值)。

在框908，缺陷注入预测器140可以针对下次发布和/或冲刺使用例如指数平滑模型来预测缺陷注入。

在框910，每个发布和冲刺的缺陷预测的输出可以被生成，并且在框912处以图形表示被进一步显示。例如，在框912，在选择(例如，致动)特定数据点时，校准和分析数据的选项可以被呈现。在选择校准选项时，在框914，用于根据开放、关闭和拒绝的缺陷而被确定的所选数据点的堆叠柱形图可以被显示。在选择分析数据选项时，与该特定数据点(例如，发布和/或冲刺)的缺陷有关的数据可以被显示。

图10示出了根据本公开示例的用于装置100的任务预测器的任务类型和工作量预测流程图。

参考图10，任务预测器144可以预测用于被划分在冲刺中的故事的任务类型。任务预测器144可以预测完成任务所需的工作量(例如，针对任务)。任务预测器144可以促进由用户(例如，敏捷开发团队)对工作量估计的准确性的改进。任务预测器144可以通过实施机器学习技术、基于故事类型和历史数据(诸如任务标题)来预测标准任务或任务类型。任务预测器144可以基于以下来预测针对所预测的标准任务或任务类型的工作量(例如，以小时为单位)：故事类型、任务类型、被分配给相应故事的故事点、以及针对类似任务所采取的实际工作量。在这方面，类似的任务可以包括具有相同故事类型、任务类型和故事点的任务。

关于任务预测器144的任务类型预测器，任务类型预测器可以利用来自冲刺规划的输入和诸如用户故事类型的因素。故事的不同用途故事类型可以被添加到所选择的冲刺需求列表中。对于任务类型预测器，相似类型故事下的历史任务标题可以从相关联的数据库被获得。任务类型预测器的输出可以包括任务类型。

关于任务预测器144的工作量预测器，工作量预测器可以利用来自冲刺计划的输入和诸如用户故事类型的因素。故事的不同用途故事类型可以被添加到所选择的冲刺需求列表中。任务类型可以从任务类型预测器和/或冲刺规划被获得。故事点可以从冲刺规划被获得。在这方面，不同且唯一的故事点可以被分配给被添加到所选冲刺范围的故事。此外，针对类似类型的任务的历史实际工作量可以从相关联的数据库被获得。工作量预测器的输出可以包括工作量(例如，以小时为单位)。

在框1002，任务预测器144可以从1000处的数据库中提取来自针对完成指定数目的冲刺(例如，至少两个冲刺)的交付实体的用户故事、任务、定义的任务和任务关联表的数据。任务关联表可以包括针对冲刺和发布的数据关联。

在框1004，任务预测器144可以准备数据，以针对故事点来预测任务估计小时。

在框1006，任务预测器144可以通过删除停用词、词干化、标记化、规范化案例以及删除特殊字符，来预处理任务标题和描述、用户故事标题和描述。

在框1008，任务预测器144可以标记任务标题和针对任务类型的任务描述，例如，通过使用具有k近邻的关键词。关键词列表例如可以由领域专家提供。任务预测器144可以通过所输入的任务类型数据来重新训练k近邻模型，其中任务类型数据可以被存储在所定义的任务表中。

在框1010，任务类型预测的输出可以被生成。

在框1012，可以对在框1010处生成的任务类型预测的输出执行指数平滑。在这方面，由于影响变量(例如，故事点)与目标变量(例如，完成的任务)之间的相关性不被建立，因此时间序列可以被选择。此外，由于变量包括有限的数据点，因此指数平滑模型可以被使用。

在框1014，任务工作量估计预测输出可以被生成。

在框1016，输出可以包括针对新的和/或正在进行的冲刺的任务类型和任务估计预测。

图11a和图11b示出了根据本公开的示例的关于装置100的速度预测器132的累积速度输出。

参考图11a，累积速度输出可以包括每周累积预测，其中需求列表目标日期被指定为2020年1月26日，并且置信区间(％)在70％-95％之间。在这方面，累积速度输出可以包括1100处的预测累积速度、1102处的下限、1104处的上限、1106处的完成的冲刺、1108处的所要求的冲刺(大于实际/预测值)以及1110处的所要求的冲刺(小于或等于实际/预测值)。参考图11b，图11a中所绘制的各种数据点针对第1周至第10周被列出。

图12示出了根据本公开的示例的关于装置100的第一次正确的故事预测器136的第一次正确的故事输出。

参考图12，第一次正确的故事输出可以包括1200处的第一次正确的故事预测百分比、1202处的下限、1204处的上限以及1206处的第一次正确的故事百分比。对于图12的示例，预测名称可以包括“下次发布预测”，其中预测百分比为70％、下限为0％、上限为100％、以及置信区间(％)为70-％95％之间。

图13a至图13b示出了根据本公开的示例的、用于装置100的第一次正确的故事预测器136的、按照大小和相关细节的用户故事。

参考图13a，基于校准选项的选择，圆形图可以被显示，以示出特定故事的故事点方面的百分比分布(例如，故事0为6％，故事1为32％，故事3为2％等)。参考图13b，基于分析数据选项的选择，具有诸如过滤、排序、搜索等特征的故事细节可以被显示。

图14示出了根据本公开的示例的关于装置100的故事质量预测器138的每个故事的缺陷的输出。

参考图14，每个故事的缺陷的输出可以包括1400处的每个故事的预测缺陷、1402处的下限、1404处的上限以及1406处的每个故事的缺陷。对于图14的示例，预测名称可以包括“下次发布预测”，其中预测值为0.42、下限为0、上限为1.49、以及置信区间(％)为70％-95％之间。

图15a和图15b示出了根据本公开的示例的、关于装置100的故事质量预测器138的、按照严重性和相关细节的缺陷

参考图15a，基于校准选项的选择，圆形图可以被显示，以示出特定缺陷的严重性方面的百分比分布(例如，临界0％、高0％、中0％、低0％和未分类100％)。参考图15b，基于分析数据选项的选择，具有诸如过滤、排序、搜索等特征的缺陷数据可以被显示。

图16示出了根据本公开的示例的关于装置100的承诺准确性预测器142的速度估计准确性输出。

参考图16，速度估计准确性输出可以包括1600处的预测速度估计准确性、1602处的下限、1604处的上限以及1606处的速度估计准确性。对于图16的示例，预测名称可以包括“下次发布速度估计准确性”，其中预测百分比为91％、下限为55％、上限为126％、以及置信区间(％)为70％-95％之间。另外的故事点可以在1608等处以条形图格式被显示。

图17a和图17b示出了根据本公开的示例的关于装置100的吞吐量预测器134的吞吐量。

参考图17a，吞吐量可以包括预测，其中置信区间(％)在70％-95％之间。在这方面，吞吐量可以包括1700处的预测、1702处的下限、1704处的上限以及1706处的完成显示。参考图17b，图17a中所绘制的各种数据点针对第1周至第12周被列出。

图18示出了根据本公开示例的关于装置100的缺陷注入预测器140的缺陷输出。

参考图18，缺陷输出可以包括1800处的预测缺陷、1802处的下限、1804处的上限和1806处的缺陷。对于图18的示例，预测名称可以包括“下次发布预测”，其中预测为4、下限为0、上限为8、以及置信区间(％)为70％-95％之间。

图19a和图19b示出了根据本公开的示例的、关于装置100的缺陷注入预测器140的、按照优先级和缺陷细节的缺陷状态。

参考图19a，基于校准选项的选择，堆叠条形图可以被显示，以示出根据优先级(例如，开放的(除了关闭的、拒绝的和无效的之外)、关闭的等)来分类的关闭和开放的缺陷。参考图19b，基于分析数据选项的选择，具有诸如过滤、排序、搜索等的特征的缺陷数据可以被显示。

图20示出了根据本公开的示例的关于装置100的任务预测器144的冲刺质量。

参考图20，关于任务预测器144的冲刺质量可以相对于可以在2000处被定义的任务而被显示。

图21至图23分别示出了根据一些示例的示例性框图2100、示例性方法2200的流程图以及用于基于人工智能和机器学习的项目管理辅助的另一示例框图2300。框图2100、方法2200和框图2300可以通过示例而非限制的方式在上面参考图1描述的装置100上实现。框图2100、方法2200和框图2300可以在其他装置中实施。除了示出框图2100之外，图21还示出了可以执行框图2100的指令的装置100的硬件。硬件可以包括处理器2102和存储器2104，存储器存储机器可读指令，当由处理器执行时，机器可读指令使得处理器执行框图2100的指令。存储器2104可以表示非暂时性计算机可读介质。图22可以表示用于基于人工智能和机器学习的项目管理辅助的示例方法，以及该方法的步骤。图23可以表示根据示例的其上存储有机器可读指令的非暂时性计算机可读介质2302，用于提供基于人工智能和基于机器学习的项目管理辅助。机器可读指令在被执行时使处理器2304执行也在图23中示出的框图2300的指令。

图21的处理器2102和/或图21的处理器2104可以包括单个或多个处理器或其他硬件处理电路，以执行本文描述的方法、功能和其他过程。这些方法、功能和其他过程可以具体实现为存储在计算机可读介质上的机器可读指令，其可以是非暂时性的(例如图23的非暂时性计算机可读介质2302)，例如硬件存储装置(例如，ram(随机存取存储器)、rom(只读存储器)、eprom(可擦除可编程rom)、eeprom(电可擦除可编程rom)、硬盘驱动器和闪存存储器)。存储器2104可以包括ram，用于处理器的机器可读指令和数据可以在运行时期间在其中驻留。

参考图1至图21，并且特别是参考图21中所示的框图2100，存储器2104可以包括指令2106以查明由用户106进行的查询104。查询104可以与项目108相关。

处理器2102可以获取、解码和执行指令2108，以查明与用户106相关联的属性112。

处理器2102可以获取、解码和执行指令2110，以查明与项目108相关联的属性116。

处理器2102可以获取、解码和执行指令2112，以基于与用户106相关联的所查明的属性、以及与项目108相关联的所查明的属性来分析由用户106进行的查询104。

处理器2102可以获取、解码和执行指令2114，以基于经分析的查询104来从多个预测器类别标识预测器类别120，其中多个预测器类别包括性能预测器类别122、质量预测器类别124、回顾预测器类别126和规划预测器类别128。

处理器2102可以获取、解码和执行指令2116，以基于所标识的预测器类别120来标识来自多个预测器的预测器130，其中多个预测器包括：性能预测器类别122的速度预测器132和吞吐量预测器134；质量预测器类别124的第一次正确的故事预测器136、故事质量预测器138和缺陷注入预测器140；回顾预测器类别126的承诺准确性预测器142；以及规划预测器类别128的任务预测器144。

处理器2102可以获取、解码和执行指令2118，以基于所标识的预测器130的执行来生成对由用户106进行的查询104的响应146。

处理器2102可以获取、解码和执行指令2120，以基于所生成的响应146来生成响应于由用户106进行的查询104的显示150。

参考图1至图20和图22，并且特别是图22，对于方法2200，在框2202，该方法可以包括查明由用户106进行的查询104。查询104可以与项目108相关。

在框2204，该方法可以包括查明与用户106相关联的属性112。

在框2206，该方法可以包括分析查明与项目108相关联的属性116。

在框2208，该方法可以包括基于与用户106相关联的所查明的属性、以及与项目108相关联的所查明的属性来分析由用户106进行的查询104。

在框2210，该方法可以包括基于经分析的查询104从多个预测器类别来标识预测器类别120，其中多个预测器类别包括性能预测器类别122、质量预测器类别124、回顾预测器类别126和规划预测器类别128。

在框2212，该方法可以包括基于所标识的预测器类别120来标识来自多个预测器的预测器130，其中多个预测器包括：性能预测器类别122的速度预测器132和吞吐量预测器134；质量预测器类别124的第一次正确的故事预测器136、故事质量预测器138和缺陷注入预测器140；回顾预测器类别126的承诺准确性预测器142；以及规划预测器类别128的任务预测器144。

在框2214，该方法可以包括：基于所标识的预测器的执行来生成对由用户106的进行查询104的响应146。

参考图1至图20和图23，并且特别是图23，对于框图2300，非暂时性计算机可读介质2302可以包括用于查明由用户106进行的查询104的指令2306。查询104可以与项目108有关。

处理器2304可以获取、解码和执行指令2308，以查明与用户106相关联的属性112。

处理器2304可以获取、解码和执行指令2310，以查明与项目108相关联的属性116。

处理器2304可以获取、解码和执行指令2312，以基于与用户106相关联的所查明的属性、以及与项目108相关联的所查明的属性来分析由用户106的查询104。

处理器2304可以获取、解码和执行指令2314，以基于经分析的查询104从多个预测器来标识预测器130，其中多个预测器包括：速度预测器132、吞吐量预测器134、第一次正确的故事预测器136、故事质量预测器138、缺陷注入预测器140、承诺准确性预测器142和任务预测器144。

处理器2304可以获取、解码和执行指令2316，以基于所标识的预测器的执行来生成对由用户106的进行的查询104的响应146。

处理器2304可以获取、解码和执行指令2318，以基于所生成的响应146来生成响应于由用户106的进行查询104的显示150。

本文描述和说明的是示例及其一些变形。这里使用的术语、描述和附图仅以说明的方式给出而并不意在限制。在本主题的精神和范围内可以有许多变化，本主题的精神和范围旨在由以下权利要求书及其等同方案来定义，其中除非另有说明，否则所有术语均以其最广泛的合理含义表示。