AI solutions for optimizing SCRUM: predicting team performance

Abstract

This study presents the development, training, and AWS cloud deployment of an AI-based assistant leveraging an LSTM network to enhance Scrum team velocity prediction. The research focuses on analyzing the assistant’s interaction with key Scrum processes, highlighting its potential to optimize sprint planning and improve team performance forecasting. Through this analysis, specific sprint planning challenges suitable for AI-driven solutions were identified, paving the way for enhanced prediction accuracy and reduced uncertainty in project management. The proposed architecture outlines a logical sequence of integrated services that collectively contribute to improving Scrum process efficiency. Initial testing of a locally deployed LSTM network using a smaller dataset validated the suitability of the chosen model and confirmed its capability for accurate performance prediction. These findings establish a foundation for developing a scalable AI assistant capable of supporting Scrum teams in dynamic environments with evolving requirements. This research underscores the feasibility of applying AI technologies, particularly LSTM networks, to Scrum optimization. The results demonstrate significant potential for improving sprint planning, reducing uncertainty, and supporting adaptive project management strategies. The planned advancements in cloud-based deployment and performance evaluation will provide actionable insights into the economic and operational viability of integrating AI-driven prediction tools into real-world Scrum environments. Future work will focus on deploying the trained LSTM model in a production AWS environment to evaluate its practical performance, scalability, and operational costs. Дослідження представляє розробку, навчання та розгортання в хмарному середовищі AWS AI-асистента, що використовує мережу LSTM для підвищення точності прогнозування швидкості (velocity) команди Scrum. У роботі зосереджено увагу на аналізі взаємодії асистента з ключовими процесами Scrum, підкреслюючи його потенціал для оптимізації планування спринтів та покращення прогнозування продуктивності команди. У ході дослідження було виявлено конкретні проблеми планування спринтів, які можна вирішити за допомогою AI-рішень, що відкриває можливості для підвищення точності прогнозів і зниження рівня невизначеності в управлінні проєктами. Запропонована архітектура відображає логічну послідовність інтегрованих сервісів, які спільно сприяють підвищенню ефективності процесів Scrum. Початкове тестування локально розгорнутої мережі LSTM на невеликому наборі даних підтвердило доцільність обраної моделі та її здатність забезпечувати точне прогнозування продуктивності. Ці результати створюють основу для подальшої розробки масштабованого AI-асистента, здатного підтримувати Scrum-команди в динамічних умовах зі змінними вимогами. Це дослідження підкреслює доцільність застосування AI-технологій, зокрема мереж LSTM, для оптимізації Scrum. Результати демонструють значний потенціал у вдосконаленні планування спринтів, зменшенні невизначеності та підтримці адаптивних стратегій управління проєктами. Заплановані кроки щодо хмарного розгортання та оцінки продуктивності нададуть практичні висновки щодо економічної та операційної доцільності інтеграції інструментів AI-прогнозування в реальні Scrum-середовища.