Stageopdracht – AI in de SDLC

Van functionele analyse tot release (end-to-end)

📌 Projectdoel

Dit project maakt deel uit van een 12-weekse stageopdracht en onderzoekt hoe Artificiële Intelligentie (AI) concreet ingezet kan worden om het volledige Software Development Life Cycle (SDLC) te ondersteunen.

Het doel is het ontwikkelen van een werkende end-to-end AI-gebaseerde oplossing die developers ondersteunt bij:

• Functionele analyse
• Technische analyse
• Codegeneratie
• Code-review
• Testautomatisatie
• DevOps & dependency management

De focus ligt op praktische toepasbaarheid, traceerbaarheid en kwaliteit, binnen een realistische enterprise-context.

---

🧱 Technologie-stack

Deze opdracht sluit aan bij de standaard stack binnen de organisatie:

• Backend: Java 17, Spring Boot 3, Maven
• Frontend: React 18 (TypeScript)
• API: REST, JSON, OpenAPI
• Testing: JUnit 5, Spring Boot Test, Flow-based testing
• CI/CD: GitHub Actions, SonarQube Cloud, Jira, Jenkins
• Version control: GitHub, Dependabot
• AI tooling: LLMs, agent-based workflows, prompt-engineering

---

📂 Repository-doel

Deze repository fungeert als test- en demo-omgeving waarin alle AI-ondersteunde stappen van de SDLC:

• geïntegreerd
• gedemonstreerd
• reproduceerbaar
• traceerbaar

zijn geïmplementeerd.

AI-output moet bestaande architectuur, patronen en coding standards respecteren.

---

🗺️ Milestones

🧩 Milestone 1 – Basis & infrastructuur

Doel:
Een stabiele basis creëren om AI-ondersteuning te demonstreren binnen een gecontroleerde omgeving.

Opgeleverd:

• Test repository (zelf opgezet of aangeleverd)
• Basis projectstructuur (backend + frontend)
• Vastgelegde conventies en standaarden
• Eerste AI-instructiesets (prompts / workflows)

---

🔍 Milestone 2 – Analyse-ondersteuning

Doel:
AI inzetten om analysewerk te versnellen en te structureren.

Functionaliteiten:

• Inlezen van een Functionele Analyse (FA)
• Automatisch genereren van een Technische Analyse (TA)
• Toevoegen van extra context (bv. map met eerdere analyses)
• Genereren van functionele testscenario’s
  • Flow-based testing

Focus:

• Consistente structuur
• Traceerbaarheid FA → TA → tests
• Expliciete open vragen en assumpties

---

🧠 Milestone 3 – Codegeneratie

Doel:
AI inzetten om van analyse naar werkende code te gaan.

Functionaliteiten:

• Verwerken van Technische Analyse
• Genereren van:
  • Spring Boot backend code
  • React frontend code
• Respecteren van:
  • architectuurlagen
  • naming conventions
  • validatie- en error-handling patterns

---

🧪 Milestone 4 – Testautomatisatie

Doel:
Automatisch kwaliteitscontrole toevoegen via AI.

Functionaliteiten:

• Genereren van testen op basis van:
  • Functionele Analyse
  • Technische Analyse
  • Gegenereerde code
• Ondersteuning voor:
  • unit tests
  • integratietests
  • flow-based functionele tests

---

🚀 Milestone 5 – DevOps & dependency management

Doel:
AI integreren in het build- en deliveryproces.

Functionaliteiten:

• Configuratie van Dependabot, SonarQube Cloud en Jira in combinatie met AI
• Onderzoek naar:
  • GitHub Actions
  • Workflows
  • Dependabot
  • SonarQube Cloud
  • Jira
  • Jenkins
• Automatische:
  • build
  • error fixing
  • issue assignment
  • packaging
  • (optioneel) deployment

---

🤖 Milestone 6 – Agentic AI (extra)

Doel:
Een volledig geautomatiseerde SDLC-flow aantonen.

Implementatie:

• Keten van agentic bots die automatisch uitvoeren:

Focus:

• End-to-end automatisatie
• Beperk menselijke interventie
• Duidelijke logging en controlepunten

---

🚫 Niet in scope

• Volledige organisatorische implementatie van AI binnen het bedrijf
• Change management of HR-impact
• Juridische of compliance-uitwerking op bedrijfsniveau

---

📄 Enablementplan

Naast de technische implementatie wordt een enablementplan (± 1 A4) opgeleverd met:

• Aanbevelingen voor AI-adoptie
• Mogelijke risico’s
• Governance en kwaliteitsbewaking
• Tooling-keuzes en randvoorwaarden

Dit document dient als adviesdocument voor toekomstige adoptie.

---

▶️ How to run

🔧 Vereisten

• Java 17+
• Node.js 18+
• Maven
• Git
• (Optioneel) Docker

🖥️ Backend starten

cd backend
mvn clean spring-boot:run
http://localhost:9090

🖥️ Frontend starten

cd frontend
npm install
npm run dev
http://localhost:5173

---

🥽 Tests creëren

🖥️ Backend

node ai/testgen/generate-backend-tests.mjs feature-001-support-ticket

🖥️ Frontend

stgen/generate-frontend-tests.mjs feature-001-support-ticket

---

🧪 Tests uitvoeren

🖥️ Backend

cd backend
mvn test

🖥️ Frontend

cd frontend
npm test

🔬 Volledige testen

Flow only testing

./ai/flow.sh feature-001-support-ticket

Flow + TA matrix testing

BACKEND_MATRIX=1 ./ai/flow.sh feature-001-support-ticket

---

🚀 CI/CD & DevOps

Dit project maakt gebruik van een hybride CI/CD-aanpak waarbij GitHub Actions, Jenkins en AI-ondersteuning gecombineerd worden om het volledige Software Development Life Cycle (SDLC) proces te automatiseren.

Continuous Integration (CI) – GitHub Actions

Voor continue integratie wordt GitHub Actions gebruikt.
Bij elke push of pull request naar de main branch wordt automatisch de volledige AI-gedreven flow uitgevoerd:

1. Synchronisatie van Functional Analysis (FA) naar:
   • Technical Analysis (TA)
   • Flow test scenario’s
   • Test context
2. JSON-validatie van TA en Flow via schema’s
3. Automatische generatie van backend- en frontendtests
4. Uitvoeren van:
   • Backend tests (Maven)
   • Frontend tests (Jest)

Deze flow wordt uitgevoerd via één centraal script:

./ai/flow.sh <feature-id>

---

✅ Verwachte resultaten

•	Werkende end-to-end AI-flow
•	Volledige traceerbaarheid:
•	requirement → analyse → code → tests
•	Herbruikbare instructiesets
•	Praktische demo’s
•	Onderbouwd enablementplan

⸻

👤 Auteur

• Stageopdracht – AI in de SDLC
• Student: Owen Nolis
• Opleiding: Toegepaste Informatica / AP Hogeschool
• Periode: 02/02/26 - 29/05/26