毫不奇怪,敏捷项目管理方法的特点是开发冲刺时间短和反馈循环快。每个 sprint 都会产生可以测试和评估的新结果或功能——这些反馈反过来指导下一轮开发。
虽然敏捷最常与软件和硬件开发相关联,但它的迭代、大量反馈的性质意味着它可以很容易地移植到机器学习和人工智能领域。
人工智能自然适用于敏捷方法
尽管我们倾向于将两者分开,但人工智能项目是 IT 项目。鉴于持续改进是人工智能的固有部分,机器学习和人工智能很好地映射到敏捷方法——至少从高层次的角度来看是这样。
敏捷项目涉及频繁的、周期性的利益相关者输入、产品检查和错误纠正。与老式的瀑布式方法相比,他们专注于一系列短期的胜利,而不是仅仅着眼于长远。这是因为关于项目的假设可能会根据新的学习和输入而发生变化。
敏捷方法还允许快速、以用户为中心的开发 - 并及时纠正路线。
所有这些要点同样适用于管理良好的 AI 项目。AI 遵循两个不同的开发循环:快速响应的直接训练反馈循环和更类似于应用程序功能实现的更大循环。
这两个循环都需要持续的微调和调整,类似于应用程序开发冲刺,以便识别、显示和改进训练结果、模型或特征。与典型的软件项目非常相似,利益相关者的需求被用来指导下一步,确保目标一致并避免对非课程项目进行大量投资。
调整敏捷 AI 的方法
虽然人工智能和敏捷总体上非常适合,但人工智能不同于在敏捷方法论下开发的典型软件和硬件项目,需要相应地进行调整。
人工智能的数据驱动、开放性意味着数据收集、研究和原型设计可能比典型的软件项目需要更多的时间和资源。
为了根据敏捷的基本原则保持响应和适应性,人工智能研究人员应该将研究视为一个迭代的、不断发展的过程——接近研究知识,就像它们可能具有软件功能一样。研究人员应避免“解决”问题并相应地实施,努力创建相当于 MVP 而不是功能齐全的“解决方案”。
此外,由于数据科学家可能同时处理多个研究问题——每个问题都可能需要数月才能完成——你的整个项目可能不会以线性方式推进。您需要确定不同问题的优先级,以便为实施保留解决方案的缓冲区,确保项目不会陷入停顿。
出于同样的原因,研究和工程之间的沟通是必不可少的——甚至比典型的开发项目更重要。项目周期应尽可能协调,以便相互反馈。每日站立会议和每周团队会议有助于提供关键的回顾性理解。
实验是 ML 和 AI 项目的核心部分,敏捷的快速循环、迭代性质非常适合捕捉这一点。虽然您可能需要围绕迭代时间以及利益相关者可以提供哪些反馈进行一些调整和调整,但敏捷可以是一种强大的方法,可以在整个开发过程中提供快速结果的同时最大化价值。
相关帖子DA内容精选
|