敏捷之实

如今,在软件行业里,敏捷这个已经是被大家说烂的字眼,甚至是在其他行业里,也都在常识性的应用。可是在这些簇拥者里,是否都已经深谙敏捷,对敏捷了如指掌,并能够应用这些知识来提高我们的交付能力,这些都是我们要思考的,甚至是要去摒弃的。
谈到敏捷,似乎成为了管理者去调整项目的一个救命稻草,人人想用,认为敏捷为银弹,有了敏捷,我们可以不加班,按时交付,提高用户的信赖和满意度,促进沟通,实现全面成功。当然,敏捷可以做到这些,这是敏捷的效果,我们看到过这些成效,所以我们才去用,可是怎么用呢?是不是敏捷跟你在玩街机一样,输入一串秘籍你就无敌了?这显然是扯淡。
在和一个朋友谈论他目前的工作状态的时候,我很是担忧这样他所处在的这个团队到底能坚持多久,我大概了解了一下细节。和大多数外企一样,是一个跨国合作的工作模式,他所处在的团队是一个自动化开发团队,之前的状态是在我们的requirements pool 里有大量的需求,关于这些需求的开发工作已经结束并且已经交付使用了,大家每天都是玩命的在看这些spec然后把这些spec转换成可测试点,然后再去开发自动化代码,每天工作到8 9点算是早的,有一天,轰隆一声雷响,敏捷闪亮登场。这个组里的其他member并没有接触过敏捷项目,也不知道什么是敏捷,都很好奇,然后北美一个声音说:it's amazing, you don't need work overtime anymore。 大家从此兴奋了。他们的日常工作中出现了一个task management tool----green house,所有的spec从服务器的文件夹里转移到了JIRA里,每天早上多了一个action---scrum meeting。除了这些东西,生活没有改变太多,并且某些时候,这些撑了所谓敏捷带来的副作用,而敏捷也不再那样让人兴奋。我的朋友很无奈,他做过敏捷的项目,他觉得这个项目组像一个走火入魔的孩子,却无可奈何。
我不禁的想,如果整个项目被分成开发,手工测试,自动化测试,业务需求分析等部分,而这些部分又没能更好的合作的时候,所有的合作仅仅是邮件的话,那么,在团队不断扩张的时候,也是最危险的时候,悲剧的是仅仅自动化在采用这所谓的敏捷。
开发没有单元测试代码,更不用去谈及TDD,开发过程中,dev没有和qa很紧密的合作,QA的介入并没有在项目开始初期,沟通匮乏,BA在编写长篇累牍的spec之时,也没有和dev,qa,automan们一起进行交流和沟通,信息闭塞,自然不用说,那些颗粒度更细的story也是毫无踪影……
你有了JIRA就敏捷了?你有了scrum meeting就成功沟通了?这些在我看来,这种所谓的敏捷无非是一种过重的方法论而已,形式上的敏捷,并不能改善整个项目状况,而我们也不需要这种形式上的敏捷。敏捷不是在白板上贴几张便签,两个人坐在电脑面前看微博,拥有了自动化……如果想改善,请参考:
1. BA在写spec的时候适当的和dev&qa进行有效沟通,把近百页的spec按照priority写成story,当然analysis的过程也可以有QA参与。
2. 开发人员先写单元测试代码,从根本上挖掘市场价值和发现价值,超越实现价值的禁锢,之后写实现代码,直到虽有单元测试代码通过。
3. QA鼓励尽早进入需求分析,尽早进入测试
4. 管理现场化----各个base团队把自己拿到手的spec贴在在分析,在开发,在测试,已完成这几项,项目的状态可以一目了然,JIRA or Mingle虽然可以一时间的解决分布式开发团队上沟通的缺陷,但是信息最直接的反馈是靠我们的视觉,换句话说,我还是推崇卡片墙上那些有序的便签,因为信息的反馈最直接。
5. 结对编程。dev 和 qa, dev 和 dev, qa&qa, qa&ba,各种结对,你要是需要的,有帮助的
6. 摒弃你那些禁锢的思想,QA仅仅是测试,开发仅仅是写实现,ba仅仅是分析,我们需要在必要的时候能扮演各种角色,身为QA,你可以去做开发,写单元测试,做code review, business analysis,coaching……
敏捷并不是我们来给客户看的,也不是给上级看的,是我们用来真正的提高交付能力,提高团队水平的方法论,闲话不说,我们要关注敏捷之实,也要关注敏捷之实,第一个实,是真相,第二个实,是收获。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值