平安科技Scrum Master于彩荣:传统金融行业开发团队的敏捷导入过程

在11月1日QCon上海“来自一线的敏捷实战”专题下,来自平安科技的于彩荣将介绍他所带领的团队——一个保险销售系统开发的团队——是如何成功从一个传统开发团队转型成一个敏捷团队的。

\

为了让大家事先了解他计划分享的内容,InfoQ编辑邀请于彩荣进行了一系列问答如下。

\

InfoQ:简单的介绍一下自己目前负责的工作,以及自己在敏捷领域做过哪些方面,关注过什么?

\
\

于彩荣:我目前就职于平安科技(中国平安IT公司),带领一个开发团队支持中国平安的一个保险销售系统的开发。因为这个系统是给平安外部合作伙伴使用,所以对系统的稳定性、可用性、需求开发速度都有很高的要求。

\

我们团队从2012年开始试行敏捷,目前已经成功转型。我们在敏捷转型过程中,尝试过看板、CI、scrum。我个人曾担任过SCRUM MASTER。目前也承担帮助其他团队敏捷转型的工作。

\
\

InfoQ:你目前关注的重点是什么?

\
\

于彩荣:我目前关注的重点是:一个传统的开发团队应该如何引入敏捷?在敏捷导入的过程中应该采用哪些最佳实践?如何才能实现自组织的团队?

\
\

InfoQ:感觉在过去一年,自己接触到的、关注的领域发生了什么变化?

\
\

于彩荣:过去一年中,我更关注与敏捷、精益、看板等领域,关注其他公司的开发团队都是如何引入敏捷,同时也较多的思考应该如何导入敏捷。

\
\

InfoQ:请简单介绍一下你计划在本次QCon上分享的话题吧。

\
\

于彩荣:本次以我自己所带团队的敏捷转型过程,给大家揭示传统金融行业的开发团队的敏捷导入过程。希望能给大家一些启发,让纠结于应该如何导入敏捷的团队放下包袱,轻装上阵。

\
\

InfoQ:为什么你认为这个话题是重要的、值得关注的?听众可以从这个分享中获得什么?

\
\

于彩荣:通过参加一些敏捷交流大会,我发现很多团队在敏捷转型过程中都很纠结一些问题:到底是用看板还是用scrum?如果用scrum组织架构不支持怎么办?大家都在纠结于应该采用哪些敏捷最佳实践,而忽视了团队的问题究竟是什么。我们是为了敏捷而敏捷吗?不,我们是为了解决问题。敏捷,归根到底是过程改进的一种手段。

\
\

InfoQ:您现在看待敏捷,相比2012年开始实施敏捷的时候,是否有不同的理解?最大的不同在什么地方?

\
\

于彩荣:我想还是有很大的不同。2012年,我觉得敏捷就是SCRUM,所有团队都应该实施敏捷。现在我更多的理解敏捷其实是在过程改进的思想下创建的一套新的开发框架。也许几十年后敏捷也不在适应新的需要,但过程改进永不停止。

\
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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