控制迭代过程 防止业务流程管理失败

在20世纪90年代后期,IT发现了原型概念,并将其应用于应用开发。原型模型是迭代过程的前身——小规模设计和构建,在组件中快速完成,然后测试和调整组件。和现今的迭代方法一样,这个前身是一个好主意,但实际上并不奏效。调整通常需要比预期更长的时间,业务用户经常失去耐心,这一概念从未被广泛接受。

在二十世纪初期,迭代过程被采纳为业务流程管理(BPM)的一个中心原则,BPM本身是从业务再造中发展而来。大概在同一时间,IT重新设计了原型模型,而这一次,将其作为设计和解决方案的“迭代”嵌入到敏捷软件开发方法中。

所以,再一次的,我们使迭代成为一个主流过程,并再次获得各种结果。

在我们进一步讨论之前,我想清楚地说明我是迭代方法的支持者——我只是希望它能正常工作,真正有帮助。

但实际上,根据历史,迭代过程有好有坏。

让我们先来讨论一下缺点,最后以优点结束。

迭代过程中的问题

有一个谬见,认为迭代可以使项目更早完成。我,以及很多专业人士都没听说过迭代确实节省时间的项目。(当然,肯定有人可以证明迭代可以节省时间,但我并不认识。)我知道有评价团体赞扬了敏捷方法,然而,迭代,却被报告有难以置信的70%的项目失败率,BPM相关项目则更高。值得注意的是,很多这些项目最终都取得了成功,一旦它们完成了永无止境的设计、构建、评估和重新设计的迭代工作。

那么在迭代过程中,我们需要怎样做,才能缩小谬见与现实之间的差距呢?我们首先来讨论我亲身经历过的几个迭代现实。

无休止:迭代可以不断进行,不断扩展解决方案的设计和构建,远远超出预期。在迭代中,并不是为了第一次就让新的设计起作用——目标是快速,并且“灵活”,然后通过多次迭代进行改进。对于更倾向于分析的管理者,解决方案总是可以更好,永远没有尽头。在这种情况下,管理者认为下一次迭代会比这一次更好。

风险增加:每当团队创建新的迭代模型时,必须对其进行全面重新检查——如果没有,交付有问题的产品的风险,随着每个模型而增加。这再次延长了构建解决方案所需的时间。这是一种反复试验的方法,最终会带来一个很好的解决方案,但它可能不是最有效的方法。

中断:在某一截点,宣布成功,并安装解决方案。但迭代过程还在继续,因为已经安装的可能并不完整。这会导致业务中断,因为部分解决方案或者不同版本不断实施,再次发生改变。

混乱:经过几次解决方案的迭代,没有一个员工知道他们应该做什么或应该怎么做。最后的结果就是业务人员和经理的沮丧。

用模拟控制迭代次数

迭代是一个很好的概念,当被正确使用和控制时,可以很好地起作用。

对于一些CIO和应用开发领导者来说,这种“正确的方式”需要将业务和IT BPM相关的概念,方法和技术相结合,来最好地解决每个问题。 然而,在将BPM方法(通常是瀑布型方法)和IT BPM方法(通常是基于敏捷的方法)相结合时,关键是设置机制来控制迭代次数,以及每次迭代的预期。

在这部分讨论中,我假设应用解决方案开发团队能够创建满足业务和技术需求的应用。这个假设意味着应用将提供所需的服务。这并不意味着应用解决方案的运行完全顺利,或者如预期般有效。这也不意味着应用解决方案是灵活的或完整的。也不意味着应用解决方案消除了复杂性。

但这些需要迭代的问题可以有效地处理。在IT BPM和业务BPM方面,我建议团队考虑使用模拟建模来评估每个迭代设计。模拟工具将指出瓶颈,解决方案在不同工作负载下如何工作,以及设计中的许多其他问题。

使用模拟结果,重点关注设计改进,团队不断优化设计。这样,改进评估是基于严格的模拟效率评估,而不是“让我们试试,来看看结果。”最终,迭代次数受到控制,需要的次数更少。同时,这种方法也产生了更好的业务设计。

让迭代过程更顺利

当交付目标产品或服务的概率很高时,当模拟和财务评估表明业务的工作流程和其他方面最优时,说明新的业务流程模型,是起作用的。将现有的状态模拟结果与新的解决方案的运营模拟相比较时,团队还能够预测项目效益——使用新运营(工作流程)时,通过新设计,消除业务问题可以节省的成本,通过消除或减少错误可以节省的成本。

一旦业务流程模型在使用模拟工具时,可以证明有效和高效,那么这些应用可以由BPM套件(BPMS)工具生成。假设使用BPMS工具,可以生成“straw man”版本的应用。

此外,使用传统测试技术,“stub”来测试应用,模拟将数据传递给另一个应用,和“驱动程序”来模拟解决方案系统从其他应用接收数据的情况,可以进一步优化模型和解决方案设计,以确保支持计算机应用的工作流程和运营,可以完成目标结果。

在BPM项目中应该考虑stub和驱动类型的迭代——特别是那些由BPMS工具支持的项目。至于业务设计迭代过程,stub和驱动类型迭代必须计划和仔细的控制。此外,业务设计迭代,当正确管理时,该项目测试和修改周期可以带来更好的结果。

总而言之,控制迭代的这两个方法,消除了业务流程开发中的许多固有问题,让团队可以更快地创建更好的结果。

本文转自d1net(转载)

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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