实时可追溯性和事后可追溯性

在当今的世界里,成功的组织都将其创新和复杂产品开发流程建立在跨多个工作流的互联数据上。为此,他们需要收集利益相关者的想法以构建系统架构,管理高级需求以创建详细的用户故事,并实施验证程序以检查问题。同时,在满足标准规定并在当前的市场环境中保持竞争力的过程中,与各利益相关者的协作需要深度的追踪。

许多行业标准都要求有需求追踪性,以保证产品的质量和安全性。这些行业标准是基于在系统和质量工程研究中取得的数十年的进步,而需求追踪性是其核心内容。只有把追踪性作为产品开发过程中的一个工具,我们才能享受到需求追踪性的优点。

这样做带来了很多明显的好处:显著减少或避免项目延期、系统缺陷、成本超支以及返工等。本文将概述建立需求可追溯性的一些最佳实践。

实时可追溯性对比事后可追溯性

首先,让我们确定一些概念,确保我们的理解是一致的。需求追踪性是指从需求定义和设计到开发、测试以及验证,对产品需求的开发进程进行跟踪的能力。需求追踪性有两种形式:事后追踪性和实时追踪性。

什么是传统的,事后的可追溯性?

事后的可追溯性发生在产品开发完成之后,这通常是一种高度手动的努力,试图重新构建工作产品,以便展示在开发过程中应该发生但却没有发生的可追溯性。这项工作是为了符合行业标准,并满足审计员对过程成熟度展示的要求。

什么是实时可追溯性?

PingCode 定义实时可追溯性为在系统开发的任何阶段,不论涉及到多少独立的工具和团队,都能获取任何需求最新、最全面的上游和下游信息的能力。

这使得工程和产品管理过程可以基于数据进行管理,以实时提升性能。

实时可追溯性在产品开发过程中实时发生,旨在提升整体生产力(通过确保各专业领域的工程师始终使用最新和正确的版本),并降低由于问题被发现得太晚而产生的不良产品结果(例如延期、缺陷、返工、超预算和召回等)的风险。

早期发现问题的好处是显著的。INCOSE的研究发现,如果在设计过程中而不是在验证和确认过程中发现问题,其成本可能会高出40到110倍。因此,大多数公司都希望实现实时可追溯性,但他们常常被旧有的工具和电子表格所困扰,这些工具和电子表格并不支持实时可追溯性。由于每个工程学科都可以选择自己的工具,导致大量的工具之间没有关联性规则或机制来实现实时的可追溯性。

为什么实时可追溯性很重要?

产品工程组织面临的首要问题是需要遵循跨独立团队和工具的可追溯性要求。组织通常被跨多个电子表格进行高度手动和耗时的信息审查所困扰。

实时可追溯性的实现

你可以通过在工具链中的实时可追溯性,并且让这种持续的同步尽可能简单,比如:PingCode、Jama 等工具之间实现实时的可追溯性,通过直观的点击操作就可以实现。

整合工具之间的实现实时可追溯性主要好处包括:

  • 保持与市场和用户需求的一致性:将上游的规划、需求和测试计划整合到迭代开发过程中,确保你构建的内容能满足市场、合规性和用户的需求。
  • 保持对下游开发的可见性:准确捕获和沟通需求、目标、进度和相互依赖性,以在整个开发过程中消除摩擦。
  • 消除由于不对齐而产生的后期返工和质量差距:捕获需求并保持对你正在构建的内容的共识。确保每个人都在使用最新的规格工作,以便产品/系统最终能够实现其预期的价值。
  • 支持正式的变更管理过程:识别产品需求变更的变更影响含义和受影响的所有者,以便开发团队在需求演变时做出明智的决定。

如何实现实时追踪性?

步骤1:定义追踪模型

实时可追溯性需要一个模型,该模型定义了在开发过程中需要监控的关键过程元素和它们的关系规则。系统工程的V模型是一个有用的框架,用于定义数据对象和它们的关系。PingCode提供了一个点击式的、可配置的关系规则功能,来实现实时可追溯性。

步骤2:实现不同工具之间的数据同步

一旦定义了关系规则,下一步就是与各种工程学科使用的最佳工具和电子表格设置连续同步。以下的图展示了一站式工具示例,以及外部工具在PingCode关系模型中同步的位置,以实现实时追踪。

在这个示例中,显示了对追踪至关重要的最佳工具。当然,也支持其他竞争性的替代方案。

大多数公司优先考虑追踪模型的那些区域,这些区域在没有持续同步的情况下最容易导致昂贵的问题。最常见的这些区域是:

  1. 软件任务管理:直接将需求分解为用户故事,使得能够通过测试和缺陷管理在软件开发过程中实现实时追踪。最常用的最佳工具是PingCode
  2. 测试自动化:测试用例在 PingCode 中管理,以便与需求对齐,并确保跨所有工程学科的追踪,测试自动化结果在验证步骤中同步到追踪模型。最常见的测试自动化工具是TestRail和qTest。

步骤3:监测异常

实时追踪性首次提供了一种能力,可以通过例外情况管理整个产品开发过程,跨越所有工程学科。追踪模型定义了预期的过程行为,可以与实际活动进行比较,从而产生异常。这些异常是早期警告指标,它们最常导致延迟、成本超支、返工、缺陷和召回。

需求管理

 需求管理指南: 

需求管理: 需求管理主要内容  |  需求管理的重要性  |  采用敏捷方法进行需求管理  |  如何克服需求管理的 5 大挑战  |  更多 

需求编写: 功能需求的示例和模板  |  采用 EARS 方法来改进需求工程  |  如何编写一份优秀的产品需求文档(PRD)  功能性需求与非功能性需求的区别  |  有效需求的特征  |  更多 

需求收集和管理流程: 需求工程概述  |  产品团队的需求分析指南  |  敏捷产品团队的 11 种需求收集技巧  |  定义和实施需求基线  |  更多  需求的可追溯性: 什么是需求可追溯性  |  可追溯性在现代产品和系统开发中的关键作用  |  如何创建和使用需求追溯矩阵  |  更多 

需求确认和验证: 产品团队的需求验证和确认  |  更多 ​​​​​​​

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。 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。 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,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