如何帮助IT团队迅速兑现敏捷开发

 

本文转载:http://java.csdn.net/a/20100127/258540.html

过去,我们可能要花几个月的时间来规划某个技术项目,然后再花上几个月、甚至好几年的时间来实施项目。如今则大不相同:经营战略极具动态性,特别是 面对目前颇具挑战性的经济形势。

在笔者所在的运输公司Con-way,几乎所有好的想法都需要通过技术实施。过去,等到好想法通过IT指导委员会、项目规划和设计审查的层层环节, 早就过时了。直到我们采用了敏捷开发方法。

若使用敏捷方法,软件开发不再经过漫长的项目周期完成。相反,对预期的整个概念首先进行大致定义,然后以短迭代的形式进行开发。一个迭代的持续时间 通常不再超过一个月。每个迭代完成后,软件立即发布供人使用。大家使用软件后,确定下一步应该开发哪些功能特性,提供一条反馈回路(feedback loop),确保优先级最高的功能特性得到开发。

采用敏捷开发方法需要IT团队成员和业务用户的工作方法都进行重大变化,而这给CIO们出了一道变革领导力方面的难题。

IT人员的一大变化在于:如果采用敏捷开发,总是有一个即将到来的交付日期。与此同时,过去拥有私密空间的开发人员可能觉得空间由于两大因素受到侵 犯:一是结对编程(pair programming),即两名开发人员同时构建同一部分代码;二是集中办公(colocation),即团队成员尽可能地待在一起工作。至于业务用 户,敏捷开发方法则要求他们在整个过程中扮演极其积极主动的角色。他们必须与IT人员密切合作,共同确定每个迭代的优先事项。他们还必须每天为IT人员明 确方向需要开发什么样的功能。

布道:敏捷开发优点

让IT团队改用敏捷开发方法面临的挑战主要在于:克服他们的阻力。IT团队已经习惯于使用旧的开发技术和方法,而且一直用得很成功。此外,他们听说 过敏捷开发项目的许多失败案例,于是对此抱有怀疑态度。向业务主管宣传敏捷开发方法的优点同样面临挑战,因为无论是从外面请顾问教我们一套新的方法,还是 购买实施这套方法所需的新工具,费用都相当高昂。另外,业务主管们必须接受这个事实:由于IT人员要学习新的开发技术和方法,新项目短时期内需要花费更长 的时间。

于是,笔者列举了IT部门需要改变的理由:如果我们可以更快地交付优先级最高的功能,我们会得到怎样的好处。笔者不断重复IT人员能从中得到的好处 比如敏捷开发方法可以让软件开发人员不喜欢做的许多单调乏味的任务实现自动化。对代码进行改动后,敏捷开发方法可以自动将代码与其他代码集成起来,并执行 事先定义的回归测试。大多数IT专业人员不喜欢手动执行这些任务。

笔者也列举出业务部门需要改变的理由:丰厚的投资回报,对提高开发过程效率、更迅速地交付所需功能,以及减少在建项目(work in progress)总数带来的好处进行量化;敏捷开发方法有望把开发人员的效率提高35%;业务驱动因素可以跟踪分析获得的投资回报等。

尽管我们有几十个项目团队和几百个开发人员,但我还是竭尽全力,抽时间(曾有几段时间约占我三分之一的工作时间)与开发团队交流,听听他们关注的问 题。从中了解到他们对要求严格遵守敏捷顾问规定的做法有抵触情绪。开发人员尤其不喜欢被迫坐在别人旁边结队工作;他们认为自己能够自行决定要不要采用那些 开发方法。

笔者担心的是,如果我们不遵守这些开发方法,就会错失敏捷开发方法带来的显著效益。于是规矩:每个人一开始都要严格遵守敏捷开发方法,等到他们对这 些方法深入了解后,可以稍加改动;等到真正了解这些方法,可以自行决定采用哪些方法。到目前为止,采用过这些方法的人大多决定长期采用下去。

平息:敏捷开发风暴

尽管笔者做了很多努力,但并非各方面都进展顺利。新的团队通常经历四个阶段:组建期(forming)、激荡期(storming)、规范期 (norming)及执行期(performing)。我当时并不知道,当你改变了现有团队的基本工作方法,他们会在组建期阶段故伎重演。

多年来一直协作很好的团队突然开始出现激荡行为,包括态度出现波动、为无关紧要的问题而争论、过度紧张、担心工作过于繁重。如今笔者在确保这些团队 在经历转型过程中,能够意识到这一点:他们需要重新设定规范;需要为此留出时间。

改变工作最终取得了成效:九个月后,敏捷开发方法兑现了承诺。软件开发的迭代方法提供的反馈回路,让我们可以开发真正所需的功能。原有的瀑布开发方 法固有的浪费问题不复存在。由于每天不断地相互联系,以及敏捷开发方法帮助IT人员更清楚地了解业务,敏捷开发方法让IT部门与业务部门的关系更加紧密。

正如确实会收到成效的任何技术一样,敏捷开发方法大大改变了IT和用户。对于想要把本企业带上敏捷开发这条道路的CIO们来说,有必要重温一下变革 领导力方面的最佳实践。最重要的是,要创造一种环境,让你的团队自然地表达他们担心的问题,那样你就会知道什么切实可行、什么需要相应改动。

 

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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