问敏捷开发是否用于机器学习和自然语言处理？

EN

机器学习和自然语言处理在某种程度上是由数据驱动的.如果没有持续提供高质量的数据(在添加新标准时必须重新捕获这些数据)，软件开发可能无法达到预期的目标。

客户和产品所有者可能会将更多的时间用于测试数据收集。

适应措施将取决于：

1. 分配给“尖峰”和“实现”的时间平衡
   • 斯派克:开放式研究/探索性原型开发(在那里，好处是可能的，但不确定，而且优先次序变化很快)
   • 实现(在这种情况下，好处和成本在一定程度上可以预测，但每个任务单元要花费更长的时间才能完成)。

2. 任务单位的平均大小。一根钉子需要多长时间？一个实现需要多长时间？与典型的应用程序开发不同，部分算法实现通常是不可运行的。
3. “屏蔽算法”(即现有库/算法包)是否可用。
   • 当它们可用时，用于“实现”的时间就会减少(因为它们已经编写好了)，因此更多的时间将花在“高峰”上。

将有两个反馈循环：

1. 在每次迭代中，客户和产品所有者根据业务需求和开发人员的反馈定期收集/更新数据(并且具有更好的质量/更新的标准)。
2. 在每次迭代中，开发人员都试图根据可用的数据来提高算法的质量，并将算法打包到一个可用的系统中，并在每次迭代结束时交付。客户和产品所有者应该被允许采取其他测试系统，重新分配，等等。

因此，我们认为“数据”取代“功能”是进度的主要定义。

由于“研究/尖峰”在ML/NLP开发中的重要性越来越大，因此有必要采取一种更有组织的方法来处理spike -这一点您可能已经从任何研究生研究团队中学到了。尖峰被视为“小任务”，从几个小时持续到几天。一个算法套件的实现将花费更长的时间，在某些情况下需要数周。由于任务大小的差异，尖峰和实现要分开排序。实现是昂贵的，如果可能的话，应该避免。这是使用固定算法/现有库的原因之一。

scrummaster需要不断提醒每个人：(1)记下每一个观察，包括“传递思想”和假设，并经常(每天)交换笔记。(2)花更多的时间在尖峰上(3)尽可能多地使用现有的库(4)不要担心执行时间--这可以在以后进行优化。

如果您确实决定实现库中缺少的东西，请以良好的质量完成它。

日常活动：

• 重新排序尖峰(短任务/小时-天)和交换研究笔记。
  • 如果昨天的结果看上去不太乐观的话，就积极地取消优先排序。

• 每个人都必须把一小部分时间花在实现上(长任务/周)，否则没有人会去做，因为他们在任务上往往更无聊。

冲刺活动：

• 演示、测试软件演示
• 新数据收集
• 回顾:数据收集标准/新的质量、算法满意度、尖峰和实现之间的平衡

关于延迟优化的注意事项: ML/NLP中的思想代码比在商业软件中要高得多。因此，一旦有了工作思路，重写ML/NLP应用程序的算法就比重写业务软件容易。这意味着更容易消除体系结构中继承的低效率(也就是说，在最坏的情况下，只需进行一次重写)。

(欢迎所有编辑重新安排(重新排序)我的观点。)