En tant que Coach Agile pour les projets de machine learning, je travaille avec des équipes pour surmonter l'inconnu de la recherche en devenant prévisible et en lançant des solutions efficaces.
Chaque projet traite un problème humain complètement nouveau et, avec l’équipe, nous devons trouver un moyen de normaliser le processus et de le diviser en fonctionnalités et en récits d’usages. Les user stories doivent être suffisamment petites pour s'intégrer dans un sprint, mais aussi pour apporter une valeur ajoutée à l'entreprise. Comment je fais ça?
Un flux de travail standard d'une user story est le suivant:
TODO -> RAFFINEMENT -> Ready -> DÉVELOPPEMENT -> DONE
TODO = la user story vient d’être ajoutée au backlog. Il manque des informations
Raffinement = le propriétaire du produit avec l'équipe ajoute plus de clarté à la user story
Ready = la user story contient toutes les informations nécessaires à l'estimation et est sélectionnée pour le développement.
Développement = l'équipe Scrum, implémente la user story
DONE = la user story est prête à être diffusée aux utilisateurs
Vous trouverez ci-dessous un flux de travail standardisé pour la mise sur le marché des nouvelles fonctionnalités que j'ai utilisées dans l'un de mes projets.
Signaler un problème. Le responsable de produit ajoute à l'arriéré un problème rencontré dans la solution existante ou une demande de nouvelle fonctionnalité.
Identifiez le problème. Lorsque le propriétaire du produit ajoute un élément au carnet de produit, il ne s'agit pas d'une implémentation simple. L’équipe doit mener une enquête plus poussée. A ce stade, la user story est encore dans la partie raffinement du processus.
Préparez le pool de données. Le machine learning signifie beaucoup de données! L’équipe doit effectuer l’étape cruciale de la recherche des bonnes données à annoter. Les données doivent être similaires aux données de problème rapportées. À partir de ce moment, nous sommes dans la partie développement du workflow de la user story.
Annotation des données. Généralement, le processus d’annotation des données est manuel et laborieux. C'est le moment où l'équipe prend les données du pool et marque les informations nécessaires pour que le modèle de machine learning puisse les utiliser pour apprendre à s'améliorer.
Modèle de formation. Apprendre à la machine comment procéder en fonction des données annotées. Cette étape consomme beaucoup de ressources. En fonction de la taille de la solution et des capacités matérielles. Cela peut prendre de quelques minutes à quelques jours ou semaines.
Test du modèle. Les données préparées sont divisées en 2 étapes. Un ensemble est utilisé pour la formation et l'autre pour tester le modèle. Nous voulons voir des progrès et un moyen clair de les mesurer.
Reformation. Cette étape implique généralement de refaire les étapes 3 à 6. Un cycle de formation peut ne pas suffire pour obtenir les résultats souhaités. Ce qui est très important dans cette situation est de mesurer le nombre de cycles de recyclage. Ceci est utile pour pouvoir estimer la taille de l'histoire de l'utilisateur. Pour plus d'informations sur les projets Agile Metrics for Machine Learning, préparez mon article connexe.
Mis en production. Cette étape comprendra une liste de contrôle détaillée de haute qualité: évaluation par les pairs, documentation, déploiement en production, notes de publication, notification des utilisateurs.
Ces huit étapes définissent le temps écoulé entre le moment où le propriétaire du produit ajoute une nouvelle user story au tableau et le moment où elle est disponible pour les utilisateurs. Pour le succès de votre entreprise, vous voudrez peut-être garder ce temps le plus court possible. Par expérience, je sais que tout ce processus peut initialement durer plusieurs mois. L'un des premiers objectifs que je suggère aux entreprises que je coache est de collaborer avec l'équipe afin de réduire les délais de mise sur le marché. Les efforts se traduisent par des clients plus satisfaits et un retour sur investissement plus élevé.