7 Passaggi per Padroneggiare la Gestione dei Progetti di Data Science con Agile
7 Passi per Gestire Progetti di Data Science con Agile
Cos’è Agile?
La metodologia Agile è stata scoperta all’inizio del 2001 quando 17 persone si sono riunite per discutere del futuro dello sviluppo software. Si basa su 4 valori fondamentali e 12 principi.
- I ricercatori cinesi propongono StructGPT per migliorare la capacità di ragionamento a zero-shot di LLM su dati strutturati.
- Incontra Glaze un nuovo strumento di intelligenza artificiale che aiuta gli artisti a proteggere il loro stile dall’essere riprodotto dai modelli di intelligenza artificiale generativi.
- Anthropic presenta Claude 2 il programma di chat AI di prossima generazione che rivoluziona la codifica
È molto popolare nell’industria tecnologica in continua evoluzione e rapida, il che la riflette bene. È un metodo perfetto per la gestione dei progetti di data science poiché consente ai membri del team di rivedere continuamente i requisiti del progetto, andare avanti e indietro e comunicare di più man mano che il progetto cresce. Il modello si evolve per riflettere gli output focalizzati sull’utente, risparmiando tempo, denaro ed energia.
È meglio prendere decisioni sulle modifiche durante le diverse fasi del ciclo di vita di una data science, anziché alla fine una volta che tutto è completo. Parliamo dei 2 passi che puoi fare per avviare la gestione del tuo progetto di data science Agile.
Scrum
Un esempio di metodo Agile è Scrum. Il metodo Scrum utilizza un framework che aiuta a creare struttura in un team utilizzando un insieme di valori, principi e pratiche.
Ad esempio, utilizzando Scrum, un progetto di data science può suddividere il suo progetto più ampio in una serie di progetti più piccoli. Ognuno di questi mini-progetti sarà chiamato sprint e consisterà nella pianificazione dello sprint per definire obiettivi, requisiti, responsabilità e altro ancora.
Perché è vantaggioso? Perché aiuta i diversi membri del team a essere responsabili e responsabili dei loro compiti per completare uno sprint. Gli sprint completati svolgono tutti un ruolo importante nell’obiettivo finale dell’azienda, ad esempio il lancio di un nuovo prodotto.
I dipendenti si concentrano sulla consegna di valore agli utenti finali, essendo in grado di scoprire soluzioni alle sfide che possono incontrare attraverso gli sprint.
Gli strumenti per lo Scrum includono:
- Monday.com
- ProjectManager
- Jira
Kanban
Kanban è un altro esempio di metodo Agile. È un framework popolare che deriva da un sistema di gestione delle scorte giapponese. Kanban mostra ai dipendenti lo stato visivo dei loro compiti attuali e in sospeso. Ogni compito, noto anche come carta Kanban, è mostrato sulla bacheca dello stato Kanban e rappresenta il suo ciclo di vita fino al completamento.
Ad esempio, è possibile avere colonne del ciclo di vita come lavoro in corso, sviluppato, testato, completato, ecc. Questo può aiutare i data scientist a identificare i colli di bottiglia in anticipo e ridurre il livello di compiti in corso.
Kanban è considerato un framework molto popolare nel mondo della data science, con molti appassionati di dati che adottano il metodo. È un processo leggero che ha una natura visiva per migliorare il flusso di lavoro e identificare facilmente eventuali sfide. È un metodo facile da implementare e i data scientist rispondono molto bene a “Qual è il tuo prossimo compito?”, piuttosto che “Quali compiti hai nel tuo prossimo sprint?”.
Gli strumenti per Kanban includono:
- Trello
- Monday.com
- ProofHub
Impara a camminare prima di correre
Il primo passo iniziale nella metodologia Agile è pianificare. Pianificare, pianificare, pianificare! Non posso sottolineare abbastanza quanto sia importante questo punto, ed è per questo che è importante imparare a camminare prima di correre. Avere uno strumento come Monday o Jira è fantastico, ma non arriverai da nessuna parte se non pianifichi.
Tenere sessioni di discussione tra te e i tuoi dipendenti, in modo che tutti siano sulla stessa pagina, tutti capiscano cosa deve essere fatto e tutti abbiano lo stesso piano nella loro mente è fondamentale. La mancanza di pianificazione può portare a scadenze mancate, mancanza di motivazione e produttività dei dipendenti, nonché infeasibility del progetto.
Una volta che tutti sono sulla stessa pagina, puoi passare al passaggio successivo.
Progettare come un team
La fase successiva è progettare il tuo progetto, e questo si basa sulle conversazioni che hai avuto con i tuoi dipendenti. Tutti gli aspetti che il tuo team ha affrontato nelle discussioni di pianificazione ti aiuteranno a progettare una soluzione efficace per il tuo compito.
La comunicazione è il tuo strumento più importante in questa fase. Gli altri membri del tuo team potrebbero avere modi diversi di lavorare o di suddividere i compiti. Pertanto, è responsabilità di tutti i membri del team progettare una soluzione che soddisfi le esigenze di ognuno, in base al loro modo di lavorare, alla disponibilità, ecc.
In questa fase, puoi assegnare a ciascuno il proprio compito all’interno del progetto. Ciò dà ai dipendenti un senso di importanza, che aumenta i loro livelli di produttività. Una volta che a un dipendente è stato assegnato il compito di gestire una parte del progetto, è sua responsabilità assicurarsi che tutto funzioni correttamente, rispetti le scadenze e vada come previsto.
Sviluppa la tua soluzione
È qui che si vedono i risultati delle discussioni, della pianificazione e del design. Potresti pensare che a questo punto non sia più necessario comunicare con i membri del tuo team e che puoi semplicemente metterti al lavoro. Ma non è vero. È qui che la comunicazione è più importante che mai. Le riunioni settimanali sono importanti, aiutano tutti i dipendenti a rimanere aggiornati e a confrontarsi tra loro.
Durante lo sviluppo della soluzione per il tuo compito, incontrerai sfide o ostacoli che potrebbero essere molto impegnativi e che influenzeranno la tua pianificazione e la capacità degli altri di completare i loro compiti. Comunicare ogni passo, sia positivo che negativo, è importante per tenere tutti informati e permette agli altri di darti una mano.
Test, test, test
Se stai lavorando all’analisi dei dati, alla creazione di un algoritmo o alla produzione di un nuovo prodotto per l’azienda, vorrai testarlo. E poi testarlo di nuovo, e sicuramente testarlo ancora. Non c’è nulla di male nel cercare di essere il più precisi possibile nei progetti di data science. Non solo i membri del team hanno investito tempo ed energie in questa soluzione, ma sarebbe ancora meglio se fosse precisa e risolvesse il problema in questione.
L’ultima cosa che vuoi fare è tornare indietro perché i risultati non sono accurati come nella prima fase.
Implementa
Uno dei momenti più orgogliosi in un progetto di data science. Comunicare con i membri del team per mettere insieme l’ultima versione in produzione, prima che sia disponibile per gli utenti finali.
I data scientist devono mettere la loro mente nel posto giusto, come se stessero consegnando la soluzione al cliente. Revisionare, documentare, correggere e discutere l’intero progetto di data science, con i suoi alti e bassi, è importante.
Perché, diciamocelo, un progetto simile potrebbe presentarsi in futuro e anziché partire da zero, avrai la documentazione dei progetti precedenti che ti servirà come punto di partenza per il prossimo progetto. Sono queste recensioni e documentazioni che verranno utilizzate nella prima fase di discussione/pianificazione del prossimo progetto di data science.
Conclusione
Assicurarsi di avere gli strumenti giusti per avere successo nella gestione di progetti di data science agili è una cosa. Ma essere in grado di ottenere il massimo da ogni fase è ancora più importante. La comunicazione è importante, come avrai capito dato che l’ho menzionato mille volte. Ma solo per ricordartelo, per raccogliere i frutti, devi lavorare sodo e questo richiede molta comunicazione. Nisha Arya è una Data Scientist, una scrittrice tecnica freelance e una Community Manager presso VoAGI. È particolarmente interessata a fornire consigli sulla carriera in Data Science o tutorial e conoscenze teoriche sulla Data Science. Desidera anche esplorare i diversi modi in cui l’Intelligenza Artificiale può beneficiare la longevità della vita umana. Una studentessa desiderosa di ampliare le sue conoscenze tecniche e le sue competenze di scrittura, aiutando nel contempo gli altri ad orientarsi.