Scrum中的机器学习项目：为人工智能调适敏捷

ML项目以五种方式挑战标准Scrum：结果是概率性的（努力与性能提升之间的关系非线性且无法预先预测）；实验取代功能成为工作单位；训练数据是关键依赖；模型性能是连续体而非二元值；以及重新训练是持续的生产过程而非一次性事件。

这些挑战不需要放弃Scrum——它们需要调适Scrum。ML实验可以结构化为用户故事，包含假设、数据要求、实验设计和以性能阈值表达的验收标准。生产模型的完成定义应包含监控、告警和重训练触发条件作为明确的交付物。ML工作的Sprint目标应表述为学习目标而非功能交付目标：「到本Sprint结束时，我们将知道方法X能否在数据集Z上达到性能水平Y。」学习目标即使答案是「否」也可以完全实现——这与Scrum团队通常被训练持有的成功关系根本不同。

• 产品负责人须区分所寻求的业务结果与本Sprint回答的研究问题。

• 数据管道应被建模为有自身验收标准的用户故事。

• MLOps必须是初始模型部署完成定义的一部分，而非推迟到未来的Sprint。

如果您的团队正在为机器学习或数据科学工作调适敏捷交付实践，XNM的项目群与项目交付咨询服务可以帮助您设计ML项目可靠交付所需的Sprint结构、完成定义标准和利益相关者沟通实践。