Projets de machine learning en Scrum : adapter l'Agile à l'IA

Les projets ML remettent en cause le Scrum standard de cinq façons : les résultats sont probabilistes (la relation effort-performance n'est pas linéaire) ; les expériences remplacent les fonctionnalités comme unité de travail ; les données d'entraînement sont une dépendance critique ; la performance du modèle est un continuum, pas un binaire ; et le réentraînement est un processus de production continu, pas un événement ponctuel.

Adapter Scrum au travail ML

Ces défis ne nécessitent pas d'abandonner Scrum — ils nécessitent de l'adapter. Une expérience ML peut être structurée comme une user story avec une hypothèse, des exigences de données, une conception expérimentale et des critères d'acceptation exprimés comme seuil de performance. La Définition de Fini pour un modèle en production doit inclure la surveillance, les alertes et les déclencheurs de réentraînement. Les Sprint Goals pour le travail ML doivent être formulés comme des objectifs d'apprentissage : « D'ici la fin de ce Sprint, nous saurons si l'approche X peut atteindre le niveau Y. »

Si votre équipe adapte des pratiques de livraison agile pour les travaux de machine learning, le conseil en exécution de programmes et de projets de XNM peut vous aider à concevoir les structures de Sprint, les critères de Définition de Fini et les pratiques de communication avec les parties prenantes que les projets ML nécessitent pour livrer de façon fiable.