看板神话

Alan Shalloway最近列举了他所谓的关于看板“一般神话”。 他的列表中包括以下内容

\
\
  • 精益开发是一种能够在社会化系统中起作用的规范方法。 \
  • 看板要求线性地工作,并且需要太多的传递。 \
  • 显式的规则是静态的,难于改变,并且不具有灵活性。 \
  • 看板已经获得了成功,因为它是由早期的采用者完成的。 \
  • 开始时使用Scrum,然后再从看板开始,这样做会好一些 \
  • 看板不像其它敏捷方法那样注重人的作用。 \
  • 看板没有对人做足够的处理 \
  • 想要获得强大的改变,你需要进行革命性的改变,而看板则是渐进发展的。
[...] \
  • 看板是没有迭代的Scrum。 \
  • 看板大多是用来作为支持的。 \
  • 看板会导致团队固定不变。 \
  • 看板无法生效,因为显式的规则在敏捷世界中是不合理的。
\

Shalloway尽其所能在《看板神话》这篇文章中消除其中的一些神话。

\

Alan Dayley引用了关于响应的神话

\
我遇到最多的神话是关于WIP限制的。 \

“如果我们已经达到了极限,那么看板会降低我们对客户做出快速响应的能力。”

\

Adam Sroka向列表中添加了关于时间箱(timeboxing)的神话

\
一直以来我所认为的是看板 == 没有时间箱。 \

有些人认为它是必要的(通常是因为他们认为两周的时间太短了)。 其他人则认为这意味着他们会破坏规定。

\

这两种想法都是错误的。 我们的节奏不一定必须是两周,但是我们需要有节奏并且知道它是多少。 我们不会刻意地使用时间箱,但是我们会衡量每件事情会花费多少时间,并试着按照平均的时间让它最小化。

\

Matthias Bohlen认为Ken Schwaber引用的内容也是一种看板神话: “上帝保佑, 人们试图找到各种方式,可以在瀑布模式中放松一下,从而获得休息,并变得更有创意。 有了精益和看板,其中隐藏的部分已经被移除了。 因此现在我们要持续向死亡行军而没有停顿。” Bohlen回应说

\
没有什么“持续向死亡行军而没有停顿”。 人们可以在任何需要的时候停下来喝杯咖啡。 可以决定在什么时候休息。 看板不会比其它方法更严重地压榨人们,因为看板并非是一种方法——人们是使用团队现有的方法完成的工作。 看板让工作变得更加透明,但是本身并不是一种方法。 如果你愿意,可以认为它是“非方法”(至少我是那么认为的)。 \

看板与“持续向死亡行军而没有停顿”恰恰相反。 考虑一下验收测试团队,它的职责是帮助产品所有者发现是否已经正确实现了backlog项目。 如果整个团队都感冒了会怎么样呢? 开发团队就会遇到WIP限制,因为测试人员都病了,无法把已经开发完成的内容从开发状态转换为验收测试状态。 因此,这些内容会保持在开发状态。

\

然后会怎么样呢? 开发者会由于自己的WIP限制而停止开发——他们会休息。 他们会读书、参加培训、重构他们的软件、学习一直想要学习的新知识等等。 当测试人员的感冒好了,并继续工作的时候,他们会发现在这段时间中开发人员并没有创建大堆的工作等着他们。 没有任何“死亡行军”——他们只是继续工作,并把项目从开发者那里拉过来。 然后,开发者也开始继续工作,工作流程又开始流转了。

\

看板的这些“神话”真的是神话吗? 你听说过哪种看板神话呢?

查看英文原文: Myths of Kanban
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值