丰田在使用瀑布式开发?

精益软件开发的灵感来自精益制造,而丰田是这一领域的开拓者。现在得知丰田的软件开发部门一直在用传统的瀑布式开发,而他们刚刚才开始采用精益软件开发,这着实让人非常吃惊。Henrik Kniberg在一篇描述他去年精益参观考察的博文中公布了这一点。Henrik和他的小组成员借机访问过丰田汽车公司及他们的软件开发负责人:

\
\

我们非常荣幸地会见了Satoshi Ishii,嵌入式软件开发事业部的经理——给汽车用的软件是他们的产品的一种。他的英语有点儿结结巴巴,我没有记录详细的笔记,所以下面有些引述和谈话是意译的。

\

他首先开口说道:“关于精益软件开发,我想你们知道的比我们多”,这让我们一开始就很意外。之后的谈话变得越来越有意思。

\
\

Henrik对丰田的访问充满了意外。当他问及丰田是否考虑过敏捷软件开发方法时:

\
\

我们问Ishii-san他是否考虑过敏捷软件开发。他有敏捷方面的知识,同时喜欢敏捷的想法,并表示他们可能会朝那个方向发展。但他们会按丰田的方式去做——以耐心而有条不紊的方式,敏捷本身不是目的。我非常赞同这点。

\

他说“我们正在尝试学习如何把TPS(=在西方我们称之为精益)应用到软件开发上”。可以想象我们脸上的表情。我们到那里,从我们认为是精益软件开发的圣地学习,此前我们大多数人预期那里会让人眼花缭乱、印象深刻。

\
\

丰田团队已经发现的很多东西与敏捷世界中的想法是非常匹配的,而其中有些是相反的:

\
\

最大的障碍之一是他们目前的软件架构。他没有给出细节,只是提到要使用精益或敏捷软件开发的话,他们要对现有架构做很大的改动。我相信应该倒过来——精益和敏捷软件开发提供了一种迭代和增量式的方法,可以实现架构的改动。

\

他强调了在早期进行测试以及修正缺陷的重要性。修正在生产阶段发现的缺陷,比修正在做原型期间发现的缺陷的成本高大约50倍。如果缺陷是在生产阶段后发现的,修正成本大约高1000~10000倍。我见过其他调查给出了类似的数字。他给我展示了一些数据,直观地用柱状图表示。

\
\

Israel Gatt,也写下了我们可以从丰田目前困境中学习的三件事情

\
\

无论你们实践的是何种敏捷方法——Scrum、精益(Lean)、看板(Kanban)、Crystal等等——你们应该从上面提到的丰田经历中认识到3点:

\
  • 就像丰田的生产系统,你们的软件方法就是“一辆车”,受上层战略决策的支配。但是,它无法弥补决策失败。\
  • 如果你的公司追求不断地增长,带来的质量/技术债务很可能轻易超过增长带来的好处。考虑增长潜力的收益时,要跟技术债务可能导致的损失进行比较。在适当情况下,可以使用《收支平衡表中的技术债务》这篇文章中的方法用金钱计算技术债务。\
  • 除了用金钱计算技术债务外,还可以使用《行政套房中的视角》这篇文章中的方法去评估不同的风险。丰田自身的经历表明了灾难性的后果会是什么样子。\
\

考虑到丰田目前在其软件开发中存在的问题,我们不得不想:如果他们用不同方式去开发软件,他们会像今天这样吗?

\

查看英文原文:Toyota Using Waterfall?

内容概要:本文针对火电厂参与直购交易挤占风电上网空间的问题,提出了一种风火打捆参与大用户直购交易的新模。通过分析可再生能源配额机制下的双边博弈关系,建立了基于动态非合作博弈理论的博弈模型,以直购电价和直购电量为决策变量,实现双方收益均衡最大化。论文论证了纳什均衡的存在性,并提出了基于纳什谈判法的风-火利益分配方法。算例结果表明,该模能够增加各方收益、促进风电消纳并提高电网灵活性。文中详细介绍了模型构建、成本计算和博弈均衡的实现过程,并通过Python代码复现了模型,包括参数定义、收益函数、纳什均衡求解、利益分配及可视化分析等功能。 适合人群:电力系统研究人员、能源政策制定者、从事电力市场交易的工程师和分析师。 使用场景及目标:①帮助理解风火打捆参与大用户直购交易的博弈机制;②为电力市场设计提供理论依据和技术支持;③评估不同政策(如可再生能源配额)对电力市场的影响;④通过代码实现和可视化工具辅助教学和研究。 其他说明:该研究不仅提供了理论分析,还通过详细的代码实现和算例验证了模型的有效性,为实际应用提供了参考。此外,论文还探讨了不同场景下的敏感性分析,如证书价格、风电比例等对市场结果的影响,进一步丰富了研究内容。
资源下载链接为: https://pan.quark.cn/s/d37d4dbee12c A:计算机视觉,作为人工智能领域的关键分支,致力于赋予计算机系统 “看懂” 世界的能力,从图像、视频等视觉数据中提取有用信息并据此决策。 其发展历程颇为漫长。早期图像处理技术为其奠基,后续逐步探索三维信息提取,与人工智能结合,又经历数学理论深化、机器学习兴起,直至当下深度学习引领浪潮。如今,图像生成和合成技术不断发展,让计算机视觉更深入人们的日常生活。 计算机视觉综合了图像处理、机器学习、模识别和深度学习等技术。深度学习兴起后,卷积神经网络成为核心工具,能自动提炼复杂图像特征。它的工作流程,首先是图像获取,用相机等设备捕获视觉信息并数字化;接着进行预处理,通过滤波、去噪等操作提升图像质量;然后进入关键的特征提取和描述环节,提炼图像关键信息;之后利用这些信息训练模型,学习视觉模和规律;最终用于模识别、分类、对象检测等实际应用。 在实际应用中,计算机视觉用途极为广泛。在安防领域,能进行人脸识别、目标跟踪,保障公共安全;在自动驾驶领域,帮助车辆识别道路、行人、交通标志,实现安全行驶;在医疗领域,辅助医生分析医学影像,进行疾病诊断;在工业领域,用于产品质量检测、机器人操作引导等。 不过,计算机视觉发展也面临挑战。比如图像生成技术带来深度伪造风险,虚假图像和视频可能误导大众、扰乱秩序。为此,各界积极研究检测技术,以应对这一问题。随着技术持续进步,计算机视觉有望在更多领域发挥更大作用,进一步改变人们的生活和工作方
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