Machine Learning Ops (MLOps) beschrijft een reeks best practices die een bedrijf met succes helpen bij het uitvoeren van kunstmatige intelligentie. Het bestaat uit de vaardigheden, workflows en processen om machine learning-modellen te maken, uit te voeren en te onderhouden om verschillende operationele processen binnen organisaties te helpen.
Inzicht in machine learning-ops
Machine Learning Ops is een relatief nieuw concept omdat de commerciële toepassing van kunstmatige intelligentie (AI) ook een opkomend proces is.
AI kwam inderdaad minder dan tien jaar geleden op het toneel nadat een onderzoeker het had gebruikt om een wedstrijd voor beeldherkenning te winnen.
Sinds die tijd is kunstmatige intelligentie te zien in:
Vertalen van websites in verschillende talen.
Berekenen van kredietrisico voor hypotheek- of leningaanvragen.
Doorverbinden van de klantenservice naar de juiste afdeling.
Assisteren van ziekenhuispersoneel bij het analyseren van röntgenfoto's.
Stroomlijning van de logistieke en supply chain-activiteiten van supermarkten.
Automatisering van het genereren van tekst voor klantenondersteuning, SEO en copywriting.
Naarmate AI alomtegenwoordiger wordt, moet ook de machine learning die het mogelijk maakt, dat ook doen. MLOps is gemaakt als reactie op de behoefte van bedrijven om een ontwikkeld raamwerk voor machine learning te volgen.
Op basis van DevOps-praktijken probeert MLOps een fundamentele scheiding tussen zorgvuldig vervaardigde code en onvoorspelbare real-world gegevens aan te pakken. Deze verbroken verbinding kan leiden tot problemen zoals trage of inconsistente implementatie, lage reproduceerbaarheid en verminderde prestaties.
De vier leidende principes van Machine Learning Ops
Zoals opgemerkt, is MLOps geen enkele technische oplossing, maar een reeks best practices of leidende principes.
Hieronder volgt een blik op elk in willekeurige volgorde:
Machine learning moet reproduceerbaar zijn
Dat wil zeggen dat gegevens elke productie moeten kunnen controleren, verifiëren en reproduceren model.
Versiebeheer voor code in softwareontwikkeling is standaard.
Maar bij machine learning moeten data, parameters en metadata allemaal worden geversioneerd.
Door op te slaan model trainingsartefacten, de model kan indien nodig ook worden gereproduceerd.
Machine learning moet samenwerken
MLOps pleit voor machine learning model productie is zichtbaar en collaboratief.
Alles van data-extractie tot model implementatie moet worden benaderd door impliciete kennis om te zetten in code.
Machine learning moet worden getest en gecontroleerd
Aangezien machine learning een technische praktijk is, mogen testen en monitoren niet worden verwaarloosd.
Prestaties in de context van MLOps omvatten zowel voorspellend belang als technische prestaties.
Standaarden voor naleving van modellen moeten worden vastgesteld en verwacht gedrag moet zichtbaar worden gemaakt.
Het team mag niet afgaan op onderbuikgevoelens.
Machine learning moet continu zijn
Het is belangrijk om te beseffen dat een machine learning model tijdelijk is en waarvan de levenscyclus afhangt van de use-case en hoe dynamisch de onderliggende gegevens zijn.
Hoewel een volledig geautomatiseerd systeem na verloop van tijd kan afnemen, moet machine learning worden gezien als een continu proces waarbij omscholing zo eenvoudig mogelijk wordt gemaakt.
MLOps implementeren in de bedrijfsvoering
In zeer brede zin kunnen bedrijven MLOps implementeren door een paar stappen te volgen:
Stap 1 – Herken belanghebbenden
MLOps-projecten zijn vaak grote, complexe, multidisciplinaire initiatieven die de bijdragen van verschillende belanghebbenden vereisen.
Dit zijn onder meer voor de hand liggende belanghebbenden zoals machine learning-engineers, datawetenschappers en DevOps-engineers.
Deze projecten vereisen echter ook samenwerking en samenwerking van IT, management en data-engineers.
Stap 2 – Investeer in infrastructuur
Er is een groot aantal infrastructuurproducten op de markt, en niet alle zijn gelijk geboren.
Bij het kiezen van een product om te adopteren, moet een bedrijf rekening houden met:
reproduceerbaarheid
Het product moet het vasthouden van data science kennis makkelijker maken.
Het gemak van reproduceerbaarheid wordt bepaald door controle van de gegevensversie en het volgen van experimenten.
Efficiënt
Leidt het product tot tijd- of kostenbesparingen? Kan machine learning bijvoorbeeld handmatig werk wegnemen om de pijplijncapaciteit te vergroten?
Integreerbaarheid
Zal het product mooi integreren met bestaande processen of systemen?
Stap 3 – Automatisering
Voordat ze naar productie gaan, moeten machine learning-projecten worden opgesplitst in kleinere, beter beheersbare componenten.
Deze componenten moeten aan elkaar gerelateerd zijn, maar afzonderlijk ontwikkeld kunnen worden.
Het proces van het opsplitsen van een probleem in verschillende componenten dwingt het productteam om een gezamenlijk proces te volgen.
Dit stimuleert de vorming van een goed gedefinieerde taal tussen ingenieurs en datawetenschappers, die samenwerken om een product te creëren dat zichzelf automatisch kan updaten.
Dit vermogen is verwant aan de DevOps-praktijk van continue integratie (CI).
MLOps en AIaaS
Artificial Intelligence as a Service (AlaaS) helpt organisaties om kunstmatige intelligentie (AI)-functionaliteit te integreren zonder de bijbehorende expertise. Meestal zijn AIaaS-services gebouwd op cloudgebaseerde providers zoals Amazon AWS, Google Cloud, Microsoft Azure en IMB Cloud, die worden gebruikt als IaaS. De AI-service, het raamwerk en de workflows die op deze infrastructuren zijn gebouwd, worden aangeboden aan eindklanten voor verschillende gebruikssituaties (bijv. inventaris managementdiensten, productie-optimalisaties, tekstgeneratie).Bron: cloud.google.com
MLOps bestaat uit verschillende fasen die bovenop een AI-platform zijn gebouwd, waar modellen moeten worden voorbereid (via datalabeling, Big Query-datasets en Cloud Storage), gebouwd, gevalideerd en geïmplementeerd.
En MLOps is een enorme wereld, gemaakt van veel bewegende delen.
Inderdaad, voordat de ML-code kan worden bediend, zoals aangegeven op Google Cloud, wordt veel uitgegeven aan “configuratie, automatisering, gegevensverzameling, gegevensverificatie, testen en debuggen, resourcebeheer, modelleren analyse, proces- en metadatabeheer, serverinfrastructuur en monitoring.”
Het ML-proces
ML-modellen volgen verschillende stappen, een voorbeeld is: Gegevensextractie > Gegevens analyse > Datavoorbereiding > Modeltraining > Modelevaluatie > Modelvalidatie > Modelserving > Modelmonitoring.
Voorbeelden van machine learning-ops
Hieronder vindt u een aantal voorbeelden van hoe machine learning-activiteiten worden toegepast bij bedrijven als Uber en Booking.com.
Uber is een tweezijdige marktplaats, een platform bedrijfsmodel die coureurs en rijders met elkaar verbindt, met een interface die elementen van gamification bevat, waardoor het voor twee partijen gemakkelijk is om verbinding te maken en transacties uit te voeren. Uber verdient geld door vergoedingen te innen van de brutoboekingen van het platform.
Uber Michelangelo is de naam die is gegeven aan Uber's machine learning platform dat de workflow tussen teams standaardiseert en de coördinatie verbetert.
Voordat Michelangelo werd ontwikkeld, had Uber problemen met het implementeren van machine learning-modellen vanwege de enorme omvang van het bedrijf en zijn activiteiten.
Terwijl datawetenschappers voorspellende modellen ontwikkelden, creëerden ingenieurs ook op maat gemaakte, eenmalige systemen die deze modellen in productie gebruikten.
Uiteindelijk bleef de impact van machine learning bij Uber beperkt tot wat wetenschappers en ingenieurs in korte tijd konden bouwen met voornamelijk open source-tools.
Michelangelo is ontworpen om een systeem te bieden waarmee betrouwbare, uniforme en reproduceerbare pijplijnen kunnen worden gebouwd voor het op grote schaal creëren en beheren van voorspellings- en trainingsgegevens.
Vandaag, de MLOps platform standaardiseert workflows en processen via een end-to-end systeem waar gebruikers eenvoudig ML-systemen kunnen bouwen en bedienen.
Terwijl Michelangelo tientallen modellen in het hele bedrijf beheert voor talloze gebruiksscenario's, is de toepassing ervan op UberEATS is een snelle vermelding waard.
Uber Eats is een driezijdige marktplaats die een chauffeur, een restauranteigenaar en een klant verbindt met Uber Eats platform in het midden. De driezijdige marktplaats beweegt zich rond drie spelers: Restaurants betalen commissie over de bestellingen aan Uber Eats; Klanten betalen de kleine bezorgkosten en soms annuleringskosten; Chauffeurs verdienen door op tijd betrouwbare leveringen te doen.
Hier werd machine learning opgenomen in voorspellingen van de bezorgtijd van maaltijden, restaurantranglijsten, zoekrangschikkingen en automatisch aanvullen van zoekopdrachten.
Het berekenen van de bezorgtijd van maaltijden wordt als bijzonder complex beschouwd en omvat veel bewegende delen, waarbij Michelangelo boomregressiemodellen gebruikt om end-to-end bezorgingsschattingen te maken op basis van meerdere huidige en historische statistieken.
Booking.com is de grootste online reisbureauwebsite ter wereld waar gebruikers kunnen zoeken naar miljoenen verschillende accommodatiemogelijkheden.
Net als Uber had Booking.com een complexe machine learning-oplossing nodig die op grote schaal kon worden ingezet.
Om de hachelijke situatie van het bedrijf te begrijpen, kunt u een gebruiker overwegen die op zoek is naar accommodatie in Parijs.
Op het moment van schrijven zijn er meer dan 4,700 vestigingen, maar het zou onrealistisch zijn om te verwachten dat de gebruiker ze allemaal bekijkt.
Dus hoe weet Booking.com welke opties ze moeten tonen?
Op een enigszins basaal niveau geven algoritmen voor machine learning een lijst van hotels op basis van invoer zoals locatie, beoordeling, prijs en voorzieningen.
De algoritmen houden ook rekening met beschikbare gegevens over de gebruiker, zoals hun neiging om bepaalde soorten accommodatie te boeken en of de reis voor zaken of plezier is.
Meer complexe machine learning wordt gebruikt om de platform resultaten tonen die uit vergelijkbare hotels bestaan.
Het zou onverstandig zijn als Booking.com 10 driesterrenhotels in Parijs voor dezelfde prijs op de eerste pagina van de resultaten vermeldt.
Om dit tegen te gaan, omvat machine learning aspecten van gedragseconomie, zoals de afweging tussen exploratie en exploitatie.
Het algoritme verzamelt ook gegevens over de gebruiker terwijl deze op zoek is naar een verblijfplaats.
Misschien besteden ze meer tijd aan het kijken naar gezinsvriendelijke hotels met een zwembad, of tonen ze een voorkeur voor een bed & breakfast in de buurt van de Eiffeltoren.
Een belangrijk maar soms over het hoofd gezien aspect van de Booking.com-website zijn de eigenaren en gastheren van de accommodatie.
Deze gebruikersgroep heeft zo zijn eigen belangen die soms botsen met vakantiegangers en het bedrijf zelf.
In het laatste geval zal machine learning een steeds belangrijkere rol gaan spelen in de relatie van Booking.com met zijn leveranciers en bij uitbreiding de levensvatbaarheid op lange termijn.
Booking.com is vandaag het hoogtepunt van 150 succesvolle klantgerichte machine learning-applicaties die zijn ontwikkeld door tientallen teams in het hele bedrijf.
Deze werden blootgesteld aan honderden miljoenen gebruikers en gevalideerd via gerandomiseerde maar gecontroleerde onderzoeken.
Het bedrijf concludeerde dat het iteratieve, op hypothesen gebaseerde proces, waarbij inspiratie werd gezocht bij andere disciplines, de sleutel was tot het succes van het initiatief.
Key afhaalrestaurants
Machine Learning Ops omvat een reeks best practices die organisaties helpen met het succesvol integreren van kunstmatige intelligentie.
Machine Learning Ops probeert de kloof tussen zorgvuldig geschreven code en onvoorspelbare real-world data aan te pakken. Door dit te doen, kan MLOps de efficiëntie van machine learning-releasecycli verbeteren.
De implementatie van Machine Learning Ops kan complex zijn en is daarom afhankelijk van input van veel verschillende belanghebbenden. Investeren in de juiste infrastructuur en focussen op automatisering zijn ook cruciaal.
AIOps is de toepassing van kunstmatige intelligentie op IT-operaties. Het is bijzonder nuttig geworden voor modern IT-beheer in gehybridiseerde, gedistribueerde en dynamische omgevingen. AIOps is een belangrijk operationeel onderdeel geworden van moderne digitale organisaties, gebouwd rond software en algoritmen.
Agile begon als een lichtgewicht ontwikkelingsmethode in vergelijking met zwaargewicht softwareontwikkeling, wat het kernparadigma is van de voorgaande decennia van softwareontwikkeling. In 2001 werd het Manifest voor Agile Software Development geboren als een reeks principes die het nieuwe paradigma voor softwareontwikkeling definieerden als een continue iteratie. Dit zou ook van invloed zijn op de manier van zakendoen.
Agile Program Management is een manier om onderling gerelateerd werk te beheren, plannen en coördineren op een zodanige manier dat waardelevering wordt benadrukt voor alle belangrijke belanghebbenden. Agile Program Management (AgilePgM) is een gedisciplineerde maar flexibele agile benadering voor het managen van transformationele verandering binnen een organisatie.
Agile projectmanagement (APM) is een strategie die grote projecten opdeelt in kleinere, beter beheersbare taken. In de APM-methodologie wordt elk project in kleine secties voltooid - vaak iteraties genoemd. Elke iteratie wordt voltooid volgens de levenscyclus van het project, te beginnen met de initiaal Design en vordert naar testen en vervolgens kwaliteitsborging.
Agile Modeling (AM) is een methodologie voor het modelleren en documenteren van op software gebaseerde systemen. Agile Modeling is van cruciaal belang voor de snelle en continue levering van software. Het is een verzameling waarden, principes en praktijken die leiden tot effectieve, lichtgewicht softwaremodellering.
Agile Business Analysis (AgileBA) is een certificering in de vorm van begeleiding en training voor bedrijfsanalisten die in agile omgevingen willen werken. Om deze verschuiving te ondersteunen, helpt AgileBA de bedrijfsanalist ook om Agile-projecten te relateren aan een bredere organisatie missie
or strategie. Om ervoor te zorgen dat analisten over de nodige vaardigheden en expertise beschikken, werd AgileBA-certificering ontwikkeld.
Agile leiderschap is de belichaming van agile manifestprincipes door een manager of managementteam. Agile leiderschap heeft invloed op twee belangrijke niveaus van een bedrijf. Het structurele niveau definieert de rollen, verantwoordelijkheden en key performance indicators. Het gedragsniveau beschrijft de acties die leiders aan anderen laten zien op basis van agile principes.
Bimodal Portfolio Management (BimodalPfM) helpt een organisatie bij het gelijktijdig beheren van zowel agile als traditionele portfolio's. Bimodal Portfolio Management - ook wel bimodale ontwikkeling genoemd - is bedacht door onderzoeks- en adviesbureau Gartner. Het bedrijf voerde aan dat veel agile organisaties nog steeds bepaalde aspecten van hun activiteiten moesten uitvoeren met behulp van traditionele leveringsmodellen.
Bedrijven innovatie gaat over het creëren van nieuwe kansen voor een organisatie om haar kernaanbod en inkomstenstromen opnieuw uit te vinden en de waarde voorstel voor bestaande of nieuwe klanten, waardoor het hele bedrijfsmodel wordt vernieuwd. Bedrijf innovatie veren door inzicht te krijgen in de structuur van de markt en zo op die veranderingen in te spelen of erop te anticiperen.
Bedrijfsmodel innovatie gaat over het vergroten van het succes van een organisatie met bestaande producten en technologieën door een overtuigende waarde voorstel in staat om een nieuwe voort te stuwen bedrijfsmodel klanten opschalen en een blijvend concurrentievoordeel creëren. En het begint allemaal met het beheersen van de belangrijkste klanten.
een consument merk een bedrijf als Procter & Gamble (P&G) definieert “constructieve verstoring” als: de bereidheid om te veranderen, aan te passen en nieuwe trends en technologieën te creëren die onze sector voor de toekomst zullen vormgeven. Volgens P&G draait het rond vier pijlers: lean innovatie, merk bouw, supply chain en digitalisering & data-analyse.
Dat is een proces dat een continue feedbacklus vereist om een waardevol product te ontwikkelen en een levensvatbaar bedrijfsmodel op te bouwen. continu innovatie is een mentaliteit waarbij producten en diensten worden ontworpen en geleverd om ze af te stemmen op het probleem van de klant en niet op de technische oplossing van de oprichters.
A Design sprint is een bewezen vijfdaags proces waarbij kritische zakelijke vragen worden beantwoord door snelle Design en prototyping, gericht op de eindgebruiker. EEN Design sprint begint met een wekelijkse uitdaging die moet eindigen met een prototype, test aan het einde, en dus een geleerde les om te herhalen.
Tim Brown, Executive Chair van IDEO, gedefinieerd Design denken als “een mensgerichte benadering van” innovatie die put uit de toolkit van de ontwerper om de behoeften van mensen, de mogelijkheden van technologie en de vereisten voor zakelijk succes te integreren.” Daarom zijn wenselijkheid, haalbaarheid en levensvatbaarheid in evenwicht om kritieke problemen op te lossen.
DevOps verwijst naar een reeks praktijken die worden uitgevoerd om geautomatiseerde softwareontwikkelingsprocessen uit te voeren. Het is een vervoeging van de term 'ontwikkeling' en 'operations' om te benadrukken hoe functies in IT-teams integreren. DevOps-strategieën bevorderen het naadloos bouwen, testen en implementeren van producten. Het is bedoeld om een brug te slaan tussen ontwikkelings- en operationele teams om de ontwikkeling volledig te stroomlijnen.
Productontdekking is een cruciaal onderdeel van agile-methodologieën, omdat het doel is ervoor te zorgen dat producten waar klanten van houden, worden gebouwd. Productontdekking omvat het leren door middel van een reeks methoden, waaronder: Design denken, lean start-up en A/B-testen om er maar een paar te noemen. Dual Track Agile is een agile methodiek die bestaat uit twee afzonderlijke sporen: de “discovery” track en de “delivery” track.
Feature-Driven Development is een pragmatisch softwareproces dat klant- en architectuurgericht is. Feature-Driven Development (FDD) is een flexibel softwareontwikkelingsmodel dat de workflow organiseert op basis van welke functies vervolgens moeten worden ontwikkeld.
eXtreme Programming is eind jaren negentig ontwikkeld door Ken Beck, Ron Jeffries en Ward Cunningham. Gedurende deze tijd werkte het trio aan het Chrysler Comprehensive Compensation System (C1990) om het salarissysteem van het bedrijf te helpen beheren. eXtreme Programming (XP) is een methode voor softwareontwikkeling. Het is ontworpen om de softwarekwaliteit en het vermogen van software om zich aan te passen aan veranderende klantbehoeften te verbeteren.
Het ICE-scoremodel is een agile methodologie die prioriteit geeft aan functies met behulp van gegevens op basis van drie componenten: impact, vertrouwen en implementatiegemak. Het ICE-scoremodel is oorspronkelijk gemaakt door auteur en groei expert Sean Ellis om bedrijven te helpen uitbreiden. Tegenwoordig wordt het model veel gebruikt om prioriteit te geven aan projecten, functies, initiatieven en uitrol. Het is bij uitstek geschikt voor productontwikkeling in een vroeg stadium waar er een continue stroom van ideeën is en het momentum moet worden behouden.
An innovatie trechter is een hulpmiddel of proces dat ervoor zorgt dat alleen de beste ideeën worden uitgevoerd. In metaforische zin screent de trechter innovatieve ideeën op levensvatbaarheid, zodat alleen de beste producten, processen of bedrijfsmodellen worden op de markt gebracht. Een innovatie funnel biedt een kader voor het screenen en testen van innovatieve ideeën voor levensvatbaarheid.
Afhankelijk van hoe goed het probleem is gedefinieerd en hoe goed het domein is gedefinieerd, hebben we vier hoofdtypen innovaties: fundamenteel onderzoek (probleem en domein of niet goed gedefinieerd); doorbraak innovatie (domein is niet goed gedefinieerd, het probleem is goed gedefinieerd); in stand houden innovatie (zowel probleem als domein zijn goed gedefinieerd); en storend innovatie (domein is goed gedefinieerd, het probleem is niet goed gedefinieerd).
De innovatie loop is een methodologie/raamwerk afgeleid van de Bell Labs, die produceerde innovatie op schaal gedurende de 20e eeuw. Ze leerden hoe ze een hybride konden gebruiken innovatie managementmodel gebaseerd op wetenschap, uitvindingen, engineering en productie op schaal. Door gebruik te maken van individuele genialiteit, creativiteit en kleine/grote groepen.
De Agile-methodologie is in de eerste plaats bedacht voor softwareontwikkeling (en andere bedrijfsdisciplines hebben deze ook overgenomen). Lean denken is een procesverbeteringstechniek waarbij teams prioriteit geven aan de waardestromen om deze continu te verbeteren. Beide methodieken beschouwen de klant als de belangrijkste drijfveer voor verbetering en afvalvermindering. Beide methodieken zien verbetering als iets continus.
Een startend bedrijf is een hightechbedrijf dat probeert een schaalbare bedrijfsmodel in technologiegedreven industrieën. Een startend bedrijf volgt meestal een lean-methodologie, waarbij continu innovatie, aangedreven door ingebouwde virale lussen is de regel. Dus rijden groei en bouwen netwerk effecten als gevolg hiervan strategie.
Kanban is een lean manufacturing-raamwerk dat voor het eerst werd ontwikkeld door Toyota aan het eind van de jaren veertig. Het Kanban-framework is een middel om werk te visualiseren terwijl het zich voortzet door mogelijke knelpunten te identificeren. Het doet dat via een proces dat just-in-time (JIT)-productie wordt genoemd om engineeringprocessen te optimaliseren, productieproducten te versnellen en de go-to-market te verbeteren strategie.
RAD werd voor het eerst geïntroduceerd door auteur en adviseur James Martin in 1991. Martin erkende en profiteerde vervolgens van de eindeloze maakbaarheid van software bij het ontwerpen van ontwikkelingsmodellen. Rapid Application Development (RAD) is een methodologie die zich richt op snelle levering door continue feedback en frequente iteraties.
Scaled Agile Lean Development (ScALeD) helpt bedrijven bij het ontdekken van een evenwichtige benadering van agile transitie- en schaalvragen. De ScALed-aanpak helpt bedrijven succesvol in te spelen op veranderingen. Geïnspireerd door een combinatie van lean en agile waarden, is ScALed praktijkgericht en kan worden voltooid via verschillende agile kaders en praktijken.
Het Spotify-model is een autonome benadering om agile op te schalen, gericht op cultuurcommunicatie, verantwoording en kwaliteit. Het Spotify-model werd voor het eerst erkend in 2012 nadat Henrik Kniberg en Anders Ivarsson een witboek uitbracht waarin werd beschreven hoe streamingbedrijf Spotify wendbaarheid benaderde. Daarom vertegenwoordigt het Spotify-model een evolutie van agile.
Zoals de naam al doet vermoeden, is TDD een testgestuurde techniek om snel en duurzaam hoogwaardige software te leveren. Het is een iteratieve benadering gebaseerd op het idee dat een falende test moet worden geschreven voordat er code voor een functie of functie wordt geschreven. Test-Driven Development (TDD) is een benadering van softwareontwikkeling die is gebaseerd op zeer korte ontwikkelingscycli.
Timeboxing is een eenvoudige maar krachtige techniek voor tijdbeheer om de productiviteit te verbeteren. Timeboxing beschrijft het proces van proactief plannen van een tijdsblok om in de toekomst aan een taak te besteden. Het werd voor het eerst beschreven door auteur James Martin in een boek over agile softwareontwikkeling.
Scrum is een methodologie die mede is ontwikkeld door Ken Schwaber en Jeff Sutherland voor effectieve teamsamenwerking bij complexe producten. Scrum werd in de eerste plaats bedacht voor softwareontwikkelingsprojecten om elke 2-4 weken nieuwe softwaremogelijkheden te leveren. Het is een subgroep van agile die ook wordt gebruikt in projectbeheer om de productiviteit van startups te verbeteren.
Scrumban is een projectmanagementraamwerk dat een hybride is van twee populaire agile-methodologieën: Scrum en Kanban. Scrumban is een populaire benadering om bedrijven te helpen zich te concentreren op de juiste strategische taken en tegelijkertijd hun processen te versterken.
Scrum-antipatronen beschrijven elke aantrekkelijke, eenvoudig te implementeren oplossing die een probleem uiteindelijk erger maakt. Daarom zijn dit de gewoonte die u niet moet volgen om te voorkomen dat er problemen ontstaan. Enkele klassieke voorbeelden van scrum-antipatronen zijn afwezige producteigenaren, vooraf toegewezen tickets (waardoor individuen geïsoleerd werken) en kortingen achteraf (waarbij beoordelingsbijeenkomsten niet nuttig zijn om echt verbeteringen aan te brengen).
Scrum op schaal (Scrum@Scale) is een raamwerk dat Scrum-teams gebruiken om complexe problemen aan te pakken en hoogwaardige producten te leveren. Scrum op schaal is tot stand gekomen door een joint venture tussen de Scrum Alliance en Scrum Inc. De joint venture stond onder toezicht van Jeff Sutherland, een mede-maker van Scrum en een van de belangrijkste auteurs van het Agile Manifesto.
Stretch-doelstellingen beschrijven elke taak die een agile team van plan is te voltooien zonder zich uitdrukkelijk te verplichten dit te doen. Teams nemen stretch-doelstellingen op tijdens een Sprint of Program Increment (PI) als onderdeel van Scaled Agile. Ze worden gebruikt wanneer het agile team niet zeker is van zijn capaciteit om een doel te bereiken. Daarom zijn stretch-doelstellingen in plaats daarvan resultaten die, hoewel uiterst wenselijk, niet het verschil zijn tussen het succes of falen van elke sprint.
Het watervalmodel werd voor het eerst beschreven door Herbert D. Benington in 1956 tijdens een presentatie over de software die werd gebruikt in radarbeeldvorming tijdens de Koude Oorlog. Omdat er op dat moment geen kennisgebaseerde, creatieve softwareontwikkelingsstrategieën waren, werd de watervalmethode de standaardpraktijk. Het watervalmodel is een lineair en sequentieel projectmanagementraamwerk.
Gennaro is de maker van FourWeekMBA, die alleen al in 2022 ongeveer vier miljoen zakenmensen bereikte, bestaande uit C-level executives, investeerders, analisten, productmanagers en aspirant-digitale ondernemers | Hij is ook Director of Sales voor een hightech scale-up in de AI-industrie | In 2012 behaalde Gennaro een International MBA met de nadruk op Corporate Finance en Business Strategy.
