当敏捷开发遇上AI

  每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/

多年来，敏捷软件开发一直被视为一种高效的方式来交付业务所需的软件。这种实践在许多组织中已经运作了二十多年，并且也是Scrum、DevOps等协作实践的基础。然而，敏捷方法在人工智能（AI）设计和实施中的效果可能并不理想。

根据全球政策智库兰德公司（RAND Corporation）最近的一份报告，敏捷开发可能成为AI项目成功的障碍。这项研究基于对65位拥有至少五年AI和机器学习模型开发经验的数据科学家和工程师的采访，最初是为美国国防部进行的，并于2024年4月完成。报告的共同作者，兰德公司的高级技术政策分析师James Ryseff指出，AI项目常常陷入困境，甚至无法启动。

有趣的是，许多AI专家认为正式的敏捷软件开发实践会阻碍AI项目的成功。研究发现，受访者中有不少人认为，敏捷开发过程中一些严格的解释并不适用于AI项目。尽管敏捷软件运动的初衷并不是要发展出僵化的流程，但许多组织却要求其工程团队普遍遵循相同的敏捷流程。结果，某些工作任务要么在下一次冲刺中重新开启，要么被缩减得极其小而变得毫无意义，难以适应一到两周的冲刺周期。尤其是AI项目需要一个不确定时间的数据探索和实验阶段，这与敏捷开发的节奏并不匹配。

兰德的研究还提出了其他可能限制AI项目成功的因素。尽管IT项目的失败已被广泛记录，但AI项目的失败具有不同的特征，如昂贵的劳动力和资本需求、高算法复杂性等，使其不同于传统的信息系统。此外，AI项目的高知名度可能增加利益相关者想要了解项目风险驱动因素的愿望。

研究团队指出，AI项目失败的主要原因包括：行业利益相关者对AI要解决的问题理解不清或沟通不畅；组织缺乏训练有效AI模型所需的数据；过度关注最新技术而忽视了解决实际问题；基础设施不足以管理数据和部署AI模型；以及技术应用于AI难以解决的复杂问题。AI并不是万能的，有些困难的问题，即使是最先进的AI模型也无法自动解决。

尽管正式的敏捷实践可能过于繁琐，但IT和数据专业人员仍需要与业务用户保持开放的沟通。受访者建议，技术团队应经常与业务合作伙伴沟通项目的状态，而不是盲目采用现有的软件工程流程。开放的沟通不仅有助于建立信任，还能增加项目成功的可能性。

兰德团队还建议选择“持久性问题”，并在启动AI项目之前，准备好至少一年时间来解决特定问题。如果一个AI项目不值得这种长期承诺，那么可能根本不值得开始。此外，虽然专注于业务问题而非技术解决方案至关重要，但组织也必须在支持AI工作的基础设施上进行投资。