Lições do MURCS: Explorando a conexão entre Scrum e Machine Learning

O aprendizado de máquina é um campo que depende fortemente de pesquisa e experimentação empírica. Mas você sabia que essa mesma abordagem também pode ser vista em um experimento simples envolvendo uma pequena criatura preta (Spooky Spider) com duas pernas que decidi chamar de Murcs?

O principal objetivo de Murcs é subir mais alto e deve aprender como fazê-lo por tentativa e erro. Este processo de escalada é baseado em conhecer a configuração específica na qual dobrar cada perna para subir com sucesso. Por meio de repetidas tentativas, Murcs acaba descobrindo a configuração correta que o permite subir mais alto, levando a uma maior ''inteligência'' e adaptabilidade a novos desafios.

Existem maneiras finitas, mas numerosas, pelas quais Murcs pode dobrar as pernas para subir mais alto, mas há ainda mais maneiras que levam à queda de Murcs. Afinal, o Murcs é apenas um software que não pode saber nada além do que seus criadores dizem. Infelizmente, seus criadores apenas o ensinaram a dobrar as pernas e deram a ele uma métrica de sucesso; nesse caso, a métrica de sucesso de Murcs é bem simples, quanto mais alto você sobe, melhor você se sai. O pobre Murcs agora tem que tentar uma a uma cada configuração possível que pode dobrar as pernas e, após cada tentativa, avaliar-se usando a métrica de sucesso. Cada descoberta é recompensada com uma pontuação em uma escala de 10 (onde 0 é a pior e 10 é a melhor). Felizmente, Murcs tem uma memória muito boa e pode lembrar quais configurações de dobrar as pernas rendem melhores pontuações. Agora,

Se você ler o nome do MURCS da direita para a esquerda, ele diz scrum e, além de ser um simples jogo de palavras, vou usá-lo para falar sobre as semelhanças entre o framework scrum e o aprendizado de máquina.

1. Processos iterativos baseados em feedback

2. Fortes ênfases na adaptação e flexibilidade durante a tomada de decisões

Grandes conjuntos de dados sujeitos a alterações ao longo do tempo são frequentemente usados ​​para treinar modelos de aprendizado de máquina. Os engenheiros de aprendizado de máquina devem, portanto, ser versáteis e ágeis em sua abordagem para a criação e o retreinamento de modelos. O habitat natural da equipe scrum envolve ajustar o ambiente e as prioridades com base na experiência específica e na lógica de negócios. Há um número exato de cerimônias disponíveis para isso, todas servindo para garantir transparência, fiscalização e adequação. Assim, o grau em que o trabalho atual corresponde ao objetivo preciso do sprint e à definição de feito é continuamente avaliado, e os resultados são rapidamente incorporados no menor espaço de tempo.

3. Pratique a divisão de tarefas complexas em partes menores

A metodologia Scrum abrange o poder do progresso incremental e dos ciclos de feedback iterativos, que, em última análise, levam à entrega de funcionalidade de ponta a ponta em tamanho reduzido. Apesar do curto período de tempo de 2 a 4 semanas, comumente chamado de sprint, o Scrum divide as tarefas em unidades ainda menores de histórias de usuários, capazes de serem concluídas em um único dia. Essa abordagem refinada promove um fluxo de trabalho simplificado e permite que a equipe se concentre na entrega de resultados de alta qualidade de maneira oportuna e eficiente. Da mesma forma, no domínio do aprendizado de máquina, os processos de preparação de dados podem ser comparados a um mosaico, com vários componentes menores, como limpeza, transformação de dados e aumento de dados, reunidos para criar uma obra-prima. Ao dividir essas tarefas maiores em tarefas menores,

4. Importância dos experimentos durante o aprendizado contínuo e o processo de capacitação

Tanto no mundo do scrum quanto no aprendizado de máquina, a chave para o sucesso está em uma busca incansável por inovação e melhoria. Por meio do processo de conduzir experimentos, testar hipóteses e validar suposições, as equipes podem obter insights valiosos e aprender com situações práticas. Em cada retrospectiva de sprint, as equipes abraçam os desafios e as lições encontradas ao longo do caminho, transformando-os em oportunidades de crescimento e melhoria. Além disso, equipes multifuncionais e autogerenciáveis ​​garantem que todas as áreas de especialização sejam representadas e que todos possam contribuir com suas perspectivas e habilidades únicas. Essa abordagem colaborativa promove a criatividade e a inovação e, em última análise, leva a soluções mais eficazes e eficientes.

5. E, claro, o empirismo - a base de todos eles

É evidente que tanto o ML quanto a estrutura Scrum são fundamentados nos princípios do empirismo. Além disso, podemos traçar um paralelo com o campo da psicologia, onde o comportamento seguido de consequências positivas tem maior probabilidade de ser repetido, enquanto o comportamento seguido de consequências negativas é menos provável. Este é o conceito fundamental do condicionamento operante, que foi introduzido pelo psicólogo americano BF Skinner em meados do século XX. No aprendizado de máquina, observamos um processo semelhante de aprendizado por meio de recompensas e punições, chamado de aprendizado por reforço. Por exemplo, o MURCS pode ser recompensado com 10 pontos no caso de comportamento “correto” e usa esse feedback para determinar se está se movendo na direção certa em direção ao seu objetivo. Ao configurar suas ações com base nesse sistema de recompensas, O MURCS consegue atingir seu objetivo e seguir em frente. Isso também pode ser usado como uma ótima ilustração para a estrutura scrum, porque aprender com a experiência conhecida como empirismo é seu princípio fundamental, juntamente com outros princípios, como pensamento Lean, redução de desperdício e foco no essencial.

Para resumir, o aprendizado de máquina e a estrutura Scrum estão se movendo em conjunto em direção a uma meta compartilhada de progresso e inovação. A cada passo, eles aprendem com o passado, ajustam-se ao presente e se preparam para o futuro. E as semelhanças mencionadas acima demonstram que ambos compartilham um foco comum na melhoria contínua, colaboração e uso de feedback empírico para impulsionar o progresso e melhorar o desempenho e os resultados. Portanto, para o autor, que adora experimentar e é um defensor ativo de uma mentalidade de crescimento, esta é uma bela exibição de cooperação, coordenação e exploração enquanto eles (ML e Scrum) navegam juntos em direção a produtos com redução de desperdício e valor e processos.