架构中保障交付关键动作之降低不确定性

这篇具有很好参考价值的文章主要介绍了架构中保障交付关键动作之降低不确定性。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

不确定性的来源有多个方面。首先是目标的不确定性。这主要是赞助方对目标的不确定而导致的。

第二是资源的不确定性。这是互联网时代架构师所面临的最大挑战。无论是国内还是国外的互联网企业,往往通过类似于虚拟机超卖的方案去刺激团队的产出。

企业往往会同时有多项研发活动,而企业的整体研发资源不足以完成分配给所有研发活动的任务。那么架构师就必须在有限的研发资源池里争抢份额,以保障架构活动的交付。

两个生存法则是必要条件:确保架构活动的目标正确,以及最大化项目的商业价值。这是王道。当然,还有其他法则要遵守。

比如尊重人性,发掘参与者的利益诉求,最大化参与者的个人投入度。否则当架构目标与参与者个人及其团队利益并不完全一致时,就需要投入额外的激励来保障他们的投入度。

除技术资源外,还有运营资源、办公环境等等也是有限的资源,我们需要与合作的项目经理来保障这些资源是充足的。项目上线后,相关功能在多个场景下的入口流量保障(首页、搜索、推荐、大促承接页、详情页等),对于项目的成败也至关重要。

其实在互联网的研发环境下,只要是有限的资源,最终都会变成稀缺资源。发布窗口、物理机、计算资源、算法、A/B 测试,都可能成为意想不到的交付障碍。就像协调多数人参与的时间窗口资源,经常是大企业里架构项目的瓶颈。

第三,商业与技术环境的不确定性。最好的办法就是在缩短阶段性交付周期的同时,增加技术方案的抽象性。缩短阶段性交付周期,怎么理解呢?在一个大项目的初期,无论是架构师还是其他参与者,对项目的理解都比较有限。如果把架构活动拆分成多个阶段性的交付点,在线上看反馈。那么我们就可以根据线上数据来看商业或技术环境变化对架构目标、商业效果的影响,而不是凭空猜测。

增加技术方案的抽象性,指的是尽量提升 API 设计对技术选型的鲁棒性,也就是提升接口和模型设计的抽象性。那么在之后的交付阶段,我们就能对次优的技术选型做更正或者升级。

第四,用户需求的不确定性。指用户需求与我们的期望不一致,或者用户需求随着时间发生了较大变化。

应对方案除了从人性出发的设计思考外,还可以基于增量价值来交付单元。通过线上用户的真实行为来判断用户需求是否与之前的调研一致,同时根据预期行为偏差和效果分析,来决定是否需要对用户体验做出调整。

除了上述因素外,还有文化环境、组织结构等其他不确定性因素存在,不过它们很少在架构活动期间发生巨大变化,我们就不需要做相应的应对策略了。

此文章为5月Day3 学习笔记,内容来源于极客时间《郭东白的架构课》,推荐该课程。文章来源地址https://www.toymoban.com/news/detail-433148.html

到了这里,关于架构中保障交付关键动作之降低不确定性的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 一种融合偶然和认知不确定性的贝叶斯深度学习RUL框架

    _ 原文: _ 《《A Bayesian Deep Learning RUL Framework Integrating Epistemic and Aleatoric Uncertainties》 _ 作者 __ : _ Gaoyang Lia,Li Yangb,Chi-Guhn Leec,Xiaohua Wangd,Mingzhe Ronge _ 作者单位: _ _a. School of Electrical Engineering, State Key Laboratory of Electrical Insulation and Power Equipment, Xi’an Jiaotong University _ b. B

    2024年02月08日
    浏览(48)
  • 【人工智能的数学基础】深度学习中的不确定性(Uncertainty)

    使用贝叶斯深度学习建模深度学习中的不确定性. paper:What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision? 现有的深度学习方法大多只能给出特定的预测结果,而不能给出结果的不确定性程度。 深度学习中输出结果的不确定性主要有两种: 偶然不确定性 是由数据中的

    2024年02月07日
    浏览(56)
  • 人工智能_不确定性推理(5,证据理论 6,模糊推理方法 7,模糊控制)

    4.5 证据理论 证据理论(theory of evidence):又称D一S理论,是德普斯特(APDempster)首先提出,沙佛(GShafer)进一步发展起来的一种处理不确定性的理论 D-S证据推理针对的是6分不清”或“不知道”这样的不确定性; 1981年巴纳特(JABarnett)把该理论引入专家系统中,同年卡威(JGarvey)等人用它

    2024年02月03日
    浏览(40)
  • 考虑多能负荷不确定性的区域综合能源系统鲁棒规划(Python代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Python代码、数据、文章

    2024年02月05日
    浏览(43)
  • 利用Excel的LINEST计算线性拟合的斜率和截距的不确定性

      利用熟悉的Excel绘图功能,可以根据距离-高程散点数据拟合线性趋势线,如图1显示(河流阶地地形数据)。趋势线按如下方式插入:右击图表上的数据,添加趋势线,在图表上显示方程和 R 2 R^2 R 2 值。然而,趋势线函数并没有给出与线性拟合的斜率和截距相关的方差值

    2024年02月09日
    浏览(61)
  • 【英】考虑多能负荷不确定性的区域综合能源系统鲁棒规划(Matlab&Python代码)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Python代码、数据、文章

    2024年02月04日
    浏览(60)
  • 视频讲解|考虑源荷两侧不确定性的含风电电力系统低碳调度

    目录 1 主要内容 2 讲解视频 本次程序讲解对应 程序链接 考虑源荷两侧不确定性的含风电电力系统低碳调度,主要实现了基于模糊机会约束的源荷两侧不确定性对含风电电力系统低碳调度的影响,将源荷不确定性采用清晰等价类进行处理。部分讲解重点整理如下: 见下方联系

    2024年02月07日
    浏览(46)
  • 基于R语言的Meta分析【全流程、不确定性分析】方法与Meta机器学习高级应用

    查看原文 【案例教程】基于R语言的Meta分析【全流程、不确定性分析】方法与Meta机器学习高级应用 Meta分析 是针对某一科研问题,根据明确的搜索策略、选择筛选文献标准、采用严格的评价方法,对来源不同的研究成果进行收集、合并及定量统计分析的方法,最早出现于“循

    2024年02月07日
    浏览(59)
  • 基于线性准则的考虑风力发电不确定性的分布鲁棒优化机组组合(Matlab代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码及文章讲解

    2024年02月12日
    浏览(197)
  • 论文精读:关于不确定性校准的mixup陷阱(On the Pitfall of Mixup for Uncertainty Calibration)

    对于一个样本 ((x_i,y_i)) ,将其与另一个样本 ((x_j,y_j)) 混合: [begin{aligned}tilde{x}_i = lambda x_i + (1-lambda)x_j, \\\\tilde{y}_i = lambda y_i + (1-lambda)y_j,end{aligned}tag{1}] 其中 (lambda) 采样于Beta(α,α),α0,j采样于Uniform([n]),n为数据集大小。 Mixup是一种线性插值的数据增强,由于其

    2024年03月09日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包