論文の概要: Data Management Challenges in Agile Software Projects: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2402.00462v1
• Date: Thu, 1 Feb 2024 10:07:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-02 15:51:11.734556
• Title: Data Management Challenges in Agile Software Projects: A Systematic Literature Review
• Title（参考訳）: アジャイルソフトウェアプロジェクトにおけるデータ管理の課題: 体系的な文献レビュー
• Authors: Ahmed Fawzy, Amjed Tahir, Matthias Galster, Peng Liang
• Abstract要約: アジャイルソフトウェア開発におけるデータ管理に関する45の研究を特定します。 主な課題は、データ統合と品質保証である。 断片化されたデータ収集と標準化されたプラクティスの欠如は、チームのコラボレーションとプロジェクトの透明性を妨げる。
• 参考スコア（独自算出の注目度）: 4.867237467196846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agile software development follows an adaptive and iterative approach. However, the management of data (e.g., development data or product data) can pose significant challenges for projects and agile teams. We aim to identify and characterize key challenges faced in data management within agile projects and to examine potential solutions proposed in the literature. We used a Systematic Literature Review (SLR) to collect and analyse relevant studies. We identified 45 studies related to data management in agile software development. We then manually analysed and mapped data from these studies to categorise different data management aspects and identify challenges and solutions as identified in those studies. Our findings reveal major challenges such as data integration and quality assurance. We found implications of challenges on team members and the product delivery process. We found that teams frequently struggle to integrate heterogeneous data sources, ensuring data reliability and real-time analytics. Additionally, fragmented data collection and a lack of standardized practices can impede team collaboration and project transparency. The studies have also proposed various solutions to address those challenges, including the use of ontologies, diverse data management strategies, automated tools, and the adoption of quality-focused development methods. Solutions also include training to enhance data quality and analysis. This SLR provides in-depth insights and recommendations for practitioners, emphasizing the importance of robust data management strategies. It suggests integrating advanced data management techniques into agile frameworks to enhance decision-making and improve software project outcomes. The study highlights the need for a more focused approach to data management in agile environments, advocating tailored solutions to meet the unique demands of agile software development.
• Abstract（参考訳）: アジャイルソフトウェア開発は適応的で反復的なアプローチに従う。 しかしながら、データ管理(開発データや製品データなど)は、プロジェクトやアジャイルチームにとって大きな課題となる可能性がある。 私たちは、アジャイルプロジェクトにおけるデータ管理において直面する重要な課題を特定し、特徴付けし、文献で提案される潜在的な解決策を検討することを目的としています。 関連研究の収集と分析には,SLR(Systematic Literature Review)を用いた。 アジャイルソフトウェア開発におけるデータ管理に関する45の研究を明らかにした。 次に、これらの研究から得られたデータを手動で分析、マッピングし、異なるデータ管理の側面を分類し、これらの研究で特定された課題と解決策を特定する。 その結果,データ統合や品質保証といった大きな課題が明らかになった。 チームメンバーと製品提供プロセスに課題があることが分かりました。 チームは異種データソースの統合にしばしば苦労し、データの信頼性とリアルタイム分析を保証しています。 さらに、断片化されたデータ収集と標準化されたプラクティスの欠如は、チームのコラボレーションとプロジェクトの透明性を妨げる可能性がある。 また、オントロジーの使用、多様なデータ管理戦略、自動化ツール、品質を重視した開発手法の採用など、これらの課題に対処するための様々なソリューションも提案されている。 データ品質と分析を強化するトレーニングも含まれる。 このSLRは実践者に対して深い洞察とレコメンデーションを提供し、堅牢なデータ管理戦略の重要性を強調します。 意思決定を強化し、ソフトウェアプロジェクトの成果を改善するために、高度なデータ管理技術をアジャイルフレームワークに統合することを提案する。 この研究は、アジャイル環境でのデータ管理にもっと焦点を絞ったアプローチの必要性を強調しており、アジャイルソフトウェア開発のユニークな要求を満たすために調整されたソリューションを提唱している。

関連論文リスト

• Deploying Large Language Models With Retrieval Augmented Generation [0.21485350418225244]
  Retrieval Augmented Generationは、大規模言語モデルのトレーニングセット外のデータソースからの知識を統合するための重要なアプローチとして登場した。 本稿では,LLMとRAGを統合して情報検索を行うパイロットプロジェクトの開発とフィールドテストから得られた知見について述べる。
  論文  参考訳（メタデータ） (2024-11-07T22:11:51Z)
• A Systematic Review of NeurIPS Dataset Management Practices [7.974245534539289]
  我々はNeurIPSトラックで公開されたデータセットの体系的なレビューを行い、証明、配布、倫理的開示、ライセンスの4つの重要な側面に焦点を当てる。 この結果から, データセットの出現は不明瞭なフィルタリングやキュレーションのプロセスのため, しばしば不明瞭であることが明らかとなった。 これらの矛盾は、データセットの公開と管理のための標準化されたデータインフラストラクチャーの緊急の必要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2024-10-31T23:55:41Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Data-Centric AI in the Age of Large Language Models [51.20451986068925]
  本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。 本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。 データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
  論文  参考訳（メタデータ） (2024-06-20T16:34:07Z)
• AIOps Solutions for Incident Management: Technical Guidelines and A Comprehensive Literature Review [0.29998889086656577]
  本研究では,AIOpsの用語と分類について提案し,構造化されたインシデント管理手順を確立し,AIOpsフレームワークを構築するためのガイドラインを提供する。 目標は、インシデント管理のためのAIOpsの技術的および研究的な側面の包括的なレビューを提供することであり、知識を構造化し、ギャップを特定し、この分野における将来の発展の基礎を確立することを目的としている。
  論文  参考訳（メタデータ） (2024-04-01T17:32:22Z)
• An Empirical Study of Challenges in Machine Learning Asset Management [15.07444988262748]
  既存の研究にもかかわらず、モデルバージョニングやデータトレーサビリティ、コラボレーションといった運用上の課題には、大きな知識ギャップが残っている。 本研究の目的は,開発者フォーラムやプラットフォームから15,065件の投稿を分析し,このギャップに対処することである。 ソフトウェア依存性、モデルデプロイメント、モデルトレーニングが最も議論されている16のマクロトピックにグループ化された、資産管理の課題に関連する133のトピックを明らかにしました。
  論文  参考訳（メタデータ） (2024-02-25T05:05:52Z)
• Data Management For Training Large Language Models: A Survey [64.18200694790787]
  大規模言語モデル(LLM)のトレーニングにおいて、データは基本的な役割を果たす 本調査は,LLMの事前学習および微調整段階におけるデータ管理の現状を概観するものである。
  論文  参考訳（メタデータ） (2023-12-04T07:42:16Z)
• Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
  まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。 次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。 提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-22T22:15:17Z)
• Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data Programming [77.38174112525168]
  私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
  論文  参考訳（メタデータ） (2022-03-02T19:57:32Z)
• Scaling up Search Engine Audits: Practical Insights for Algorithm Auditing [68.8204255655161]
  異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。 複数のデータ収集にまたがる研究インフラの性能を実証する。 仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
  論文  参考訳（メタデータ） (2021-06-10T15:49:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。