Agile Management for Machine Learning: A Systematic Mapping Study

Diese systematische Kartierungsstudie untersucht die Integration agiler Managementpraktiken mit der Entwicklung von maschinellem Lernen (ML) und hebt die einzigartigen Herausforderungen und maßgeschneiderten Ansätze in diesem sich entwickelnden Bereich hervor. Die Studie identifiziert acht zentrale agile Managementansätze, die an ML-fähige Systeme angepasst sind, darunter Iterationsflexibilität, ML-spezifische Artefakte und entkoppelte Zeremonien. Außerdem werden drei zentrale Herausforderungen aufgezeigt: Sprintplanung und -abschätzung, methodische und strategische Ausrichtungsdefizite sowie ethische Überlegungen. Die Forschungsergebnisse zeigen, dass sich hybride Ansätze herausbilden, um die Lücke zwischen agilen Methoden und ML-Workflows zu überbrücken, wobei ein wesentlicher Schwerpunkt darauf liegt, iterative agile Praktiken mit der sequenziellen Natur von ML-Aufgaben in Einklang zu bringen. Darüber hinaus unterstreicht die Studie die Notwendigkeit einer verbesserten Zusammenarbeit und Abstimmung zwischen ML-Teams und Geschäftspartnern sowie der Operationalisierung ethischer Überlegungen innerhalb der agilen ML-Entwicklung. Durch die Abbildung des Standes des agilen Managements für ML-gestützte Systeme bietet diese Studie einen umfassenden Überblick über die aktuelle Landschaft, identifiziert zentrale Forschungslücken und lädt zu weiteren Untersuchungen in diesem dynamischen Schnittpunkt zwischen agilen und ML-Praktiken ein.