为工业物联网提供动力
|
了缩短部署的交付时间，我们必须减小批量大小。不建议使用长期存在的功能分支。如果我们尽早集成并且以较小的增量部署软件，则可以获得更快的反馈。如果我们继续减小批处理的大小，我们最终将达到单件流，其中每次提交都会流经整个软件开发价值流。一旦所有自动检查都通过，更改将最终投入生产。 能够实现这一目标的团队将利用基于主干的开发，持续集成，持续交付和持续部署等实践。他们在测试自动化方面进行了投资，并为低风险版本设计了他们的软件。他们还组织了自己，以使所需的移交次数最小化。交接需要沟通和协调。不幸的是，即使在最好的情况下，一些知识也会丢失。这是一个潜在的错误点，错误可能蔓延，工作可能堆积起来，从而中断流程并增加部署提前期。 1.2消除约束 不断发现和消除我们工作中的限制是提高产量和减少交货时间的关键。Goldratt博士在《超越目标：约束理论》中指出
技术价值流的一个例子是环境创造。如果建立测试环境需要花费数小时，那么在价值流中进行的任何改进工作都是一种幻想。 样的想法适用于软件开发。但是，我们正在处理代码，而不是机械和车身面板。对版本控制的每次提交都会增加软件开发价值流中的批处理大小。
一个典型的例子是年度生产部署计划。如果每年进行一次部署，则批处理量很大。一步就可以部署一年。与汽车厂类似，如果出现任何问题，则必须将整个批次回退。然后必须付出更多的努力来重做被认为已完成的工作。而且要发现并解决导致部署失败的问题，例如6个月前，就具有挑战性。 DevOps的第一种方式是通过组织中各个职能领域（从收集需求到生产中的软件运维）创建平衡稳定的工作流程。重点放在整个系统的全局目标上，而不是单个部门的局部目标上。为了使概念更清晰，让我们看几个关键要点。 1.1减少批次大小 进行中（WIP）是已开始但尚未完成的工作量。大量在制品是多任务处理的标志，并且会阻碍工作流程。为了限制在制品，我们应该减小批量大小。这个想法源于精益制造。大批量生产零件在制造业中很常见。设置新机器并在工作之间切换既昂贵又费时。因此，在设置好机械之后，尽可能多地制造零件被认为是可行的。
例如，一家汽车生产厂将生产大量的车身面板以减少转换次数。但是，这会产生大量的WIP。工作流程的可变性在整个制造工厂中级联，从而导致更长的交货时间。想象一下，如果在组装汽车时在车身面板上发现缺陷，会发生什么？最有可能的是，整个批次必须被丢弃和再生产。批量生产会延迟反馈，如果出现错误，则必须重做更多工作。 另外，由于编码和网络带宽等因素，会导致视频卡顿、视频画面模糊等问题，无法实现视频的智能化分析。深度学习技术只能保证设备制造过程中的学习，并且不能保证实时进一步研究和分析所收集的图像。 再加之早期的智能化工程中，智能分析技术并不成熟，多为单场景地对目标进行检测和对目标行为的分析，这种单场景的分析一般对视频内容的理解能力偏弱，针对大范围场景的关联行为分析比较少，没有较多的有效经验来支撑异常分析，以及对风险做预测。 因此，想要解决这些问题，那么一个相对而言更加“严苛”的环境则是必要的。那么我们也可以到的这样一个类比，如果将人工智能比作矿石，那么落地安防行业便是初步的熔炼打磨，若想成钢，更加严苛的淬打必不可少。这样就是为何在资本的眼里，未来谁掌握了自动驾驶的核心技术，谁就有人工智能发展的核心钥匙。 结语 归根到底，自动驾驶车路协同方案的技术底层是车辆的智能化、网联化。 综合采用5G、物联网、大数据、云计算等数据，有助于构建起智慧交通体系，促进汽车和交通服务新业态的出现，对于提高车辆通行效率、提高公共交通资源配置效率大有助益。
不仅于此，在自动驾驶行业中历练而出的人工智能也有望于反哺安防行业，让人们的日常安全更上层楼。 （编辑：保山站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
