5_2021: Agile e Data Science

Cosa succederebbe invece se data scientists e ingegneri questa tensione interna e imparare non solo a gestirla, collaborassero fin dall’inizio? I data scientists potrebbero ma anche a sfruttarla per creare una squadra più coesa contare su un supporto costante per produrre codice e affiatata. “ingegnerizzato” e “production ready” in qualsiasi fase del processo di sviluppo. Allo stesso tempo gli ingegneri In particolare, ho impostato il lavoro del team maturerebbero una comprensione più profonda del seguendo due linee guida: i principi Lean e il modello problema e potrebbero proporre soluzioni tecniche Leader-Leader. Proporre la metodologia Lean è stato ottimali per coadiuvare tale processo. Ad esempio, se relativamente facile in quanto già parte della cultura un ingegnere venisse coinvolto da subito nella scelta aziendale. Come riferimento, Lean si fonda su cinque del modello, potrebbe identificare per tempo problemi principi: identificare il valore, mappare il valore, gestire di implementazione e lavorare insieme al data scientist il flusso del valore, tirare il valore, e infine ricercare per apportare le opportune modifiche, o anche scegliere la perfezione. Nelle interazioni tra i data scientists un modello leggermente meno accurato ma comunque e gli ingegneri del mio team, tali principi si sono sufficiente per il prodotto e più performante dal punto materializzati in pratiche talvolta concordate, talvolta di vista ingegneristico. Nella mia esperienza, i risultati nate spontaneamente. di questo secondo approccio sono stati estremamente sorprendenti e gratificanti, benché trovare l’alchimia Come è naturale aspettarsi, gli stand-up giornalieri giusta per realizzarlo abbia richiesto un notevole sforzo sono stati fondamentali per l’identificazione del valore. e continui aggiustamenti di rotta. Tuttavia, in uno scenario di collaborazione tra data scientists e ingegneri, lo strumento più utile è stato il Volendo generalizzare e semplificare, il problema di pair programming quotidiano. Il lavoro in coppia tra base che ho osservato è che data scientists e ingegneri figure professionali con background diversi può dare hanno due mentalità opposte. Da un lato i data l’impressione di rallentare lo sviluppo, anziché facilitarlo. scientists, verosimilmente più vicini al mondo della In realtà l’integrazione di prospettive diverse ha portato ricerca, hanno una propensione per l’esplorazione a ideare soluzioni originali e ottimali da entrambi i punti e la sperimentazione: una caratteristica senz’altro di vista: quello accademico e quello ingegneristico. fondamentale per un prodotto ML, dove esperimenti e Le discussioni nate attraverso il pair programming tra iterazioni sono parti integranti dell’identificazione e del data scientists e ingegneri hanno contribuito sia alla raffinamento dei modelli. Dall’altro lato, gli ingegneri comprensione che all’apprendimento reciproco (in tendono a voler far funzionare il sistema come un termini Lean: “amplify learning”). Identificare e mappare ingranaggio ben oliato: questo comporta una certa il valore si sono realizzati in un processo continuo, insofferenza verso quegli sforzi che si rivelano poi arricchito proprio dalla diversità delle prospettive in condurre a vicoli ciechi, complice anche la pressione gioco. del management nel richiedere “risultati concreti”. Nel mio team sono dovuto diventare consapevole di Figura 3 - Workflow di collaborazione tra data scientists e ingegneri software

Se da un lato gli stand-up hanno aiutato nell’identificare il spirito di cooperazione. Va da sé che l’entusiasmo è valore e ad impostare il lavoro quotidiano, le retrospettive preferibile alla coercizione: l’integrazione dei principi hanno reso possibile ricercare la perfezione attraverso Lean con il modello “Leader-Leader” ha dato una spinta la revisione dei processi e delle dinamiche del team, molto positiva in questo senso. Il modello Leader- identificando cosa ha funzionato e cosa meno in modo Leader, opposto a quello detto “Leader-Follower” da poterci migliorare continuamente. e discusso in modo brillante nel libro “Turn the ship around!” di David Marquet [3], ha l’obiettivo di concedere Penso che sia importante sottolineare come stand- a ciascun membro del team il controllo su cosa up e retrospettive siano stati gli unici rituali “canonici” lavorare e su come eseguire tale lavoro. In altre parole, utilizzati nel team. Altre pratiche da manuale si sono conferisce a ciascun membro del team la confidenza invece rivelate dei colli di bottiglia per la collaborazione di prendere decisioni consapevoli e in autonomia. I tra data scientist e ingegneri. In particolare mi riferisco pilastri del modello Leader-Leader, competenza e a tutto ciò che ha a che fare con i concetti di ticket e chiarezza, hanno delle interessanti intersezioni con sprint, ad esempio il planning, il backlog grooming, le Lean e pongono un’enfasi particolare sullo stile delle burndown/burnup charts, la velocity. In altre parole, la comunicazioni interpersonali. Anziché elargire principi base su cui i membri del team hanno potuto esercitare le astratti, Marquet propone delle azioni concrete per proprie capacità di leadership sono state principalmente arrivare a comunicare chiaramente il proprio intento, le occasioni di confronto libero e informale. Tale spostare il controllo di un’organizzazione verso il basso, dinamica è stata in qualche modo un’applicazione di ed aumentare continuamente la competenza tecnica due predicamenti Lean: eliminare gli sprechi (in questo di ciascun membro del team. Non intendo elencare caso i rituali “inutili” in quel particolare contesto) e le pratiche proposte da Marquet, per cui rimando alla l’ottimizzazione del tutto (“optimise the whole”), come lettura del suo libro per maggiori dettagli. Per quanto effetto del flusso costante di comunicazioni, a riprova riguarda la mia esperienza, devo ammettere che una della nota legge di Conway. difficoltà nell’applicare tale modello può essere quella di abbandonare qualsiasi tendenza al controllo in modo Una responsabilità particolare degli ingegneri software da lasciare maggiore autonomia anche ai colleghi più riguarda la gestione del flusso del valore. Anche se inesperti. Benché tale processo abbia inevitabilmente i data scientists dovessero elaborare dei modelli portato il team a commettere degli errori, per i quali matematici perfetti, il loro impatto sarebbe nullo se non ho talvolta dovuto assorbire qualche contraccolpo dal potessero poi rilasciarli in produzione. Anche per questo management, ogni membro del team si è trovato a è dunque necessario che gli ingegneri collaborino con dover risolvere le conseguenze delle proprie decisioni i data scientists al fine di creare un’infrastruttura che insieme agli altri. Ciò ha avuto due effetti: una rapida permetta agli ultimi di fare deployment continui, più maturazione della conoscenza sia individuale che volte al giorno, generando valore ad ogni occasione. collettiva, e la consapevolezza diretta che chiunque Come abbiamo visto, il deployment di un modello ML può sbagliare, quindi si lavora insieme come un team è un punto di partenza che deve essere seguito da un senza colpevolizzare nessuno. Un risultato di questo attento monitoraggio e feedback: anche qui il lavoro processo è stata la volontà di ciascun membro del team degli ingegneri è essenziale per realizzare il principio di “tirare il valore” verso sé stesso, con entusiasmo e “deliver as fast as possible, decide as late as possible”. forte del supporto dei propri colleghi: un esempio di come le pratiche Lean e Leader-Leader si possano Vorrei ora porre l’accento su “tirare il valore”, in quanto integrare e supportare a vicenda. può essere ottenuto in due modi: attraverso l’imposizione e la pressione di gruppo, o grazie all’entusiasmo e allo 53A g i l e I t a l i a

Se il framework dei principi Lean è stato la stella polare, apprezzato la possibilità di delegare gradualmente un il viaggio è stato percorso sul sentiero del modello maggior numero di decisioni ai miei colleghi, in modo Leader-Leader, che ha rafforzato la confidenza di da concentrarmi sugli aspetti più particolari richiesti dal ciascuno nel generare un impatto positivo sia all’interno mio ruolo. che all’esterno del team. Non essendo a conoscenza di altre realtà che abbiano combinato Lean con il modello Questo articolo fa principalmente riferimento alla Leader-Leader, ma avendone osservato i benefici, ho mia esperienza in un team specifico e in un periodo deciso di chiamare tale integrazione “Lean Leader”. particolare della mia carriera. Tuttavia sto continuando a proporre e ad applicare quotidianamente il Lean Essendo espressione di una sintesi, Lean Leader Leader cercando da un lato di supportare i colleghi vuole a sua volta integrare efficacemente e in modo data scientist con le mie competenze da ingegnere armonioso background apparentemente contrapposti, software, e dall’altro di collaborare con il management come ad esempio quelli dei data scientists e degli per dimostrare la validità di tale approccio nella gestione ingegneri software. In tale senso è un modello di lavoro dei progetti ML. Benché sia consapevole del fatto che focalizzato sullo sviluppo umano dei membri di un tale modello possa non essere facilmente applicabile a team che induce, come effetto collaterale, la crescita realtà aziendali medio-grandi, ritengo che sia un ottimo professionale di ciascuno. approccio per aumentare la coesione e l’efficienza dei singoli team - soprattutto se cross-funzionali - con Nell’ottica particolare della collaborazione tra data l’augurio che gli eventuali risultati positivi possano scientists e ingegneri nel mio team, il modello Lean servire da esempio per altre realtà di un’azienda: a volte Leader ha certamente rafforzato la comprensione i cambiamenti più significativi iniziano dal basso. reciproca e incoraggiato il mutuo apprendimento. Ad esempio, sono rimasto piacevolmente sorpreso Riferimenti bibliografici quando un data scientist ha iniziato a scrivere del codice strutturato secondo il paradigma funzionale [1] J. Berner et al., The Modern Mathematics of Deep (caldamente consigliato dagli ingegneri) o quando Learning, May 2021, arXiv:2105.04026 [cs.LG] un ingegnere junior ha suggerito come migliorare un algoritmo di Machine Learning poco performante. La [2] R. Shwartz-Ziv, N. Tishby, Opening the Black Box particolare alchimia creata dall’adozione di Lean Leader of Deep Neural Networks via Information, April 2017, ha avuto ripercussioni benefiche anche su un raggio arXiv:1703.00810 [cs.LG] più ampio: ciascun membro del team si è infatti sentito in grado di creare e mantenere autonomamente nuovi [3] D. Marquet, Turn the Ship Around!, Portfolio Penguin, canali di comunicazione con altre parti dell’azienda. 2013 Questo ha portato sia vantaggi nella collaborazione con team diversi, sia una maggiore visibilità e prestigio [4] G. Kim, The Unicorn Project, IT Revolution Press, 2019 del team stesso. Infine, in quanto leader tecnico, ho

AgileForItaly Lean Beer PODCAST SU SPOTIFY, SPREAKER, APPLE PODCAST, GOOGLE PODCAST DAVIDE CASARI TIZIANO INTERLANDI PIERPAOLO CIMIRRO 55A g i l e I t a l i a

Agile Data Science: Scrum vs Kanban, il racconto di un’esperienza Davide Fiacconi Fabio Mauro

La corsa all’oro dei dati e dell’Intelligenza Artificiale verso il successo. Infatti, parte della sfida sta nel riuscire ad incastonare le dinamiche di un «I dati sono il nuovo petrolio». Questa espressione progetto di AI ed il team dedicato all’interno di processi metaforica descrive sagacemente il aziendali consolidati. Questo perchè contesto corrente dei Big Data e la recente un prototipico progetto basato sull’IA presenta delle consapevolezza che l’utilizzo dei dati può offrire peculiarità rispetto allo sviluppo software inimmaginabili opportunità di business più «classico»; nella fattispecie: precedentemente inaccessibili. Basti pensare alle innumerevoli applicazioni di tecniche di Intelligenza • coinvolge strettamente molte aree dell’azienda, Artificiale (IA) fiorite negli ultimi dal Business ai Data Scientist fino all’IT, e richiede dieci-quindici anni circa, e alla grande richiesta di Data un’intuizione basilare da parte di ogni stakeholder Scientist, gli «scienziati del dato» del ruolo delle altre parti per guidare il progetto esperti di Machine Learning e Deep Learning, da parte verso il successo; di aziende di diversa natura e dimensione. • il punto di partenza sono i dati; un problema potrebbe Di conseguenza, questa «corsa all’oro» del dato richiede non essere risolvibile se i dati non offrono il contenuto anche una seria preparazione da informativo adeguato; dunque, avere controllo parte delle aziende in termini di tecnologie e del processo di data acquisition può facilitare o competenze. Questo perché, inevitabilmente, i addirittura determinare la riuscita del progetto; grandi volumi di dati necessari a portare a termine con successo un progetto di IA richiedono • esiste una componente fondamentale di ricerca sia una tecnologia adeguata, sia delle competenze nella soluzione di un problema di Data Science dedicate per portare valore di business che introduce un certo livello di imprevedibilità significativo. nell’outcome esatto del progetto; un nuovo problema Tuttavia, non è sufficiente armarsi di un team di Data può richiedere un approccio nuovo, e dunque Scientist affinché la strada sia spianata possono volerci diverse iterazioni sperimentali prima di raggiungere l’obiettivo. 57A g i l e I t a l i a

Come affrontare dunque un progetto di Intelligenza ai minimi storici. In queste difficoltà, nasce l’idea: Artificiale? GoLive, una piattaforma di Live Stream Shopping, un’applicazione che permette di promuovere tramite Da circa 20 anni, i principi dello sviluppo Agile si stanno video dal vivo i propri prodotti. Gli spettatori, i «viewers», progressivamente imponendo nel mondo del software comodamente da casa, assistono allo «show» e vivono (e non solo) con lo scopo di fornire metodologie pratiche «l’esperienza» della promozione, possono chattare in grado di accomodare gli inevitabili imprevisti che per avere informazioni dettagliate e comprare online i possono manifestarsi durante lo sviluppo di un prodotto prodotti promossi, tutto in pochi click. In collaborazione software. In particolare, le metodologie Scrum e Kanban con un brand italiano di moda, abbiamo creato la sono tra le più adottate attualmente. Sembrerebbe piattaforma in pochi mesi utilizzando la metodologia dunque naturale impostare un progetto di IA seguendo Scrum per tutto il processo di sviluppo. le stesse pratiche; tuttavia, le peculiarità di questa tipologia di progetti può rendere la realizzazione di Come parte fondamentale delle nostre competenze, tale idea tutt’altro che scontata. abbiamo dotato la piattaforma di un sistema di analytics in real-time curando l’intero processo di lavoro del Il contributo che segue descrive l’esperienza che dato, dalla raccolta attraverso le interazioni dell’utente la nostra azienda (un’azienda di sviluppo software con l’applicazione, al processamento del dato in tempo focalizzata sull’analisi dati in streaming e la creazione di reale, fino alla visualizzazione in dashboard informative real-time analytics) ha maturato nel corso del tempo tra per capire le «performance» dello show. successi e insuccessi alla ricerca del giusto equilibrio nel tentativo di accomodare diverse tipologie i progetti Inoltre, abbiamo intrapreso un lavoro di ricerca e nella nostra interpretazione dei principi di sviluppo sviluppo per dotare la piattaforma di alcune feature Agile. basate sulla IA, in particolare usando tecniche per l’analisi delle immagini e del linguaggio naturale dei IA nei nostri prodotti messaggi in chat. Il team Data Science è confluito e si è amalgamato col team di sviluppo creando, di fatto, una Durante il 2020, ci siamo collettivamente ritrovati ad realtà cross-funzionale con forti sinergie tra le diverse affrontare una pandemia globale, costringendoci a figure professionali. Abbiamo deciso di impostare tale lunghi periodi di chiusura delle attività, di «lockdown». lavoro seguendo lo stesso processo che stavamo Questo ha avuto un impatto in settori come i piccoli regolarmente utilizzando per lo sviluppo del software, esercizi o le grandi catene di negozi fisici, che si sono ovvero seguendo la metodologia Scrum. improvvisamente trovati a dover chiudere per lunghi periodi, o comunque ad avere affluenze nei negozi

Risultato? Il prodotto è stato dotato con successo di significativo per cominciare ad esplorare delle modelli avanzati di Deep Learning che producono potenziali soluzioni data-driven. In questa fase, il lavoro informazioni fondamentali per i nostri clienti nel viene portato avanti indipendentemente da noi, pur valutare le performance dei loro show! Il risultato rimanendo in costante comunicazione e allineamento potrebbe sembrare scontato, ma è istruttivo analizzare con il cliente. Infine, previ accordi e soddisfazione del a posteriori quali sono stati i fattori che hanno portato cliente, si passa a portare in produzione il risultato ad una naturale integrazione della componente di Data attraverso l’utilizzo dei nostri prodotti e tecnologie. Science nel nostro flusso di lavoro. Dal punto di vista organizzativo, il primo approccio • C● ontrollo e conoscenza del contesto. Avendo creato naturale è stato quello di incastonare le attività di tali un prodotto da zero, abbiamo avuto la libertà di progetti nella vigente pianificazione Scrum usata dal familiarizzare col dominio e creare un ecosistema resto dell’azienda. software sul quale avessimo controllo di integrazione Tuttavia, dopo poco tempo, ci siamo resi conto che, totale. Inoltre, la guida del product owner, assieme ai quanto meno per la nostra organizzazione, questo Data Scientist, ha permesso di adattare, aggiungendo meccanismo non funzionava, ed è possibile ricondurre o sfoltendo progressivamente, i requirements e gli le cause principali ai due punti riportati sopra. obiettivi delle esplorazioni di Data Science al fine di combinarsi naturalmente con il resto del prodotto. • Controllo e conoscenza del contesto. Lavorando per clienti terzi e mettendo a disposizione le nostre • Piena gestione del flusso di dati. I dati sono le competenze tecniche, all’inizio si parte con una fondamenta di un qualunque progetto di IA. Gestire a conoscenza marginale del contesto in cui opera il piacimento la raccolta e il preprocessamento dei dati cliente. Questo chiaramente richiede del tempo per ci ha permesso, durante l’evoluzione del prodotto, internalizzare parte della competenza di dominio e di variare i dati che potevamo raccogliere e usare per capire la logica e la terminologia dei processi. secondo quanto necessario. Allo stesso tempo, ciò Inoltre, il controllo del contesto rimane in mano al ha garantito di poter sviluppare modelli che, fino cliente, con necessità che possono variare nel tempo. al loro avvento in produzione, si basassero su una La combinazione di questi due aspetti può rendere raccolta e un preprocessamento dei dati trasparente difficile impostare correttamente la soluzione del e solido. problema, con repentini cambiamenti di rotta nel tempo, e richiede un coinvolgimento sostanziale del Chiaramente, sarebbe riduttivo pensare che unicamente cliente che dev’essere anche in alcuni casi educato questi fattori abbiano portato al all’uso di certe metodologie. successo del nostro lavoro; tuttavia, hanno avuto un impatto determinante nell’amalgama • ● Piena gestione del flusso di dati. Lavorando sui metodologico delle attività. dati del cliente, spesso non è possibile o praticabile Il lavoro in progetti e le difficoltà con Scrum modificare su richiesta la tipologia di dati a disposizione, il metodo di raccolta e il formato. Contemporaneamente al lavoro sui prodotti, il nostro Questo introduce una serie di problematiche, che gruppo di Data Science lavora anche a progetti di natura possono arrivare fino a situazioni estreme in cui si più «consulenziale» e guidati dalle attività di technical scopre che i dati a disposizione non sono sufficienti presales, con lo scopo di internalizzare competenze o addirittura utili a risolvere il problema, e magari è e di trovare opportunità di applicazione per i nostri necessario modificare il focus iniziale per renderli prodotti. Il prototipico progetto/flusso parte dalla sfruttabili, compatibilmente con le difficoltà al punto comunicazione con il cliente per capire il contesto in cui sopra. opera, la sua necessità specifica e l’attuale approccio usato per gestirla. Si parla dunque di dati, fino a farci passare un campione 59A g i l e I t a l i a

Ma come influiscono questi aspetti con la metodologia alle necessità di progetto. di organizzazione del lavoro? La mancanza di controllo su aspetti fondamentali quali contesto, tempistiche Spinti da queste esigenze progettuali, abbiamo provato e dati, hanno richiesto di “rilassare” il nostro modo ad adottare Kanban, e siamo riusciti a trovare un nuovo di gestire le task in Scrum. Inizialmente, abbiamo equilibrio in questo strumento. Il flusso di lavoro è stato cominciato ad usare un grande numero di spike task, definito in maniera snella con una semplice sequenza con l’idea di portare avanti delle analisi per capire «TO DO» -> «IN PROGRESS» -> «DONE», e abbiamo come meglio organizzare il lavoro poi. Abbiamo inoltre costruito alcune descrizioni di task standardizzate accorciato la durata degli sprint fino ad una settimana dove riportare la tipologia di task su una base di per permetterci di poter cambiare rotta più agilmente categorie predefinite (e.g. se si trattava di una task di in caso di nuove esigenze da parte del cliente o per analisi, di esplorazione dati o di implementazione) e adattarci più rapidamente ai risultati che portavano gli si è naturalmente posto un limite alle attività in corso. spike task. Tuttavia, relativamente al nostro modo di Inoltre, lavorare, questi accorgimenti non si adattavano con la variabilità intrinseca di tempistiche e presupposti su cui si La mancanza di una quantizzazione temporale in sprint fondavano i progetti, rendendo difficile la pianificazione, si è adattata naturalmente al flusso di attività discontinuo con troppi correttivi da fare nel corso dello sprint e che e mutevole rilasciando i prodotti finiti (le review) solo mal si adattavano ai dettami strettamente timeboxed di quando necessario. Scrum di retroazione, che spesso assumevano forma di Si sono ridotte le difficoltà di pianificazione sia dando più cerimonie vuote che non portavano valore. responsabilità ai diretti esecutori per inserire le proprie attività nel momento in cui diventavano contingenti, Il lavoro in progetti: nuovo equilibrio con Kanban evitando dunque di incastrare attività nebulose nelle fasi iniziali di progetto e rendendo il flusso di lavoro più Nonostante alcuni accorgimenti, non siamo riusciti naturale, sia per la natura stessa del team, essendo non a trovare il giusto equilibrio nell’usareScrum per più cross-funzionale ma composta da membri dalle la gestione di progetti di Data Science di natura medesime competenze. «consulenziale». Si tratta ovviamente di un equilibrio Alla metodologia Kanban da noi applicata abbiamo molto personale, legato alle dinamiche interne del introdotto peculiarità della piattaforma Scrum team e alle caratteristiche dei progetti. introducendo dei meeting periodici per aggiornare In qualche maniera, sentivamo di avere bisogno di una il resto degli interessati sullo stato di avanzamento metodologia “più adattiva» o “meno prescrittiva” e, forse, lavori giornaliero o al raggiungimento di un outcome meno intimamente legata allo sviluppo di un prodotto di prodotto, ovvero delle attività che permettessero dall’interno dell’azienda ma più agnostica sulla materia delle retroazioni al fine di migliorare il processo stesso; in questione; in altre parole, che ci permettesse di in aggiunta a suddetti incontri sono intercorsi meeting dedicarci alla visualizzazione chiara del flusso di lavoro spot (“alla bisogna”) dedicati a questioni più tecniche e da compiere per giungere al risultato finale e fare ciò particolari. con interventi quanto più rapidi possibili, in modo da avere in pipeline un ridotto numero di attività in corso d’opera e, pertanto, progredire in maniera più reattiva

Conclusioni problematiche simile, ci teniamo a rimarcare che si tratta di un’esperienza particolare e strettamente legata In definitiva, la nostra esperienza ci ha portato ad evolvere al nostro contesto e alle nostre dinamiche, e dunque nel tempo il nostro approccio all’organizzazione dei non può essere considerata una ricetta universale per progetti di Data Science all’interno del framework Agile, il successo di un progetto di IA, ma al più come uno adattando la metodologia alle nostre caratteristiche e spunto di riflessione di quanto importante sia riuscire alla tipologia e gestione dei progetti che ci ad adattare le metodologie alle proprie attitudini e coinvolgono. situazioni. D’altra parte, l’adattabilità e l’iterazione sono Nella speranza che questa testimonianza possa essere idee fondanti dei principi Agile. d’ispirazione per il lettore che potrebbe aver incontrato Davide Fiacconi Data Scientist at Radicalbit Fabio Mauro Scrum Master at Radicalbit 61A g i l e I t a l i a

Diario di una change agent Il nuovo libro di Erika Melis Quali sono i segreti di una trasformazione snella in azienda? Che ruolo hanno le persone in questo percorso? La metodologia Lean è applicabile nel mondo dei servizi? Questo diario, scritto dall’intraprendente protagonista Bianca Martini, porta il lettore dritto nel cuore della trasformazione «snella». compralo su Amazon

Oltre l’IT a cura di Vito Semeraro Dopo una lunga esperienza come web designer sono passato alla gestione di progetti digitali prima in Seat Pagine Gialle e successivamente in Purple Network. L’incontro con Agile mi ha permesso di modificare molto il mio mindset e il modo di lavorare. Ogni giorno contribuisco nel miglioramento dei processi in startup e aziende con l’obiettivo di evolvere prodotti e applicativi digitali. 63A g i l e I t a l i a

Piero Savastano I was a pure researcher in bio-inspired robotics, now a consultant in data science. I give my best at the intersection between technology and design, prototyping is my main talent. On the side I realize YouTube tutorial videos on AI and organize two monthly meetups in Rome, one on voice assistants and one on public speaking.

Ciao Piero raccontaci del tuo percorso professionale umana se un determinato pannello della macchina è danneggiato, quanto e dove lo è. Per fare questo però Sono partito come ricercatore a livello internazionale, è necessario avere una base dati sufficiente, formata in ambito di Intelligenza Artificiale Bio Ispirata, anche principalmente da immagini e relative informazioni se ho presto abbandonato questa strada puntando (o annotazioni, quindi una descrizione e posizione a obiettivi più pratici rispetto alla mera speculazione del danno, che sarebbe poi l’output che vorrei dalla scientifica. Per un certo periodo ho vagato nel buio non macchina); dandole in pasto al sistema questo riuscendo a dare una concretezza commerciale alla confronta le immagini e riprese video con la raccolta ricerca ispirata agli organismi viventi per l’Intelligenza dello storico delle precedenti anomalie. Se, tramite Artificiale e mi ero dedicato alla sempre richiesta opportuna validazione di questi modelli, capisco che visualizzazione dati. Nel frattempo, dopo circa 15 si riescono a individuare i problemi su immagini nuove, anni che lavoravo in questo ambito, è tornato alla posso rivedere un processo aziendale interno o, come ribalta il tema della Data Science, Machine e Deep i casi che ho citato prima dell’esempio, rivendere la Learning trovandomi di fatto a sentirmi un precursore tecnologia come servizio. dell’Intelligenza Artificiale in Italia. Da qui è stato facile tessere una rete di contatti che mi ha permesso di far Quindi analisi predittiva per macchine industriali. Hai partire diversi progetti e iniziare a produrre contenuti altri esempi di applicazione in voga attualmente? divulgativi in questo ambito, come ad esempio il mio canale YouTube, dove porto le esperienze progettuali Certo: analisi dei commenti social, associazione di che vivo sia a un pubblico tecnico che generalista. prodotti a testi o a immagini, scoring delle lead, churn dei clienti per analizzare e prevedere il ciclo di vita Avendo lavorato in ambito internazionale, come medio. Questi sono solo alcuni basilari esempi ma va giudichi la maturità del panorama Data Science in considerato che il Machine Learning è paragonabile Italia rispetto all’estero? all’avvento di Internet a inizio 2000 quando gli scettici chiedevano a che servisse un sito internet. Non si Dal mio punto di vista fino a poco tempo fa eravamo un deve pensare che questa tecnologia sia utile solo a paio di anni indietro. Della Data Science se ne parlava un comparto ma la si deve pensare implementata in tanto ma con poca applicazione da parte delle aziende interi reparti aziendali perché se hai i dati, archiviati in al contrario di quanto succedeva in Nord Europa, un modo utilizzabile, puoi prendere decisioni basate America, Cina e Giappone, paesi dove queste azioni su questi in maniera automatizzata. si fanno e anche su larga scala da diversi anni. Noi ci siamo fermati in questo lasso di tempo sulla buzz word, Tornando al tema della formazione: quanto sull’aspetto markettaro del termine che attualmente contribuiscono gli enti formativi italiani a preparare però abbiamo lungamente superato anche grazie i Data Scientist di domani? alla presenza di alcune eccellenze basate in Italia, quindi con Management e Team formato e avviato in C’è un proliferare di nuovi corsi in Data Science e Italia, che vendono i propri servizi in tutto il mondo. diverse università - vedi Roma, Milano Bologna - Perlomeno a livello di grandi imprese, perché per le stanno già laureando i primi Scienziati in maniera PMI c’è ancora una coda lunga da colmare ma che si egregia. Purtroppo, come in tutte le università e sta riducendo grazie a una maggiore comprensione facoltà d’Italia l’approccio ultra teorico resta una scientifica, alla maggiore divulgazione dei temi e grande risorsa che ci permette di distinguerci anche all’accesso a strumenti Open Source prima non all’estero ma anche un limite nel mondo del lavoro. disponibili e che si dovevano pagare profumatamente Quindi tanto nozionismo, ad esempio, sulle equazioni o sviluppare internamente. ma poi non si insegna come portare un applicativo in produzione o come farlo girare su macchine integrate Puoi farci qualche esempio di questi servizi che hai con altri computer in modo da formare architetture descritto come eccellenze? che siano davvero d’aiuto alle persone e alle aziende. Sono anche convinto però che sia possibile per le Vedo un gran fiorire di attività sulla collezione di dati aziende e per i singoli avere un approccio bottom up: e la realizzazione di modelli che ti permettano di quindi incoraggiare gli sviluppatori che hanno avuto prendere decisioni in automatico. Per fare un esempio esperienza con i dati e che ritengono di avere una concreto citando Object Detection e Computer predisposizione verso questi ad avvicinarsi fiduciosi Vision possiamo citare la revisione dei processi verso la Data Science. industriali supportati dall’Intelligenza Artificiale che permetta di capire quasi in assenza di supervisione 65A g i l e I t a l i a

Ci sono opportunità anche per i giovanissimi che ai dati con la finalità di capire di più sul contesto non vogliono intraprendere l’università e per chi da cui vengono estratti per potenziare il business già lavora di formarsi attraverso delle scuole di aziendale. I Data Scientist devono quindi essere in specializzazione? forte comunicazione sia con il reparto tecnico, per far aderire al dominio applicativo e infrastrutturale Vedo tante iniziative a diversi livelli di ampiezza e aziendale il frutto delle proprie sperimentazioni, sia con profondità, vedi master e corsi brevi iper specializzati il management perché è il business la principale linea di 2 mesi. Oltre alla formazione online che si può a cui riportare. Basti pensare alla diversità di attività che trovare gratuitamente su internet. Penso che ci siano si possono portare avanti: dare insight al management possibilità per ogni grado di impegno, economico e prima di attivare campagne di comunicazione con di tempo. Raccomando sempre però di verificare dati avveduti che possano o meno confermare l’idea curriculum di studi e professionale di chi insegna e gli imprenditoriale o implementare su prodotti esistenti dei argomenti trattati così da prendere decisioni avvedute. moduli che lavorino sui dati presentando, ad esempio, dei prodotti raccomandati in base alle abitudini di A livello di applicazione pratica nel pubblico e nel acquisto degli utenti. Ci tengo anche a precisare che privato hai avuto modo di apprezzare una maturità quando si parla di reparto di R&D non di deve pensare nell’utilizzo di questi modelli? a un pool di risorse dedicate, ma si può ipotizzare anche un approccio più Lean: quindi scegliere di A seconda del settore o del comparto ci possono lavorare con un Data Scientist particolarmente duttile essere criticità diverse che frenano una corretta su vari linguaggi programmazione e che si destreggi implementazione delle tecniche di Machine Learning: bene tra diversi tipi di dati con un’attitudine a portare la prima è la standardizzazione e trattamento dei dati. un risultato concreto alle proprie speculazioni. Questo Essendo dato centrica la Data Science richiede una permetterebbe di partire quindi solo da una risorsa solida cultura e consapevolezza del dato, di come sono dedicata nel team tecnico e da questo esperimento connessi tra loro e di come farne dataset consistenti e cercare di evolvere verso un reparto a sé. puliti. Con queste premesse ogni progetto può avere un ritorno positivo. Diversamente in situazioni dove i Modalità di lavoro di un team Data Science: secondo dati sono dislocati su diversi database/uffici, o alcuni te qual è quella migliore? nascosti o non accessibili per motivi burocratici, il problema risulta essere a monte e non dell’applicazione Facendo una distinzione grossolana tra Waterfall e della tecnica. La ripercussione di questi presupposti Agile posso sicuramente indicare la seconda come disabilitanti si accentua nel confronto tra settore migliore, dato che si procede con più serenità. pubblico e privato. Nel secondo caso molte aziende Dove c’è Waterfall di solito non ci lavoro dato che hanno già intrapreso un processo di digitalizzazione, se devi costruire un semplice software, ad esempio accelerato ex abrupto dalla pandemia (e in alcuni casi un gestionale per le fatture, questo approccio va come quello bancario e assicurativo già consolidati benissimo; per i progetti di Data Science, essendo nelle grandi aziende da diversi anni) e possono essere questa una modalità di ricerca applicata, si deve per candidate ad avviare delle trasformazioni interne forza procedere per iterazioni e c’è sempre la necessità in tal senso. Anche nelle piccole e medie imprese, di implementare e sperimentare su un POC per grazie al genio imprenditoriale italiano, è possibile misurare il risultato, dato che come forma di ricerca e fare molto e in breve tempo a patto che si sviluppi sviluppo non garantisce che gli output siano gli stessi un ecosistema di formazione, divulgazione e servizi desirati. Per esperimenti intendo quindi fare un’ipotesi, di aiuto nell’applicazione delle tecniche. Nel pubblico verificarla sui dati, produrre il modello, validarlo ed invece questo non avviene per la mancanza di evolverlo iterando, iterando, iterando. Ad esempio reattività e spirito d’impresa. Nel pubblico oltre alla per addestrare una rete neurale a riconoscere delle scarsa digitalizzazione e standardizzazione dei dati c’è immagini è necessario ripetere l’operazione sia per un dilemma etico: si possono usare delle macchine trovare la rete giusta sia la corretta configurazione per per prendere delle decisioni sugli aspetti delicati l’addestramento e questo deve avvenire tipicamente a come quelli sociali, sanitari, economici dei cittadini? ogni iterazione. Va fatto capire alla committenza quindi che prima di fare qualsiasi tipo di assunzione vanno Come si colloca a livello di organigramma aziendale guardati i dati (cosa poco digerita dagli imprenditori) un Data Scientist? e che i risultati non possono essere garantiti a monte: questi concetti, avulsi al modello Waterfall sono È una disciplina ascrivibile alla ricerca e sviluppo congeniali ad Agile che invece permette a ogni Sprint trattandosi dell’applicazione del metodo sperimentale di rivedere i requisiti, le decisioni e le priorità.

È possibile secondo te rilasciare a ogni iterazione un chiedendo una conferma all’operatore (Human in incremento funzionale? the Loop, quindi predittore e operatore lavorano in rapporto simbiotico). Quando l’AI è arrivata a un Assolutamente sì: tornando all’esempio del livello apprezzabile dove gli errori che compie sono macchinario industriale si può nel primo Sprint minimi (è impossibile pensare che si azzerino: il fare il setup dell’architettura informatica con una livello accettabile è quando diventa meno costoso configurazione base con la macchina che fa girare per l’azienda farsi carico di un’anomalia che dei costi il servizio dati (mandi l’immagine e ricevi dettagli sul dell’operatore) è possibile rilasciare il nuovo processo pezzo fotografato) usando una rete già realizzata in che sostituirà il vecchio. precedenza con buoni risultati. Questo permetterebbe di costruirci poi una User Experience per esplorare Team altamente performanti: qual è il loro tratto i dati e dare modo ai tecnici di definire come distintivo? comunicare con la macchina mentre il Data Scientist porta avanti l’affinazione del modello dati della rete Sicuramente la combinazione di caratteristiche neurale, iterazione dopo iterazione. In questo modo, personali dei componenti con un’attenzione del già dal primo Sprint, hai chiuso il cerchio e dato modo management a creare una cultura aziendale che al resto dei team di avere un ambiente di test su cui favorisca uno spirito laboratoriale. portare avanti tutti gli sviluppi. Oltre a questo il fatto di non sentirsi schiacciati da scadenze a lungo termine ma di poter lavorare, come Ok, ma questo progettando nuovi prodotti con alla anticipavo prima, in modalità iterativa esplicitamente base l’AI. Ma come fare per innestare nei processi appoggiata dall’organizzazione. in essere nuovi automatismi dati dal Machine A livello di team sicuramente avere validi membri giova Learning? ma non è determinante per il successo, anche perché se poco inclini alla collaborazione, non si innesca il Torniamo sempre al software per il riconoscimento circolo virtuoso che permette al team di generare più delle anomalie nei macchinari industriali. Immaginiamo valore della somma dei singoli. Per collaborazione che nel processo vecchia maniera è l’operatore a intendo quindi il poter chiedere aiuto, il confrontarsi, individuare i malfuzionamenti una volta avvenuti. Per l’elasticità del management nel riconoscere le idee introdurre l’AI l’operatore dovrà procedere a taggare vincenti a prescindere dalle gerarchie e dandogli il i vari guasti tramite una form che salverà immagini credito necessario. e annotazioni. Nel frattempo il Data Scientist va Trovo un elemento caratteristico l’umiltà di avanti sperimentando un modello di riconoscimento professionisti che avendo anche molta più esperienza soddisfacente e una volta trovato è possibile degli altri membri, propongono le proprie idee in affiancare all’operatore un tool già funzionante dove maniera aperta e esortando tutti a discuterne per una telecamera rileva e intercetta le possibili lesioni trovare punti di forza e debolezza. 67A g i l e I t a l i a

Puoi parlarmi delle singole professionalità di un ogni discorso, prettamente da venditore, cercando di team di Data Science? rappresentare come uno Space Shuttle quello che è invece un comune aspirapolvere. Appena provo Ci sono i tecnici, quindi i Data o Machine Learning a chiedere come intendono costruire quello di cui Engineer che si occupano della parte di messa in stanno parlando subito crollano e iniziano a balbettare produzione e gestione del dato da un punto di vista risposte sconclusionate senza chiedere requisiti e informatico, sovrapponibile al DBA o a chi si occupava fare domande pertinenti. Fare domande, insomma, è delle pipeline dei dati asincrone e batch su grandi la prima vera arma contro i cazzari (ipse dixit). quantità di dati. Complementare alla compagine tecnica troviamo figure più scientifiche che si curano Vuoi dirci dove possiamo trovare online? di fare gli esperimenti concentrandosi sul modello e sull’analisi dei dati a un livello astratto. Per completare Cercatemi su Youtube col mio nome e cognome, il team abbiamo gli User Experience Designer che oppure se preferite cercate il Pollo Watzlawick di si occupano di produrre strumenti interattivi di cui sono il fidato assistente. Troverete tutorial gratuiti esplorazione o di visualizzazione dei dati di cui il su Machine e Deep Learning in Python, orientati detentore dell’interesse è tipicamente il business. soprattutto verso i tecnicismi ma anche verso il business per capire quali sono le criticità, dove si Ultima domanda: quanti Data Scientist fake hai nascondono i problemi che causano incrementi di incontrato nel tuo percorso? spesa e gli ambiti di applicazione migliori in ordine di efficienza, qualità e chiarezza di requisiti. Troverete Ne ho incontrati pochi di persona, di più nelle anche un paio di playlist sul Machine Learning e conferenze e sui social. Questi millantatori non sull’analisi dei dati in Python, richiestissima dai tecnici devono essere confusi con chi ha l’umiltà e la voglia aziendali. Faccio anche corsi di formazione aziendali di apprendere e che rispetto molto. Quindi trovo anche nell’ottica di “versionare” tecnici in forze a una velenoso non chi non ha ancora le competenze e le ditta per permettergli di fare il salto verso il fantastico vuole apprendere ma chi ne parla in modo astratto mondo della Data Science. perché non ha basi o quelle che ha risultano fragili. Ci vediamo online! Ho un sesto senso nel trovare questi personaggi e il primo tratto caratteristico è quello di come impostano Il mitico Pollo Watzlawick

Data Science (em)powered by Agile Pierpaolo Cimirro Product Owner in Cerved Group, si occupa di Data Innovation e Agile. Cofondatore della CoP Cerved e di Agile For Italy. 69A g i l e I t a l i a

La mia esperienza da Product Owner si è basata su sottende: una serie di punti fissi: “Data is the new oil”. • o⦁ rientamento al valore per il cliente finale realizzando prodotti, servizi, features; Cit. Clive Humby • team cross – funzionale con analisti, sviluppatori e All’inizio di questo percorso ho osservato tester; l’organizzazione di diverse aziende e ho sempre constatato come i Data Scientists fossero organizzati • mappa del cammino con roadmap e funzionalità in silos funzionali verticali con una relazione molto ipotizzate in fase di inception e realizzate, modificate forte con il mondo del business. Dal punto di vista o cancellate in fase di execution; della formazione ho conosciuto Data Scientists di varia estrazione: statistica, economica, ingegneristica, • cono dell’incertezza in progressiva riduzione man matematica; ed in base alla tipologia di estrazione mano che lo sviluppo prodotto prosegue ed evolve; ho osservato approcci variegati nell’affrontare un problema e nel portarlo avanti. Un po’ come la figura • architettura emergente e raffinata con il progress dell’Ingegnere resta generica se non declinata (es. degli sprint; Ing. Informatico, Ing. Gestionale, Ing. Meccanico, ecc. ecc.) anche il Data Scientist ha peculiarità diverse. • feedback continuo dal cliente interno o esterno in Mi sono chiesto: ma un Data Scientist è in grado di base all’efficacia o meno dell’incremento realizzato; sviluppare codice autonomamente oppure produce qualcosa in bozza o pseudo-codice e qualcun altro i quali hanno avuto declinazioni e realizzazioni diverse dovrà rivedere o riscrivere l’algoritmo? Il suo compito in funzione di prodotti, stakeholders, condizioni al è esclusivamente quello di produrre un modello? contorno. Eventuali vincoli o guidelines infrastrutturali come vengono seguiti? Da qualche mese a questa parte sto conoscendo L’aspetto che mi ha incuriosito è stato capire come il mondo della Data Science, e tutto l’ecosistema fosse svolta l’attività di un Data Scientist partendo circostante, al fine di trovare soluzioni organizzative dalla formulazione del problema passando per il che massimizzino l’efficacia dell’expertise di un Data rilascio in produzione di un modello fino alla sua fase Scientists. di esercizio. Ho iniziato questo percorso come Data Owner, cioè Gli approcci che ho trovato sono principalmente due. figura preposta alla gestione di flussi dati (Scouting, Sourcing, Cleaning, Modelling, Service, Propagation, Analytics) dalla fase di acquisizione fino alla predisposizione di rules per servizi e prodotti, e come appassionato di Agile cercando di vedere il dato come prodotto per i clienti finali alla stregua di prodotti classici come report, piattaforme, API. Ho potuto comprendere il significato della frase di C. Humby studiando a fondo l’impatto che il “dato” può avere per un’organizzazione, una decisione, un contesto, rispetto all’informazione potentissima che

APPROCCIO - ALGORITMO VERSO discussioni infinite sulle responsabilità, sulle INDUSTRIALIZZAZIONE modalità di sviluppo o di interpretazione delle specifiche; Questo tipo di approccio consiste nelle seguenti fasi: • troppa separazione di conoscenza tra le figure: un 1. definizione di un problema/esigenza/opportunità Data Scientist tende esclusivamente a concentrarsi sul modello ignorando necessità, problematiche, di business; vincoli infrastrutturali viceversa un Data Engineer 2. analisi dei dati che supportano la comprensione potrebbe limitare la fantasia e l’estro di un Data Scientist; del problema; • poca valorizzazione della figura del Data Owner 3. (eventualmente) studio di qualche tecnologia come conoscitore “esperienziale” del dato cioè colui il quale ha relazione con i fornitori, ha memoria applicativa o infrastrutturale che sia abilitante di problematiche, soluzioni e soprattutto ha la per l’analisi dei dati: supporto a formati diversi, massima expertise del merito del dato; computazione di grosse moli, Data Visualization; • organizzazione troppo sequenziale delle attività 4. scrittura di un algoritmo (talvolta di un workflow inducendo ciascuna figura a “chiudersi” nel mindset con anello di loop) e validazione in ambiente di test; del silos funzionale a cui appartiene senza avere 5. stesura delle specifiche algoritmiche; una vision generale o un cross-contaminazione 6. industrializzazione, integration, deployment da con le altre figure che concorrono alla creazione di parte di qualche Software o Data Engineer. valore. Un’organizzazione delle attività di Data Science come questa presenta, a mio avviso, queste problematiche: • time to market lunghissimo in quanto c’è una doppia implementazione dell’algoritmo e talvolta i test comparativi evidenziano differenze aprendo 71A g i l e I t a l i a

Questo tipo di approccio mi ha fatto riflettere molto sui APPROCCIO - ALGORITMO VERSO concetti di Industralizzazione e di Pipeline rispetto a CONTAINERIZZAZIONE cui alcuni tendono a sovrapporne il significato mentre i puristi della materia li trattano con accezione diversa. Questo tipo di approccio si differenzia dal precedente L’industrializzazione è lo sviluppo del modello per i seguenti aspetti: sfruttando al meglio le potenzialità dell’infrastruttura • assenza dalla fase 5; all’interno della quale è in esecuzione: gestione del • la fase 6 non è un’industrializzazione dell’algoritmo parallelismo, utilizzo di servizi centralizzati (e non letture di dati locali), load balancing, scaling delle ma una “devoppizzazione” ovvero il modello risorse, ecc. ecc. sviluppato viene integrato in un container e La pipeline è l’infrastruttura che supporta il deploy rilasciato in produzione. In alcune declinazioni c’è un dell’algoritmo dall’ambiente di sviluppo/test Data Engineer a supporto, in altre c’è una pipeline all’ambiente di produzione. realizzata ad hoc e messa a disposizione dei Data Queste ultime riflessioni mi hanno fatto conoscere un Scientis affinchè questi possano fare deploy con un secondo tipo di approccio utilizzato dai Data Scientists. click. Nelle architetture più moderne, soprattutto di provider in cloud, esistono dei framework che curano l’intero workflow di produzione, rilascio e monitoraggio del modello permettendo ai Data Scientist massima autonomia.

In questo modo il time to market viene sicuramente APPROCCIO - INDUSTRIALIZZAZIONE BY DESIGN compresso ma, a mio avviso, restano una serie di problematiche di inclusione, allineamento di intenti, L’obiettivo che mi sono dato è stato quello di che lasciano la divisione netta tra figure professionali: organizzare un team-cross funzionale, comprendente i Data Scientists, che avesse tutte le competenze per • poca contaminazione tra figure professionali realizzare un modello e rilasciarlo in produzione ma diverse; soprattutto che fosse orientato al valore partendo dalla consapevolezza delle expertise e delle • dipendenza da una pipeline di rilascio o da un problematiche di ciascun team member superando la provider … la tecnologia evolve ed è bene osservare verticalizzazione funzionale. Sono stati creati team con nuove possibilità che vengono offerte; Analisti, Sviluppatori, Tester, DBA, Devops Engineer … perché i Data Scientists non potrebbero stare in un • laddove ci siano diversi gruppi di Data Scientist team cross-funzionale? Il tentativo di “proteggerli”, (pensiamo ad aziende che evolvono per M&A) scarso tenerli lontano dalla quotidianità della gestione della confronto o mancanza di pensiero community- produzione o dagli appetiti di qualche business driven. man sfrontato non è forse stata un’azione rischiosa? L’idealizzazione di questa figura professionale, in Ispirato dalla frase di A. Ng ho iniziato la mia alcuni casi, e il suo isolamento è stato, a mio avviso, sperimentazione organizzativa un motivo di riduzione delle performance oltre ad aver creato sacche di nervosismo o dubbio all’interno “AI is the new electricity”. delle organizzazioni. Inclusion ed empowerment delle persone passano dall’orientamento al team e Cit. Andrew Ng dal presupposto delle pari opportunità. Partendo da queste basi ho partecipato alla sperimentazione di un team cross-funzionale dove l’expertise fosse anteposta alla figura professionale … l’expertise di un team è molto maggiore della somma delle expertise dei singoli team member. 73A g i l e I t a l i a

FASE1 – SCRUM infinite mentre un DE è attento alle guidelines La prima fase della sperimentazione è consistita in applicative e infrastrutturali che contemplano anche diverse sessioni di formazione sul mindset agile e la razionalizzazione delle risorse. nell’applicazione ferrea del framework Scrum. In riferimento alle cerimonie e ad alcuni artefatti riporto Refinement: nei primi sprint è stata un’attività dolorosa alcune riflessioni. e pesante a causa dei diversi livelli di maturità metodologica dei team member (alcuni avevano Planning: una grossa difficoltà che ho rilevato facilità a decomporre un’attività altri si trovavano nell’approccio sperimentale dei DS è la divisione di un con delle necessità di approfondimenti) che è stata problema in task e la strutturazione di una roadmap. affrontata cercando di dotarsi di un metodo operativo, Questa difficoltà nasce dal forte orientamento alla di farsi domande anziché cercare risposte. La cosa sperimentazione, allo studio e alla ricerca … tutte che ho rilevato è l’importanza della creazione di un attività a durata e risultato variabile. Di fronte ad una canale di dialogo con stakeholders e richiedenti richiesta di business dobbiamo però pur essere in per perimetrare, ri-discutere, ri-definire e talvolta grado di ipotizzare un orizzonte temporale … e laddove ristrutturare totalmente l’idea di business sulla base questo fosse troppe incerto è fondamentale fissare delle evidenze numeriche e metodologiche. delle milestone entro le quali si misura l’evoluzione della sperimentazione con dei success criteria Review: momento un po’ controverso in quanto precedentemente stabiliti. è possibile che in alcuni sprint si faccia una sperimentazione che porti ad un risultato pessimo Daily: il daily è stato uno dei momenti di cross evidenziando la necessità di cambio di direzione contamination più efficaci in quanto ciascun team mentre in altri sprint è possibile assistere a notevoli member, dal suo punto di vista, condivideva risultati di performance algoritmica. In questa problematiche e soluzioni con gli altri. In questa cerimonia inoltre ho apprezzato l’importanza di cerimonia è emerso in modo violentemente positivo ascoltare una condivisione di un modello o algoritmo il valore del confronto tra figure che approcciano esposto collegialmente da DS, DE e DO. il problema in maniera diversa e talvolta antitetica: magari un DS ha necessità di risorse computazionali

Retrospective: condotta dallo SM in maniera evoluzioni e nuovi sviluppo; strutturata utilizzando tecniche appropriate allo stato di maturità del team secondo le fasi di Tuckman. La e ai clienti finali (con partecipazione massiccia di Data capacità di dare e ricevere feedback sia da figure Expert, Data Scientist) di: uguali alla propria che in antitesi sono stati alla base • comprendere a pieno la data proposition e della consapevolezza di alcune problematiche da parte del team. Il sano e leale confronto sono alla base riconoscere l’expertise nel trattare e valorizzare i di una crescita sostenibile e duratura e, con il progress dati; degli sprint, una ritrovata unità di team ha permesso • aumentare la cultura dell’algoritmo ovvero a fronte di aumentare l’efficacia professionale di ciascuno e di uno use case sfruttare dati dedotti o inferiti ridurre gli sprechi. (alcune volte magari come una confidence più bassa) piuttosto che fare investimenti nell’acquisito L’esperienza della Fase 1 è stata notevolmente di dati alla fonte oppure precludersi il business per arricchita dal sistema di relazioni e connessioni con la mancanza stessa di dati; componente business sia interna all’organizzazione • essere facilitati nell’intraprendere percorsi di che esterna. Questo tipo di relazione ha permesso a business insieme integrando dati proprietari con noi quelli proposti dal team o, addirittura, avviare • di riuscire a raccontare il valore sotteso all’attività degli sviluppi di modelli unendo gli sforzi in una produttiva configurazione di partnership. svolta su dati e algoritmi; • intercettare necessità specifiche dei clienti che Da queste considerazioni e da una serie di riflessioni avanzate durate le retrospective della fase 1 senza un dialogo di merito difficilmente sarebbero l’organizzazione del team si è evoluta da un approccio emerse; rigoroso della metodologia. • avere feedback su quanto fatto e input per 75A g i l e I t a l i a

FASE2 – LEAN Refinement: cambiato da cerimonia ad insieme di sessioni rolling da fare on demand durante lo sprint In questa fase si è mantenuto il concetto di iterazione includendo solo i team member interessati dall’attività. ma le cerimonie sono state rimodulate secondo una serie di opportunità … di fatto non applicando Scrum Review: resta come momento di revisione del lavoro ma mantenendo un approccio agile più orientato al svolto durante lo sprint ma viene affiancata da una Lean. serie di presentazioni e demo sia ai clienti interni che esterni e con tagli totalmente differenti … dal tecnico Planning: discussione verticale del dato o algoritmo al funzionale fino al business di altissimo livello. con partecipazione obbligatoria degli elementi del team interessati allo specifico argomento e facoltativa Retrospective: resta come momento di confronto per gli altri. Eliminazione del concetto di stima relativa trasparente e aperto all’interno del team senza tuttavia con gli story point a beneficio di una “stima di sprint” essere condotta con tecniche particolari. Questa scelta ovvero: “posso fare quest’attività all’interno di questo si deve alla maturità del team (fase di performing del sprint?”. In particolare attività di Data Science possono ciclo di Tuckman). protrarsi oltre il termine dello sprint o terminare durante riducendo di molto un’ipotesi di effort mentre Avendo riscontrato con risultati che la cross- attività di Data Engineering tendenzialmente sono più funzionalità di team è un elemento che aumenta agevoli da “stimare”. le singole performance è emerso in maniera altrettanto decisivo l’aspetto della relazionalità del Daily: resta sostanzialmente invariato ed è un momento team in un contesto economico, interno del esterno di fondamentale contaminazione. all’organizzazione, sempre più sofisticato.

L’aspetto Legal, per chi lavora nel mondo dei dati, è Di fronte a: abilitante per intraprendere dei percorsi di business piuttosto che per presentare il maniera diversa i dati. • produzione sempre più esponenziale di dati; La parte People (o come si diceva una volta HR) ha • rilascio di tecnologie abilitanti; necessità di mantenere un legame forte con il team • adozione di metodologie organizzative sempre più favorendone lo sviluppo formativo, la relazione con enti o università, la partecipazione a conferenze, liquide; meetup o qualsiasi manifestazione da cui si possa trarre insegnamento. I migliori team si costruiscono il reale elemento di differenziazione non sarà più avere già nella fase di recruiting. in maniera esclusiva o dominante dati, tecnologia Il mondo del business deve approcciarsi ai dati con e metodologia ma sarà la capacità di trasformare maggiore sensibilità e verticalità al fine di cogliere esigenze dei clienti, anche recondite o sconosciute, opportunità sempre più variegate e nascoste in una il valore utilizzando al meglio i propri elementi di sorta di legate Business To Data. differenziazione. 77A g i l e I t a l i a

Sei indeciso su cosa studiare per la tua crescita? Siamo consci del fatto che sia un periodo in cui ogni giorno nasce una teoria, una metodologia o una nuova parola. Ma quindi che fare? Abbiamo creato un percorso per mettere l’attenzione su teorie e pratiche che serve sapere, diversificate per DEV, PO, SM e Coach. Scaricalo gratuitamente su https://www.agileforitaly.com/agile-learning-path/

E’ possibile fare Intelligenza Artificiale usando Scrum? Giacomo Giovenzana 79A g i l e I t a l i a

Introduzione Considerando che siamo solo all’inizio, non possiamo che guardare con interesse all’evoluzione e alle per questo articolo ho deciso di partire da una domanda: funzionalità che da qui in avanti verranno realizzate «E’ possibile fare Intelligenza Artificiale usando dalle aziende che scommettono su questa tecnologia. Scrum?». Lo sviluppo software sta abbracciando Nel contesto in cui viviamo, nasce quindi spontanea sempre più le dinamiche agili e in questo contesto una domanda: è possibile fare Intelligenza Artificiale il framework Scrum è quello che empiricamente sta usando Scrum oppure ci sono degli aspetti che riscuotendo il maggior successo. occorre considerare e che potrebbero modificare il modo in cui sviluppiamo il software nell’ambito Di recente, la crescita di internet (e quindi dei dell’Intelligenza Artificiale? dati a disposizione) e della capacità di calcolo computazionale hanno aperto le porte al vasto mondo Raffreddo subito le aspettative: in questo articolo non dell’intelligenza artificiale. Gli algoritmi teorici, i cui vi sarà una risposta compiuta. Il movimento Scrum e il risultati potevano essere apprezzati solo da persone movimento AI sono in continua evoluzione e sarebbe esperte del settore, hanno iniziato a creare valore a dir poco azzardato pronunciarsi in modo netto su anche per molti utenti e molte aziende che sempre un quesito così importante. Il tentativo è quello di più beneficiano dei innumerevoli innovazioni prodotte valutare alcune proposte organizzative che derivano da questo settore. dell’esperienza maturata all’interno del team AI di A fronte della grosse mole di soluzioni che si stanno Docebo in cui vengono sviluppate delle funzionalità affacciando sul mercato, si parla ormai di vero e basate su algoritmi di Intelligenza Artificiale applicando proprio boom dell’AI. la metodologia Scrum.

Le 4 fasi dell’AI ed estrarne delle intuizioni, dei «pattern» ricorrenti, delle informazioni utili all’azienda o al suo contesto, i Lo sviluppo di una soluzione di Intelligenza Artificiale feedback indiretti degli utenti e tutto quello che i dati passa attraverso diverse fasi che la rendono un po’ possono raccontare se letti correttamente. E’ naturale diversa dal normale sviluppo software. Di norma, che questa seconda fase ha molto a che vedere per sviluppare dei servizi di AI si ha necessità di ruoli col business aziendale poiché è da questa fase che e tecnologie che in ambiente di sviluppo software possono emergere le idee che poi portano a nuovi «normale» non troviamo. Data Engineer, Data Analyst, servizi/funzionalità (sia internamente che Data Scientist e MLOps (lo so, l’MLOps è più un esternamente all’azienda). approccio, come DevOps del resto, ma permettetemi di usare questa parola per indicare i Cloud Architect Questa fase è particolarmente importante perché che si occupano di servire i modelli di AI) sono le nuove mette chiaramente in luce il così detto «quarto canale» figure necessarie per completare le fasi di sviluppo di del business. Come è noto, nello sviluppo SW le idee una funzionalità basata su un qualche algoritmo di nascono principalmente da 3 vettori: le esigenze Intelligenza Artificiale. degli utenti, le nuove tecnologie e la vision/mission dell’azienda. In azienda, con un team AI si aggiunge Parlare di AI senza parlare di dati è un po’ come parlare un quarto vettore: quello dei dati. I dati (se di un’auto senza benzina. I dati «di qualunque natura» strutturati e letti correttamente) possono essere fonte sono le fondamenta su cui si basano la gran parte di intuizioni per nuovi sviluppi. degli algoritmi (specialmente quelli basati su Machine Learning e su Deep Learning). I dati, in un qualche modo, parlano, ci raccontano il mondo in cui viviamo, descrivono abitudini, caratteristiche, proprietà, azioni, tendenze, ecc. Studiare e comprendere i dati è fondamentale per capire quali funzionalità future sviluppare e soprattutto come svilupparle. Se tutto parte dai dati, in primo luogo occorre saperli memorizzare, gestire e mettere a disposizione per poterli studiare ed elaborare. La prima fase che quindi intravedo è quella della gestione del dato e le figure che si occupano di presiedere questa fase sono sicuramente i Data Engineer. Se il dato (qualunque esso sia) è salvato in modo corretto e facilmente usufruibile, è possibile passare ad una seconda fase che è quella dell’analisi dei dati. In questa seconda fase la voce del leone viene fatta dai Data Analyst, coloro in grado di leggere i dati 81A g i l e I t a l i a

La terza fase inizia quando si è individuata una Il tipo di attività che viene condotta è simile alla ricerca nuova possibilità di sviluppo o un nuovo servizio di un farmaco: molte strade possono essere chiuse e che si vorrebbe costruire. Qui sta ai Data Scientist bisogna essere pronti a ripartire o abbandonare un sperimentare, fare scouting, valutare possibili modelli filone di ricerca se questo non da i risultati sperati. per possibili soluzioni, insomma fare «ricerca» per individuare un algoritmo (o un modello) che permetta Una volta identificato un modello (o una soluzione) di assolverein modo soddisfacente il desiderio di inizia l’ultima fase: la messa in produzione dello stesso. business. Serve quindi identificare gli opportuni strumenti per fare inferenza del modello e per gestire tutta la logica In questa terza fase c’è un aspetto di forte distinzione attorno ad esso (richieste, risposte, dati da salvare, con le prime due fasi e con le successive: non è sempre scaling della soluzione, validazioni, ecc). detto che la ricerca vada a buon fine. Ciò che i Data Scientist fanno è cercare di dare una soluzione ad un Quest’ultima fase è forse quella più simile alle normali problema, ma non è detto che questa attività vada attività di sviluppo software tradizionali anche se molti sempre a buon fine. Ci si può anche rendere benissimo problemi e molte tecnologie usate, data la natura conto che, data la situazione contingente, non esiste della soluzione da dover sviluppare, sono diverse. nulla che possa dare un risultato utile o soddisfacente.

Scrum e l’AI purtroppo molto spesso ho incontrato realtà un po’ disorientate sull’uso di Scrum. Le 4 fasi descritte sopra sono solo un modello con In alcuni casi si applica Scrum come se fosse cui tentare di descrivere la realtà. Purtroppo il mondo l’ennesimo set di regole di Project Management: si reale si presenta assai più complesso. Non sempre introduce il concetto di Sprint senza però capire bene le 4 fasi si possono fare in sequenza, non sempre si cosa dovrebbe essere fatto dentro lo Sprint (quale sia hanno i ruoli necessari per coprire tutte le fasi in modo il suo outcome e come si possa ottenere un PSPI), si adeguato, non sempre si hanno a disposizione gli fanno i daily senza interazioni tra i partecipanti (non strumenti opportuni, non tutti i progetti necessitano di capendo quindi il significato del micro-replanning), tutte e 4 le fasi e non sempre è possibile delineare in planning e refinement con durate infinite e risultati modo così preciso le linee che le dividono. incerti, poker game (che a mio avviso potrebbe anche non essere fatto) poveri di valore ma non di tempo Inoltre, in ambito AI vi è un altro aspetto da dover tenere consumato, retrospective senza l’identificazione di presente e che può diventare un forte impedimento «action items» e la totale assenza di test automation. allo sviluppo: l’aspetto culturale. L’AI, come scritto Ecco, se anche inizialmente, è abbastanza nuova come area e per nella tua azienda vedi dei sintomi simili poniti il dubbio poterle permettere di esprimersi in modo adeguato che Scrum non sia applicato nel migliore dei modi e c’è necessità che il management aziendale abbia ben che forse conviene provare ad approfondire quelli chiaro cosa sia, quali siano le sue fasi di sviluppo e che sono i valori e i principi che governano la filosofia come incentrare l’azienda sui dati (asse portante per Scrum. un team AI). Se ciò non avviene, tutte le buone iniziative o le figure Soluzioni Organizzative di alto profilo faranno sempre molta fatica a fare emergere il loro potenziale. Divisione per Centri di Competenza In più, in un contesto aziendale ci sono molti altri vincoli che occorre valutare: il tempo, il budget, le dipendenze La prima soluzione organizzativa che potrebbe venire interne ed esterne, relazioni tra diversi team, permessi, in mente è quella di dividere le persone per aree accessi, best practice, ecc. Insomma tutto quello a cui di competenza: Data Engineer, Data Analyst, Data di norma siamo abituati ad assistere nel guazzabuglio Scientist, MLOps, Cloud Architect e Software Engineer. contemporaneo dello sviluppo software. Ognuno nel suo team a sviluppare la sua parte. Per una soluzione di questo genere è immediato Passiamo ora al nocciolo della questione: come comprendere come il coordinamento, le dipendenze organizziamo un team AI nel contesto descritto sopra? e i conseguenti punti di blocco delle attività crescono Scrum è un modello che ci può essere di aiuto? con la complessità e la dinamica dei progetti. Apro una piccola parentesi sul framework Scrum: 83A g i l e I t a l i a

Nessuno dei team è indipendente per finalizzare il Il primo punto può portare le persone che lavorano in team a lavoro ma ognuno è legato all’altro dal risultato che demotivasi poiché spesso si ritrovano a fare delle attività non dovrebbe produrre. In questa situazione è molto facile inerenti al loro ruolo. Se ad esempio si è in una fase in cui c’è che si crei l’effetto «silos» in cui ognuno governa la molto lavoro di software engineering potremmo vedere dei Data sua parte ma si disinteressa delle altre. Engineer/Architect/Analyst/Scientist appesantiti dall’attività. E’ naturale che nel ciclo di vita di un progetto questa situazione Come risultato si verifica una grossa difficoltà di ruotainmodocircolare:se le 4 fasi vengonosvoltecorrettamente collaborazione e di allocazione delle risorse sulle ci saranno sicuramente dei momenti in cui i SW Engineer diverse attività. Non entro nel dettaglio dell’analisi, ma aiuteranno i Data Engineer/Analysts/Scientists, ma dipende dagli studi che si possono facilmente trovare in rete anche fortemente dai punti di ingresso dei diversi progetti, possiamo convenire che forse questo può non essere dalle competenze disponibili e dal tipo di progetto che si sta il miglior modo per collaborare. sviluppando. E’ difficile se non impossibile garantire una corretta distribuzione nella suddivisione delle attività in modo equo Full Scrum rispetto alle competenze di ognuno. Se si vuole percorrere questa strada occorre essere consci del problema e valutare Volendo seguire la filosofia Scrum si potrebbero creare dei quanto i componenti del team siano propensi a venir meno alle team misti in modo tale che ogni team abbia (nel limite del loro attività per amore del prodotto che stanno sviluppando. possibile) tutte le competenze per coprire le diverse fase di creazione e sviluppo. Al team dovrebbero essere dati degli Trovare il modo di aiutare i propri compagni di team non è obiettivi «production-ready» da dover consegnare al termine sempre semplice: ogni contesto ha le sue caratteristiche e la dello Sprint. Spetta poi al team organizzarsi per portare a scelta va presa considerando il contesto specifico. termine il lavoro nel modo opportuno e «centrare» i goal a fine sprint. Sovente, emerge anche la sensazione che le risorse non siano utilizzate al meglio poiché può capitare che spesso non facciano Questo approccio presenta almeno 2 criticità che non conviene ciò che sanno fare meglio. Questo è un punto molto dibattuto: sottovalutare: se nel team ci sono persone disposte a confrontarsi con temi fuori dalla propria area di competenza e allo stesso tempo 1. non sempre gli obiettivi permettono ai componenti del disposte a lavorare in peering trovando i punti in cui i colleghi team di fare ciò di cui sono specialisti, dando l’impressione possono dare maggior valore, allora questa diventa una strada di diminuire le capacità professionali di una persona; percorribile. Bisogna tentare di non cadere nell’errore di selezionare (in fase di refinement e planning) delle attività per 2. potenzialmente, essendoci uno step di ricerca in cui il le singole persone, ma tentare di migrare alla visione di «goal risultato non è sempre prevedibile, potrebbe risultare per team, per sprint». Questo problema si manifesta poiché le difficile stabilire quale possa essere l’obiettivo di uno Sprint persone hanno skill-set molto diversi e quindi si tende ad se non l’attività di ricerca in sé e i suoi risultati intermedi. assegnargli attività centrate solo nelle loro competenze strette. 1. Specializzazione vs T-Shape

2. Il risultato della ricerca Si potrebbe ad esempio sviluppare un modello Metrics-by-Sprint: se nel primo Sprint si riuscisse a Il secondo punto invece ha a che fare con la natura identificare una baseline valida (metriche accettabili in sé dell’attività di ricerca che viene svolta all’interno prodotte dal modello/algoritmo di AI), nei successivi del team di Intelligenza Artificiale. L’impossibilità di Sprint si potrebbero identificare delle metriche conoscere se una ricerca produrrà un risultato certo obiettivo da raggiungere per migliorare la qualità dei determina una forte variabilità. Di norma, quando risultati. sviluppiamo software sappiamo che la soluzione (in In più si potrebbe anche definire un budget di sprint da un qualche modo) può essere raggiunta. consumare per la ricerca: ad esempio si potrebbero Nelle ricerche sui dati non è detto che un problema dare un certo numero di Sprint per l’intera ricerca: abbia una soluzione o che la soluzione si possa terminato quel tempo si prende il risultato come ottenere in tempi e costi consoni a quelli che l’azienda definitivo (chiaramente con un minimo di intelligenza mette a disposizione. E’ quindi possibile che il risultato gestionale). di una ricerca di AI non sia un qualcosa che può essere utilizzato. Un approccio ibrido Questo aspetto va tenuto in forte considerazione quando si lavora in Scrum: il PSPI (Potentially Shippable Dalla mia personale esperienza quello che mi sento Product Increment) non è sempre raggiungibile alla di suggerire ad un team di AI che decide di iniziare fine di uno Sprint: sia perché appunto i risultati non un percorse Scrum è di dividere il team in 2 gruppi sono certi, sia perché le attività di ricerca possono principali: «ricerca» e «prodotto». durare davvero molto tempo. Col termine «ricerca» identifico un team che copre le prime 3 fasi: gestione del dato, analisi del dato e Al contempo occorre però considerare che la struttura soluzioni ricercate; col termine «prodotto» identifico «a Sprint» data al team (e quindi anche a chi fa ricerca) invece tutte quelle attività incluse nella quarta fase che può essere molto utile: avere un tempo limitato (ossia partendo da un modello o un algoritmo sono in grado un numero pre-determinato di Sprint a disposizione) di portarlo in produzione gestendo opportunamente i per raggiungere un certo obiettivo aiuta molto anche dati generati dallo stesso (data feedback loop). chi lavora in questo ambito. E’ poi sempre possibile spezzare le attività in traguardi intermedi cercando di Spesso i servizi software che vengono messi in strutturare il lavoro in modo tale che ad ogni fine Sprint produzione generano dati importanti e preziosi, per cui ci sia comunque un risultato misurabile. nella fase di sviluppo è fondamentale pensare subito Questo facilità il controllo sull’attività, la direzione che a come collezionare i dati che poi verranno utilizzati la ricerca sta prendendo e la modalità di «consumo» dalla prima fase nel gruppo «ricerca». del budget (di tempo, soldi e risorse allocate) a disposizione. 85A g i l e I t a l i a

Per la suddivisione delle risorse nei 2 gruppi Da quello che ho potuto constatare, applicare una consiglierei un approccio cross-funzionale: in ogni soluzione ibrida prima di passare ad un full Scrum gruppo ci devono essere le figure fondamentali che potrebbe essere una buona soluzione soprattutto per permettano al team di avere (più o meno) chi non ha mai lavorato con Scrum. Dare la possibilità tutte le competenze per affrontare gli obiettivi. di prendere confidenza con la filosofia Scrum Le dipendenze organizzative, di competenze o di mantenendo il focus sulle proprie attività può creare accesso alle risorse «ammazzano» letteralmente la un ingresso «morbido» per le persone, evitando di produttività dei team. L’ideale è costruire sempre dei scontrarsi fin da subito con le tipiche problematiche teams in grado di iniziare e portare a termine un’opera di introduzione di Scrum. senza nessuna dipendenza (né interna, né esterna al team o all’organizzazione). Conclusione Un ulteriore consiglio che mi sento di dare è quello Volendo concludere: «è quindi possibile fare di evitare di creare due «silos» tra «ricerca» e Intelligenza Artificiale usando Scrum»? Da quanto «prodotto». Un modo potrebbe essere quello di ho raccolto fino ad ora non ci sono motivi per non spostare alcune delle persone che hanno concorso sviluppare un’organizzazione Scrum in un team di AI. alla creazione di una soluzione in «ricerca» all’interno L’applicazione corretta di Scrum in un contesto così del gruppo «prodotto» facendole di fatto entrare nel diversificato rappresenta una nuova sfida ed è senza team di sviluppo prodotto in piena modalità Scrum. dubbio un ambito in cui occorre sperimentare. Scrum Il framework Scrum (inteso come il complesso delle mira sempre alla sostenibilità e all’efficienza del team sue cerimonie) può essere applicato sicuramente ai nel medio-lungo periodo. team di prodotto, mentre per il team di ricerca si può Occorre però valutare attentamente le diverse valutare se mantenere Scrum o usare un pure-Kanban specificità e le persone con cui si vuole provare questo o una qualche altra metodologia che meglio si adatta modello organizzativo. In una fase iniziale potrebbe al contesto. essere utile usare un modello ibrido per dare modo alle persone di famigliarizzare con alcuni concetti Scrum Uno dei vantaggi che intravedo in questa soluzione attenuando il più possibile alcuni effetti collaterali che organizzativa è la separazione delle strategie e delle potrebbero manifestarsi. logiche di gestione che si possono assegnare ai due In una seconda fase potrebbe invece essere diversi gruppi: il gruppo «ricerca» avrebbe la mission interessante valutare un approccio full-Scrum: se di produrre idee e soluzioni (modelli o algoritmi) che si riescono a mitigare correttamente gli eventuali risolvano un problema, mentre il gruppo «prodotto» impedimenti che si potrebbero presentare, nel medio- avrebbe il compito di sviluppare il servizio software lungo termine questo approccio potrebbe portare tutti portandolo in produzione. i ben noti vantaggi anche all’interno del mondo AI.

Giacomo Giovenzana Ciao! Sono Giacomo. Fin dall’adolescenza mi sono sempre interessato alle tecnologie digitali. A parte le tante ore passate a ricompilare il Kernel Linux o installare le varie versioni Windows ad amici e parenti, nasco come sviluppatore dopo una laurea in Te- lecomunicazioni e in seguito mi sono occupato di software validation sui dispositivi per l’accesso alla larga banda. Nel testing si sa, se ne vedono di tutti i colori, ma ho avuto modo di comprendere a fondo le difficoltà di sviluppare un software di qualità nei tempi richiesti. Dopo qualche esperienza in testing automation come sviluppatore, sempre come QA mi sono occupato di sistemi IoT per appliances domestiche. Da qualche tempo ho abbracciato la filosofia Scrum di cui ne condivido i valori e le metodologie: sono uno Scrum Master certificato e ogni giorno cerco di aiutare il mio team a sviluppare soluzioni basate sull’Intelligenza Artificiale all’interno dell’ecosistema Docebo. Come tutti i papà con bambini (mia moglie ed io ne abbiamo 2 piccoli che ci asfaltano quotidianamente) vivo le difficoltà di essere famiglia oggi: il bilanciamento tra lavoro, famiglia e interessi personali è una sfida sempre aperta. Fatica, gioie, impegni, compro- messi e tanta soddisfazione si mescolano creando quel gran bel mix “avvincente” che vivo ogni giorno. 87A g i l e I t a l i a

Agile in Data Science Quattro pillole dalle trincee Daniele Miorandi appassionato di dati, di algoritmi e di come trasformarli in innovazione tangibile. Inserito da Stanford nella lista dei top 100k scientists per 2019 e 2020. Co-fondatore di 3 aziende, amministratore delegato di U-Hopper.

In U-Hopper aiutiamo da oltre 10 anni le aziende a definiamo internamente di Data Science. creare valore partendo dai dati. Lo facciamo attraverso lo sviluppo di soluzioni custom di big data analytics. Data science e agile: un catch-22? In particolare, i nostri progetti ricadono in due macro- Avendo in azienda un background che è fortemente categorie. La prima tipologia di progetti, molto orientato all’utilizzo di metodologie lean e agile (sia tecnologica, è focalizzata sullo sviluppo di architetture nella gestione interna che nello sviluppo di soluzioni e infrastrutture per la raccolta ed elaborazione di big per i clienti), ci siamo trovati le prime volte davanti ad un data per conto del cliente. Parliamo qui essenzialmente grosso punto di domanda. Come conciliare l’approccio di software e infrastrutture cloud, per questi progetti agile con i progetti di data science, che per loro natura che definiamo internamente di Big Data Technologies. hanno un workflow fondamentalmente lineare e a La seconda categoria riguarda invece la progettazione cascata (analisi dei dati, pulizia e sistematizzazione, e implementazione di metodi e modelli (tipicamente allenamento dei metodi predittivi, validazione, basati su intelligenza artificiale o machine learning) ingegnerizzazione e integrazione)? Negli anni passati per elaborazioni avanzate dei dati. Parliamo sul campo (o al fronte) abbiamo fatto molti errori, ed soprattutto, nel 90% dei casi, di modelli predittivi, imparato come evitarli (ok, quasi sempre..). Abbiamo necessari per implementare casi d’uso quali, ad tratto dai nostri errori alcune ‘pillole di saggezza’ - esempio, la manutenzione predittiva, la predizione quattro, in questo caso - che ci sentiamo di condividere della produzione di energia da impianti rinnovabili, con voi lettori nella speranza che possano servire ad l’identificazione di clienti a rischio churn in ambito altri che operano in questo settore. bancario/assicurativo, la predizione delle vendite per la gestione del magazzino e l’ottimizzazione della supply chain etc. Questi sono i progetti che noi Fig. 1 - la tipica struttura dei nostri progetti di data science 89A g i l e I t a l i a

Pillola #1 - Sono le persone, stupido! descrivere i dati che andremo ad utilizzare, verifichiamo la loro accessibilità (Dove sono? Ci sono delle APIs? Le persone sono alla base di tutto. Non parliamo Come sono gestite i processi di autorizzazione/ del nostro team, ma delle persone che lavorano autenticazione? Etc.) e, almeno preliminarmente, dal lato del cliente. La più grande difficoltà che la loro qualità. Un altro elemento importante che abbiamo incontrato (una barriera, in molti casi) è infatti abbiamo aggiunto nel tempo è una sessione in cui fondamentalmente di tipo culturale. In assenza di una andiamo a definire, assieme al cliente, delle KPIs solida cultura aziendale del dato, per cui le decisioni per misurare il successo del nostro progetto. Questo si basano sui dati (e, di conseguenza, sulle proiezioni), si è rivelato nel tempo molto importante a livello di è praticamente impossibile arrivare a progetti di gestione delle aspettative: il cliente sa cosa aspettarsi data science che abbiano un impatto significativo e come misurare la qualità del nostro lavoro e delle sul modus operandi e sulle operations del cliente. Il nostre soluzioni, mentre noi evitiamo brutte sorprese fatto di includere nella fase iniziale (spesso pro bono) avendo un’intesa (scritta!) sugli indicatori da andare a delle sedute di formazione su big data e intelligenza monitorare in maniera costante. artificiale (AI) si è dimostrato un buon modo per comprendere i dubbi e le insicurezze presenti lato Pillola #3 - L’importanza del ritmo (It takes two to cliente (soprattutto nel mid management, abbiamo tango) scoperto). E creare un orizzonte condiviso, in cui tutti potevano vedere i vantaggi che la nostra soluzione, Nei progetti di data science abbiamo deciso di se adottata in maniera coerente, poteva offrire non utilizzare uno schema di gioco sviluppato inizialmente solo all’azienda, ma anche ai singoli dipendenti e per progetti più tecnologici, ovvero di organizzare il collaboratori. lavoro attorno a sprint della durata di due settimane. Ogni sprint termina con un incontro con il cliente, Pillola #2 - Allineare gli astri (con il design sprint) durante il quale si fa una retrospettiva di quanto si è raggiunto nello sprint appena concluso, si discutono Una delle cose che abbiamo introdotto quasi subito nuove possibili priorità, e infine si decidono gli obiettivi nei progetti di Data Science e’ un kick-off col cliente per lo sprint successivo. Il tutto - ovviamente - lasciando sotto forma di design sprint [1] . O, per meglio dire, di un traccia scritta, in modo da evitare, per quanto possibile, workshop (nel nostro caso della durata di 2 giorni) con il fraintendimenti e disallineamenti. Questo consente cliente, in cui utilizziamo tecniche e strumenti mutuati anche di modificare in itinere la traiettoria del progetto: dal design sprint vero e proprio. In questi due giorni abbiamo molte volte visto come durante il progetto il andiamo a caratterizzare il caso d’uso che andremo cliente stesso compia un percorso di consapevolezza a realizzare, sotto forma di definizione (formale!) del sull’utilizzo dei dati per automatizzare/migliorare i problema che il cliente si trova ad affrontare e vuole processi interni e sulle possibilità offerte dai big data, risolvere, della soluzione che andremo a sviluppare e come questo apra nuove opportunità e consenta di (almeno a livello funzionale) e del chi andrà ad massimizzare l’impatto finale del nostro lavoro. utilizzarla internamente e come questo utilizzo si inserirà nei flussi e processi aziendali. Dato che i nostri progetti si basano sui dati, un elemento spurio (ma fondamentale) che abbiamo introdotto è una sessione di data mapping, in cui andiamo ad identificare e [1] Introdotto in Google attorno al 2010 per velocizzare la fase iniziale di sviluppo di nuovi servizi e prodotti digitali, il design sprint è una metodologia basato su una serie di workshops partecipativi (della durata complessiva di 5 giorni, nella forma originaria) in cui team multidisciplinari lavorano assieme nelle fasi di ideazione, prototipazione e validazione. Per saperne di più: - Sprint: How To Solve Big Problems and Test New Ideas in Just Five Days, J. Knapp (2016) - https://www.amazon.it/Sprint-Jake-Knapp/ dp/0593076117/ - Google design sprints kit - https://designsprintkit.withgoogle.com/

Pillola #4 - L’AI non e’ un pranzo di gala (e neppure operativi, ovvero, in una parola: cambiano i dati. E una licenza software) questo richiede quello che in machine learning viene chiamato il ‘re-training’, ovvero il ri-allenamento Uno dei problemi comuni che ancora riscontriamo, degli algoritmi e metodi, per adattarli ad una realtà in soprattutto nelle aziende produttive di media taglia, costante mutamento. Anche qui, come si intuisce, un è che i nostri servizi vengono classificati come problema di natura fondamentalmente culturale - ma ‘tecnologici/digitali’ (alla fine produciamo software!) che purtroppo crea una barriera ancora troppo alta e la gestione del progetto demandata internamente all’innovazione, soprattutto nelle PMI che costituiscono all’IT aziendale. Parliamo di aziende in cui l’IT il tessuto dell’economia italiana. interno ha competenze abbastanza limitate, con tipicamente un ruolo di acquisto (hardware e licenze) Conclusione e gestione delle manutenzioni (spesso attraverso fornitori esterni). In questi casi, sono due le criticità Credo che l’approccio e le metodologie agili possano che si presentano. La prima, è relativa al fatto che avere un ruolo centrale nei progetti di data science l’introduzione di soluzioni big data abilitate da AI/ML e nello sviluppo di soluzioni di AI. Al tempo stesso, in azienda non è mai «un pranzo di gala»: bisogna questo richiede di ripensare la loro applicazione in tale integrare, modificare l’esistente, cambiare processi e ambito, adattandole ad un contesto che presenta delle procedure. E in molti casi l’IT non ha le competenze peculiarità che, su carta, cozzerebbero con i principi (di sviluppo e conoscenza di framework tecnologici dell’agile. In questo articolo vi ho condiviso alcune avanzati) e la forma mentis per farlo, per cui oppone delle lezioni imparate sul campo, nella speranza di resistenza al cambiamento. Dall’altro, il far capire che poter risparmiare ad altri tempo ed errori. E di dare il là una soluzione di AI non e’ una licenza software - non ad un dibattito aperto a tutta la community, per poter è una cosa standard, cotta-e-mangiata, che si installa imparare dal percorso e dagli errori di altri. e via. È una soluzione che va co-progettata, in quanto per sua stessa natura cucita su misura sulle esigenze del cliente (non ci sono due aziende uguali, con gli stessi processi e gli stessi dati!), e che soprattutto va continuamente monitorata e aggiornata nel tempo. Sia perché cambiano i processi e cambiano i contesti 91A g i l e I t a l i a

AgileBIM Andrea Mengarelli Felice Pescatore

Il mondo delle costruzioni è interessato da una vera e propria rivoluzione: il Building Information Modeling (BIM). Questa innovazione sta spingendo gli studi di progettazione a ripensare completamente l’approccio organizzativo, spostandosi dall’attività del singolo a quella del team. Analogamente, cominciano a svilupparsi le prime azioni nella direzione dei lavori, per favorire una comunicazione più efficace, consentendo di identificare rapidamente soluzioni ai problemi che immancabilmente si verificano all’atto della realizzazione dell’opera. In questo primo articolo vedremo una overview generale di AgileBIM, mentre nel successivo andremo a raccontare alcuni casi d’uso concreto e quanto si è evidenziato nell’applicazione pratica. La spinta innovativa del Building Information • Building: ovvero costruzione, che può essere un Modeling edificio o un’intera città; Il Building Information Modeling (BIM) può essere • Information: inteso come un insieme di dati assimilato ad una metodologia che consente ai organizzati, utilizzabili e scambiabili in qualsiasi professionisti dell’architettura, dell’ingegneria e momento; delle costruzioni (AEC, Architecture Engineering Construction) di accompagnare l’intero ciclo di vita • Modeling, Model, Management: inizialmente dell’opera, dal progetto alla costruzione, alla gestione, Modellazione (insieme dei processi tecnologici fino alla sua demolizione e dismissione. volti a creare un modello informativo) o Modello Nonostante molta enfasi venga posta sugli aspetti (visualizzazione delle informazioni). Attualmente software, o meglio sullo sviluppo del modello digitale la tendenza è sempre più nell’associare la “M” (digital twin, che contiene le informazioni sull’opera), al Management, ovvero alla gestione delle il BIM è un approccio olistico in cui il modello digitale informazioni durante tutto il ciclo di vita del Building. è un elemento abilitante per una più sinergica collaborazione tra i diversi professionisti coinvolti, Ovviamente, per poter azionare tutte le leve di nonché tra questi e la committenza. Tale aspetto è collaborazione e di comunicazione annesse, è ben sintetizzato dalla definizione tratta dalla normativa fondamentale avere il giusto modello informativo, che ISO 19650 [1] : va al di là delle informazioni geometriche necessarie a descrivere l’opera, così come esplicitato dalle norme “The use of shared digital representation of a built UNI11337 [3] che individuano ben 7 dimensioni, tutte asset (including buildings, bridges, roads, process indispensabili per creare una versa consapevolezza plants, etc.) to facilitate design, construction and dell’opera tra tutti gli stakeholder coinvolti: • 3D, relativa alla modellazione geometrica; operation processes to form a reliable basis for • 4D, in cui si aggiunge la gestione temporale; decisions”. [2] • 5D, che fornisce informazioni circa la gestione dei L’anima collaborativa è esplicitamente evidenziata costi; anche dal significato stesso dell’acronimo “BIM”: • 6D, relativa alla gestione; • 7D, per la valutazione della sostenibilità. [1] http://bim.acca.it/uni-en-iso-19650-2019-pubblicate-in-italiano-le-norme-internazionali-sul-bim/ [2] “L’uso di rappresentazioni digitali condivise di beni costruiti (come palazzi, ponti, strade, strutture industriali, etc.) che serve a facilitare i processi di design, costruzione e gestione e a creare delle basi affidabili per prendere decisioni”. [3] http://biblus.acca.it/tag/uni-11337/ 93A g i l e I t a l i a

Figura 1 - Le 7 dimensioni del BIM - biblus.acca.it Va sottolineato che tali dimensioni sono da intendersi team che ha delle specifiche dinamiche interne, con come “dimensioni informative”, implicando la capacità i relativi membri che non guardano solo alle attività dei diversi professionisti di comunicare con efficacia e afferenti alla propria specializzazione, ma piuttosto di instaurare una relazione, a volte interdisciplinare, in ad un obiettivo comune di progetto, creando il ottica del risultato complessivo da raggiungere. giusto bilanciamento con le esigenze e le aspettative annesse alla sostenibilità e validità del prodotto. Il Il BIM incontra l’Agile: AgileBIM tutto nell’ottica di creare un legame efficace con la committenza (e i diversi soggetti interessati) che Gli aspetti già ampiamente rimarcati di collaborazione, consenta di essere continuamente allineati sulla trasparenza, adattamento ed attenzione spinta giusta direzione da prendere. alla committenza, incontrano sulla propria strada applicativa un mindset operativo molto noto in ambito Risulta quindi fondamentale sviluppare un mindset digital, ovvero l’Agile. Risulta infatti evidente come i adattabile che enfatizzi le capacità intrinseche diversi BIM Specialist, coadiuvati da un BIM Coordinator di collaborazione del team, piuttosto che fare e da un Project Manager, debbano identificare un affidamento ad una formalizzazione gerarchica che modello di lavoro comune che permetta loro di tenti, invano, di garantire il successo dell’iniziativa con operare in modo sinergico su obiettivi chiari, e attuare metodi burocratici e pochi inclini al cambiamento. una costante ed oggettiva verifica di quanto realizzato. In pratica, si comincia a delineare il perimetro di un

Figura 2 - The Agile Mindset Questa, in sintesi, è l’essenza dell’Agile che, basandosi • collaborazione tra tutte le figure interessate nelle sul Manifesto Agile [4], pone l’accento sulla capacità diverse fasi di realizzazione di un’opera; di adattarsi rapidamente ai cambiamenti grazie ad approcci lightweight (leggeri) che asciugano • condivisione digitale dei dati e interoperabilità la burocrazia di processo e che hanno ispirato lo mediante formati aperti; sviluppo della specifica declinazione nel mondo delle costruzioni, chiamata AgileBIM. • capacità di miglioramento continuo; • propensione a sperimentare costantemente piccoli miglioramenti incrementali. AgileBIM è frutto di oltre un anno di lavoro, sia di studio L’obiettivo principe è quello di ottenere specifici che di applicazione pratica, in cui si è andati al di là di un “semplice” tentativo di prendere un framework obiettivi: Agile e “costringere” un team di progetto AEC ad utilizzarlo. Quello che si è fatto è stato ragionare sulle • miglioramento dell’Efficacia e dell’Efficienza; caratteristiche di contesto e individuare una serie di principi e pratiche di riferimento, unitamente ad un flow • miglioramento della Comunicazione; di lavoro, in grado di consentire ai team di sviluppare la necessaria flessibilità nelle attività annesse alla • riduzione effetto «ping-pong»; progettazione e alla costruzione di un’opera. • ottimizzazione dei Tempi e dei Costi; • aumento Qualità del Lavoro; • deliziare il Committente; • miglioramento della Soddisfazione dei Professionisti e dei Gruppi di Lavoro. Questo lavoro ha portato alla formalizzazione di un Come si intuisce, molta enfasi è posta proprio toolkit operativo che coniuga diversi aspetti portanti sulla creazione di sinergia tra le persone coinvolte, del BIM e dell’Agile, tra i quali: mettendole nelle migliori condizioni operative possibili. [4] Agilemanifesto.org 95A g i l e I t a l i a

Figura 3 - AgileConstellation funnel AgileBIM, il Mindset • Se non puoi ricordarlo, non puoi migliorarlo! Alla base di AgileBIM troviamo la Filosofia, i Principi e le Pratiche (core): Pratiche dell’AgileConstellation Manifesto [5], di cui • Fast Prototyping, validare la sostenibilità della AgileBIM è una Star, definendo specifiche declinazioni attinenti al dominio delle costruzioni. soluzione; • Make-Measure-Learn, sperimentare rapidamente le Si hanno, quindi: Filosofia, ispirata alla Bottega Rinascimentale, ovvero diverse ipotesi e le diverse assunzioni la cellula che assolve a quanto necessario per la • Flashback, allineamento rapido in cui è l’osservatore realizzazione di una nuova opera: dalla progettazione, alla realizzazione e alla commercializzazione. che pone domande e prova quanto realizzato; • Continuous Improvement, migliorare costantemente Principi (core): • Non si tratta delle singole parti: è l’insieme che va ogni aspetto; • Continuous Integration, integrare costantemente le realizzato bene! • Pensare meno e agire prima! differenti anime della soluzione. • Semplice è meglio! La caratterizzazione specifica di AgileBIM è ben sintetizzata dall’AgileBIM Poster riportato di seguito: [5] www.agileconstellation.org

Figura 4 - AgileBIM Poster In esso si evidenzia come il cuore operativo è incentrato Nello specifico, il CDE lega in modo diretto la su quelle che vengono qui definite Metafasi, ovvero realizzazione del Project Information Model (PIM) e delle “fasi contenitore” di riferimento che permettono l’Asset Information Model (AIM) attraverso 4 stage di raggruppare lo stato di avanzamento dei lavori per (aree) specifichi: macro-obiettivo. • Work in Progress, area di lavoro del singolo AgileBIM contempla 6 Metafasi Operative di elaborato; riferimento: Inception, Preliminare (Concept Design), • Shared, area di condivisione di quanto realizzato, non per forza in uno stato finale; Definitiva (Developed Design), Esecutiva (Technical • Published Documentation, deposito degli elaborati Design), Transition, Costruttiva (Construction), finali approvati dalla committenza: l’opera è pronta per essere realizzata; supportate fattivamente dal Common Data Environment • Archive, in quest’area vengono conservati tutte (CDE) che permette di raccogliere, gestire e scambiare le informazioni progettuali relative alla struttura realizzata. il modello, i dati non grafici e la documentazione, facilitando la collaborazione e aiutando ad evitare duplicazioni ed errori. 97A g i l e I t a l i a

Figura 5 – AgileBIM & CDE Ad accompagnare operativamente le metafasi si incontrano i Metagoal, ovvero un insieme concettuale di lavorazioni standard (attinenti a specifiche aree) che aiutano a focalizzare gli elementi essenziali e comunemente contemplati nella realizzazione di un’opera. Figura 6 – Metagoal

AgileBIM, Principi e Pratiche I principi di AgileBIM, come anticipato, estendono e specializzano quelli dell’AgileConstellation Manifesto, declinandoli nel dominio specifico: Nel dettaglio si ha: • Ispezione ed Adattamento (Inspect & Adapt). La • Focus on Value Stream. L’attenzione non è esclusivamente sulla singola lavorazione (tattica), ma filosofia di Ispezione ed Adattamento fa parte del principalmente sul valore complessivo da generare (strategica). In tale direzione è fondamentale DNA delle metodologie Agili, spingendo i gruppi impiantare le modalità operative considerando il value stream, ovvero il flusso di lavoro complessivo di lavoro ad ingaggiarsi concretamente nelle che genera il valore primario. specifiche lavorazioni e a personalizzare il modello • Integrated Visual Management Environment. Vengono utilizzate piattaforme integrate di lavoro, operativo in funzione di quelle che sono le evidenze supportate da strumenti di Visual Management che consentono di avere sempre, e velocemente, sotto che emergono dal campo. controllo lo stato di avanzamento delle lavorazioni. • Sperimentazione Continua (Continuous • Metateam Auto-organizzati e Multidisciplinari (Self-Organized and Multidisciplinary Teams). Experimentation). Un mindset orientato alla I gruppi di lavoro sono auto-organizzati e multidisciplinari, scegliendo autonomamente Sperimentazione Continua porta il gruppo di lavoro il modo migliore per svolgere il loro lavoro, piuttosto che essere costretti a seguire processi a sperimentare nuove soluzioni, nuovi strumenti e imposti da terzi, se non per vincoli normativi. La multidisciplinarietà garantisce che si abbiano tutte modelli operativi al fine di migliorarsi costantemente le competenze necessarie per svolgere il lavoro dipendendo il meno possibile da esterni. e offrire servizi d’avanguardia. Dualmente ai principi, che ispirano le modalità di lavoro • Responsabilità delle Lavorazioni (Activities e di collaborazione, le pratiche suggeriscono azioni concrete da attuare, affiancando e specializzando a Ownership). Ogni professionista, parte del gruppo loro volta quelle dell’AgileConstellation Manifesto: di lavoro, ha una delega operativa rispetto alle lavorazioni in carico, creando uno specifico ingaggio che gli consente di svolgere il compito nel modo migliore contestuale. • Confronto e Collaborazione (Discussion & Collaboration). I professionisti impegnati nelle lavorazioni si ritagliano il giusto tempo per discutere e collaborare con i propri colleghi, in modo da allinearsi costantemente e far diventare patrimonio comune quanto sperimentato. • Metriche Sostenibili (Actionable Metrics). Il gruppo di lavoro è supportato da metriche sostenibili che lo aiutano a migliorarsi e a capire se la strada intrapresa stia effettivamente generando un beneficio. Figura 8 - AgileBIM Pratiche 99A g i l e I t a l i a

Nello specifico si ha: La specifica declinazione si focalizza su 3 aspetti (chiamati bubble) specifici di riferimento: • Fluid Thinking. Questa pratica porta ad approcciare tuttigliaspetticaratterizzantil’azionedilavoroinmodo • Autorità (Authorities), ovvero gli enti e le autorità “fluido”, ovvero contemplando una collaborazione competenti a cui chiedere autorizzazioni e da cui attiva e duttile tra i diversi professionisti coinvolti. dipende la realizzazione dell’opera; L’obiettivo è quello di rimuovere la burocrazia derivante da una focalizzazione sul processo, • Appaltatori (Contractors), professionisti, specialisti spostando l’attenzione sulla comunicazione ed aziende terze di cui avvalersi nel progetto; trasparente in tempo reale. • Vincoli (Constraints), i vincoli specifici di cui il gruppo • Common Environments. Le lavorazioni avvengono di lavoro dovrà tenere conto in modo esplicito. in un ambiente condiviso, sia fisico che digitale, prediligendo piattaforme integrate che supportano AgileBIM, Metateam la sperimentazione di nuove soluzioni quando disponibili o necessario. AgileBIM introduce il concetto di Metateam, ovvero un gruppo di lavoro multidisciplinare in grado di • Extreme Building. Si tratta di considerare la seguire l’intero ciclo di realizzazione dell’opera: dal realizzazione fisica dell’opera come un momento concepimento alla costruzione. Si parla di metateam di validazione finale, e non come una passiva perché la composizione del team è molto dinamica, accettazione di quanto ipotizzato e redatto durante fermo restando un nucleo portante comune ai diversi la fase di progetto. In tal modo sarà possibile progetti. intervenire più rapidamente e, con meni ostacoli, sugli imprevisti che inevitabilmente si presenteranno In AgileBIM, il metateam si specializza in relazione al durante la costruzione vera e propria. compito specifico da perseguire: • Design Metateam, focalizzato sulle prime 4 In aggiunta, la pratica di Fast Prototyping (ereditata sempre da AgileConstellation) è alla base della metafasi, dall’Inception all’Esecutiva; Metafase di Inception, supportando la validazione • Construction Metateam, che si occupa in modo della sostenibilità dell’opera e stimolando feedback concreti rispetto a quanto ci si appresta a realizzare. esclusivo della metafase di Costruzione. Il passaggio delle lavorazioni dal design metateam al construction metateam avviene grazie alla metafase di Transition. Figura 9 - Fast Prototyping for AgileBIM

Figura 10 - AgileBIM Metateam L’Agile Project Manager (APM) si occupa di mantenere Il caso ArchLivIng una visione olistica del progetto, affiancando i diversi Metateam ed i diversi professionisti nelle specifiche Una realtà giovane, dinamica in continua crescita. metafasi. A supportare l’intero metateam nello ArchLivIng è un luogo dove l’architettura e l’ingegneria sviluppo del mindset Agile è chiamato l’AgileBIM si fondono insieme contaminandosi, dove la Coach. Il suo focus è nell’adozione pratica di AgileBIM collaborazione tra diverse discipline è la normalità e la e nello stimolo alla sperimentazione continua di filosofia di lavoro è multidisciplinare. Ed è in un terreno nuove opzioni di miglioramento, sia di approccio che così agile al cambiamento e alla trasformazione che di prodotto. fioriscono i progetti con altre realtà e professionisti. Il metateam organizza il proprio lavoro basandosi Dalla progettazione di infrastrutture ai progetti sul processo Fluid Process, che trova le proprie basi di restauro e recupero del patrimonio culturale, nell’approccio ibrido scrumban e si focalizza su: dall’industria al settore pubblico, dalla ricostruzione • Gestire e Visualizzare il Flusso, in modo da avere post sisma alla riqualificazione urbana: ogni commessa è una sfida, ogni progetto una storia unica che aumenta costantemente prontezza su quanto sta accadendo il know how e favorisce lo scambio. Ed è in questo nel gruppo di lavoro; contesto di continua crescita e miglioramento che si • Limitare il Work in Progress, ovvero dimensionare inserisce il progetto AgileBIM. il numero di lavorazioni sulle reali capacità operative Il lavoro fatto in ArchLivIng è consistito del metateam; nell’implementare AgileBIM per ripensare l’assetto • Lavorare in Cicli Brevi, che consentono di valutare organizzativo, partendo dai Team, dove si è passati lo stato di avanzamento delle lavorazioni e quello da un approccio più “tradizionale” organizzato per di miglioramento della sinergia del metateam; funzioni (architettura; strutture; impianti; etc.) ad un • Generare Feedback Multilivello, per stimolare vari approccio “multidisciplinare” con Team composti da momenti di confronto, anticipandoli il più possibile esperti dei diversi domini afferenti ad un’opera. per ridurre gli impatti di eventuali impedimenti e In ottica Fluid Process, le attività quotidiane sono state problemi; completamente ripensate organizzando il lavoro per • MigliorareeSperimentareContinuamente, si tratta cicli iterativi, declinando nel mondo delle costruzioni di sviluppare una visione condivisa sugli obiettivi la filosofia Scrum. Gli obiettivi: e sul come raggiungerli, nella logica della scelta • identificare il Valore per il Committente e seguire il per consenso, aiutando il metateam a migliorare continuamente il proprio Way of Working. Il tutto Flusso del Valore; spinto dalla sperimentazione continua di nuovi • eliminare gli sprechi; modi di collaborare ed innovare nel proprio lavoro. • condividere e rendere disponibili le informazioni; Grazie a specifiche declinazioni delle pratiche e dei • formarsi e migliorarsi in maniera continua; tool, il fluid process si adatta sia al metateam di design • migliorare la qualità e la sostenibilità del lavoro. che a quello di construction. 101A g i l e I t a l i a