Die Ära der Projekte in der Softwareentwicklung ist vorbei. Mit Projekten ist es nicht mehr möglich, die heutige IT-Welt in den Griff zu bekommen. Komplexe Zusammenhänge zwischen Stakeholdern und Umsystemen sowie rasant ändernde Technologien sind nicht mehr beherrschbar.
Das Resultat: zu teuer, zu spät, am Problem vorbei entwickelt.
Statt in Projekten zu denken, müssen wir uns auf den Produkt-Lebenszyklus ausrichten: Geburt, Weiterentwicklung, Ablösung.
Ein Denkanstoss für neue Wege in der Softwarenentwicklung.

Um alle Chancen der Digitalisierung nutzen zu können, müssen wir offen sein für Innovation, für Zusammenarbeit und für Menschen.' Dieses Zitat aus dem Jahr 2016 stammt von Dr. Dieter Zetsche, dem damaligen CEO der Daimler AG.

Die Organisation der Zusammenarbeit von Menschen, die ein gemeinsames Ziel verfolgen (das nicht zwingend innovativ sein muss), nennt man Teamentwicklung. Warum die in diesem Zusammenhang vielzitierte Teamuhr von Tuckman in der gängigen Interpretation falsch liegt und wie eine nachhaltige Teamentwicklung auch in einem komplexen Umfeld wie der Digitalisierung funktionieren kann, beleuchten wir in Theorie und (fiktiver) Praxis in unserem interaktiven Vortrag.

Spoiler: Best Practices für die Teamentwicklung kann es unserer Meinung nach nicht geben, denn jedes Team ist anders. Stattdessen präsentieren wir Good Practices in Form eines iterativen Vorgehensmodells.

Zielpublikum: Führungskräfte, Verantwortliche in Projektteams, Agile Coaches
Voraussetzungen: Erfahrungen mit der Arbeit in/mit Teams
Schwierigkeitsgrad: Einsteiger

Die DevOps-Bewegung versucht, Silos zwischen Entwicklung und Betrieb aufzubrechen und durch eine intensive Kollaboration zu ersetzen. Etliche Unternehmen sind intern auf dieser Reise weit gekommen und haben sich mehr und mehr DevOps-Praktiken angeeignet. Sobald sie jedoch externe IT-Lieferanten beauftragen, entstehen oft wieder die alten Silos: Die Lösung wird vom Lieferanten gebaut und nach der Übergabe vom Kunden betrieben. Dabei muss das nicht so sein. Auch externe IT-Lieferanten können gemäß der DevOps-Philosophie mit ihren Kunden (zusammen-) arbeiten. Ich zeige euch in seinem TechTalk einige Muster und praktische Beispiele dafür.

Zielpublikum: Entwickler, Product Owner
Voraussetzungen: Zusammenarbeit mit Kunden
Schwierigkeitsgrad: Einsteiger

Doing agile statt Being agile? Conway's Law hits back? Transformation gescheitert? 
Um das zu verhindern, versuchen wir bei Scalamento anhand von Mustern zu erkennen, wo ein Unternehmen auf dem Weg zur Business Agility steht. Durch die Analyse der Muster können wir Transformationsrisiken frühzeitig erkennen und nachhaltige Veränderungen umsetzen. Unser Fokus liegt dabei auf Mustern, die sich über verschiedene Ebenen einer Organisation ziehen, von der Technologie- über die Struktur- bis hin zur Führungsebene. 
Wir möchten mit euch teilen, anhand welcher Beobachtungen wir relevante Muster erkennen. Am Beispiel der Begleitung eines Großkonzerns zeigen wir, welche transformations-hemmenden Muster im Corporate Umfeld häufig auftreten, vom LONELY-ISLAND- über das THOUSAND THINGS-Syndrom bis hin zum WRONG-TOOL-FOR-THE-JOB-Muster. Wir berichten, wie wir mit solchen Mustern umgehen, wo wir auch mal gescheitert sind und was wir daraus gelernt haben.

Zielpublikum: Transformations-Verantwortliche, Manager:innen, Projektleiter:innen, Entscheider:innen,
Voraussetzungen: Keine
Schwierigkeitsgrad: Einsteiger

Reinforcement Learning (RL) is a type of machine learning technique that enables to learn from experiences and interactions between intelligent agents and the environment. This ability is not naturally provided by classical supervised learning wherein the entire training process is based on past experiences. In RL, the training target is mainly formulated as composite rewards for the decisions made by agents at particular states (of the system in the problem environment). Over time, the agents learn to improve their future cumulative rewards which, depending on the problem being solved, can appear to address a particular case where a specific goal is achieved or an optimal state is reached. This phenomenon could help addressing the problems for which insufficient data or modeling knowledge is available and also problems with significant levels of uncertainly. In particular, such cases are referred to as partially observable problems and regarding the fact that most RL solutions are provided under the assumption of the Markov property, RL methods nowadays are most significantly incorporated to address Partially Observable Markov Decision Processes (POMDP). RL has recently had a significant contribution to robotic controllers at different industrial roles. For the lowest level, training robots how to grasp an object quickly with a correct amount of force and appropriate rotations of the hand-like end-effectors as well as the paths the serially connected prismatic arms should move through can be learned via the use of RL. For curious people in the field, Deep-mind has provided efficient simulation environments and diverse parametric functionality to facilitate an enhanced understanding of the problem space. In addition, RL can assist with even more complex situations, such as when there is a variety of sensory data, but insufficient knowledge about the environmental reaction to the decisions made by the robot. The RL-controller can learn how to improve its reward or reach its goal optimally by choosing appropriate actions and receiving the corresponding feedback from the environment. Siemens Corporate Technology is one of the many who used RL based robotic controllers to drive its manufacturing assembly processes. In general, in a real-world application of RL for robotic control, the process of building the RL controller begins with defining an appropriate reward, identifying appropriate state variables and listing action space. Selecting an appropriate RL method out of value based, policy based or mixed approaches such as actor-critic methods is the next step. Simulations are repeated in an episodical manner and the success of the developed controller in achieving the learning objectives can be monitored in the growth (or decline) of the value of the reward. RL has recently played a more significant role in providing decentralized and interconnected autonomous systems where multiple agents negotiate and cooperate to handle complex tasks and multi-objective problems. Such solutions are referred to as Multi-agent Reinforcement Learning (MARL). Depending on the problem, such environments are massively complex for humans to model and an appropriate solution cannot be achieved without dealing with the curse of dimensionality without the use of MARL techniques. Distributed manufacturing systems are the next generation of such application as a significant number of industrial and academic research projects have recently been undertaken on the topic. 

Hybrides Arbeiten, hybrid, was ist das eigentlich? Reaktionäre sagen, alle zusammen in der Firma, das wäre doch super. Alle remote, das wäre doch super, sagen die Corona-Berater-Opportunisten (dann muss man nicht mehr so viel reisen). Die Open-Sourcler lachen sich derweil einen Ast. Hybrid, also egal wann wo, das ist die Zukunft? Ne, gibt es schon. Und funktioniert. Und ist super! Und das nicht zu machen ist reaktionär!! Spätestens nun gibt es Streit zwischen Anke und Hannes. Fantastisch? Realistisch? Geschichten aus der Arbeitswelt verschiedener Firmen (_k_, intersoft, NewStore, LV1871, …).