بهترین روش ها برای مدل سازی داده ها در تیم های مهندسی چند رشته ای

مقدمه مقدماتی

مدل سازی داده های موثر ستون فقرات تیم های مهندسی چند رشته ای موفق است که آیا کار شامل مکانیکی، الکتریکی، مدنی، یا مهندسی نرم افزار است، یک مدل داده به خوبی ساختار یافته تضمین می کند که اطلاعات دقیق، قابل دسترس و قابل اجرا در تمام زمینه های پیچیده توسعه محصول امروز است - که در آن تیم ها اغلب به ترکیبی از سیستم های میراث، سیستم عامل های ابر، و ابزار داده سفارشی متکی هستند - ارائه می دهد بهترین تنظیمات زبان ثابت شده در این تکنیک های متمرکز و روش های آموزشی دقیق است.

بنیاد مدل سازی داده های موثر

در هسته آن، مدل سازی داده شامل تعریف ساختار، روابط و محدودیت های داده است که یک سیستم ذخیره و پردازش می کند.در یک تیم مهندسی چند رشته ای، این فرایند باید نیازهای مختلف دامنه های مختلف را در حالی که حفظ یک کل منسجم، به عنوان مثال، یک مهندس مکانیک ممکن است نیاز به ردیابی خواص مواد و تحمل، در حالی که یک مهندس نرم افزار نیاز به API و جریان رویداد - با این حال حاضر هر دو تعاریف وابسته به یکپارچه سازی داده های یکپارچه، بدون خرابی های یکپارچه، به تجزیه و تحلیل داده های یکپارچه، بدون خرابی های یکپارچه، به تجزیه و تحلیل داده های یکپارچه، می شود.

یک پایه قوی با شناخت اینکه مدل های داده ها مصنوعات زنده هستند، شروع می شود.آنها باید در کنار نیازهای محصول، تغییرات نظارتی و تغییرات تکنولوژیکی تکامل یابند، به جای درمان مدل سازی داده ها به عنوان یک تمرین طراحی یک بار، تیم های موفق آن را به ادغام و تحویل مداوم خود تبدیل کنند.آنها از طرح های کنترل شده نسخه، اعتبار خودکار و فرآیندهای بررسی مشترک برای حفظ یکپارچگی در طول زمان استفاده می کنند.

بهترین تمرین 1: ایجاد اهداف روشن

اهداف در سراسر انضباط

قبل از شروع هر کار مدل سازی، تیم باید با هدف مدل داده موافقت کند، آیا قصد دارد تولید را هدایت کند، شبیه سازی پشتیبانی، نظارت بر زمان واقعی یا همه اهداف فوق را قادر سازد؟ اهداف پاک به اولویت دادن زمینه ها، تعریف روابط و تنظیم سطح دانه های مورد نیاز کمک می کنند.یک مدل ساخته شده برای بایگانی بلند مدت ممکن است به طور قابل توجهی از یک فرکانس طراحی شده برای سنسور داده های بالا متفاوت باشد.

برای ایجاد این اهداف، کارگاه های متقابل عملکردی را که هر رشته نیازهای داده های خود را ارائه می دهد، موارد استفاده را مستند می کند، هر کدام را به نهادهای و ویژگی های مدل نقشه برداری می کند.این مرحله تراز باعث کاهش ابهام و جلوگیری از دامنه مورد نیاز توسط خط لوله داده می شود.

بهترین تمرین 2: استفاده از اصطلاحات استاندارد

ایجاد یک ووکابلی عمومی

یکی از بزرگترین موانع در مدل سازی داده های چند رشته ای، چرخش اصطلاحات است. مفهوم مشابه ممکن است در یک دامنه، " شناسه جزئی" در یک دیگر، و "کد مواد" در یک سوم نامیده شود. اصطلاحات استاندارد حذف سردرگمی و اطمینان از اینکه پرس و جو و ادغام نتایج سازگار تولید می کنند. تیم ها باید یک براق مشترک را اتخاذ کنند که از طریق داده های دیورالکس و طرح ریزی اجرا می شود.

اتخاذ استانداردهای صنعت

در صورت امکان، از استانداردهای موجود از سازمان هایی مانند :ISO] استفاده کنید (به عنوان مثال ISO 10303 - گام) یا نهادهای خاص دامنه مانند .1] ISO (به عنوان مثال، SysML گروه مدیریت سیم کارت (FLT3)، این استانداردها تعاریف داده های به خوبی و الگوهای رابطه ای را ارائه می دهند که اصول همکاری کاملاً برای استفاده از پروتکل های جدید را به جای استفاده می کنند.

بهترین تمرین 3: Involve Cross-Disciplinary Stakeholder

مشارکت اولیه و بازخورد مستمر

مدل های داده تنها به اندازه افرادی که از آنها استفاده می کنند خوب هستند. جدا کردن یک رشته در طول فاز طراحی به طور اجتناب ناپذیری منجر به شکاف ها و تنظیمات کار بعد از آن می شود. نمایندگان Involve از هر حوزه مهندسی از ابتدا -مکانیکی، برق، نرم افزار، سیستم ها و آزمایش این ذینفعان باید در بررسی های مدل، تصمیم گیری های طرح و تست پذیرش شرکت کنند.

علاوه بر این، ایجاد یک حلقه بازخورد که کاربران مدل داده می توانند مسائل را گزارش دهند یا افزایش پیشنهاد دهند، این می تواند از طریق یک سیستم بلیط داخلی یا جلسات منظم مدیریت داده ها رسمی شود.در محیط های چابک، تغییرات مدل داده مانند هر محصول دیگر را بررسی کنید: اولویت بندی، تخمین و پیاده سازی در چرخه های آن مانند Directus، با محتوای انعطاف پذیر و مدل سازی آن، دسترسی سریع تر برای دسترسی به آن را حفظ کنید.

بهترین تمرین: طراحی برای انعطاف پذیری

الگوهای طرح های غیر قابل پیش بینی

پروژه های چند رشته ای به ندرت استاتیک هستند، انواع داده های جدید ظهور می کنند - به عنوان مثال، یک تیم مکانیکی ممکن است پس از تغییر عرضه کننده، ردیابی نیازهای سطح را شروع کند.یک مدل داده های سفت و سخت که نیاز به مهاجرت پایگاه داده برای هر یک از این موارد دارد، طرح هایی که می توانند بدون شکستن تکنیک های موجود، تغییر را در نظر بگیرند:

• استفاده از روابط چند گونه [FLT 1] که در آن یک جدول می تواند به انواع مختلف نهاد اشاره کند.
• ذخیره سازی اطلاعات اختیاری در ساختارهای انعطاف پذیر [به عنوان مثال، زمینه های JSON] در حالی که ویژگی های اصلی را به شدت تایپ می کنند.
• رفتارهای مشترک [FLT 1] را ردیابی می کند (به عنوان مثال، " مالکیت پروژه"، "تبدیل"، "حالت رضایت بخش" به الگوهای قابل استفاده مجدد.

نسخه برداری و تکامل

مدل داده های خود را به عنوان شما کد خود را استفاده از اسکریپت های مهاجرت که به عقب برای یک دوره تعریف شده از زمان تجزیه و تحلیل سازگار است، این اجازه می دهد تا مصرف کنندگان جریان - مانند دانشمندان داده و یا تیم های شبیه سازی - برای انطباق بدون وقفه ناگهانی. Directus پشتیبانی از طرح های بصری و ردیابی مهاجرت، اجازه می دهد تیم ها به عقب تغییر اگر یک زمینه جدید باعث مشکلات پیش بینی نشده در سیستم های متصل.

بهترین تمرین 5: مدیریت داده های پیاده سازی

کیفیت، امنیت و کنترل دسترسی

یک مدل داده به خوبی تقویت شده از تغییرات غیر مجاز جلوگیری می کند، یکپارچگی داده ها را تضمین می کند و مطابق با الزامات قانونی (به عنوان مثال، GDPR، کنترل صادرات) قوانین روشنی برای کسانی که می توانند ایجاد، خواندن، به روز رسانی و حذف سوابق برای تیم های چند رشته ای، این قوانین اغلب توسط بخش متفاوت است: به عنوان مثال، تنها تیم های الکتریکی ممکن است رتبه بندی ولتاژ را تغییر دهند، در حالی که تیم پایان نرم افزار را کنترل می کند.

قوانین اعتبار خودکار - مانند زمینه های مورد نیاز، محدوده ارزش و بررسی یکپارچگی ارجاعی - به طور مساوی حفاظت از کیفیت داده ها.استفاده از ابزارهایی که از مجوز های ریز و ورود حسابرسی پشتیبانی می کنند. Directus [FLT 1] یکی از نمونه های بی سر است که دسترسی به سطح زمینه و همچنین یک فعالیت کامل برای شناسایی داده های منظم و سوابق غیر قابل شناسایی داده های غیر قابل دسترسی به طور منظم و سوابق دسترسی به اطلاعات غیر قابل شناسایی را فراهم می کند.

بهترین تمرین 6: استفاده از Appropriate Tools

انتخاب یک پلتفرم داده

ابزار درست زنجیره مدل سازی داده ها را به جای جدا کردن پایگاه های داده های ارتباطی سنتی (postgreSQL، MySQL) پایدار می کند، اما CMS مدرن و سیستم عامل های backend-as-a-service لایه های انتزاعی را اضافه می کنند که سرعت توسعه را افزایش می دهند: این سیستم عامل ها معمولا ارائه می دهند:

• طراحان طرح بصری برای نمونه سازی سریع
• REST و GraphQL API که مدل ها را به طور مستقیم به مصرف کنندگان Frontend و microservice نشان می دهد.
• نسخه داخلی، Webhooks و ادغام های مبتنی بر رویداد.
• پشتیبانی از انواع داده های سفارشی، روابط و اعتبار.

مستندات مدل سازی داده هایDirectus یک پیاده روی عملی از طریق ساختار محتوا برای تیم های متقابل عملکردی، از جمله بسیاری از روابط برای تکالیف چند رشته ای و جداول اتصال برای مجموعه های پیچیده است.

چالش های مشترک و راه حل های عملی

استانداردهای داده های بد

دامنه های مهندسی مختلف اغلب کنوانسیون های داده خود را -IEEE برای برق، SAE برای مکانیکی، ISO برای کیفیت، هنگامی که این استانداردها تعارض، تیم باید یک زیرمجموعه مشترک مذاکره کنند: ایجاد یک مدل هسته ای که تنها ویژگی های هر رشته را بر اساس آن ها را بررسی می کند، سپس اجازه می دهد طرح های تمدید برای جزئیات خاص دامنه را حفظ کند.

داده های سیلوس و ادغام

حتی با یک مدل یکپارچه، سیستم های میراث و ابزارهای بخش ممکن است داده ها را در فرمت های ناسازگار ذخیره کنند، این به ویژه رایج است که تیم ها از نرم افزار تخصصی مانند CAD، PLM یا محیط های شبیه سازی استفاده می کنند. Mitigate این با ساخت ETL (تعالی، تبدیل، بارگذاری) خط لوله که داده ها را به مدل مرکزی تبدیل می کند.

ارتباطات Gaps

مهندسان از رشته های مختلف ممکن است مدل های ذهنی یکسانی از محصول را به اشتراک نگذارند.یک مهندس مکانیک از نظر مجامع و تحمل ها فکر می کند؛ یک مهندس نرم افزار از نظر API ها و ماشین های دولتی فکر می کند تا این شکاف را به هم بزند، نمودار های مدل داده بصری (تعاملات ارتباط، نمودار کلاس UML) را ایجاد کند که توسط همه تیم های برنامه نویسی Pair برای تغییر مدل داده بررسی می شود - در کنار یک متخصص داده ها - همچنین تجزیه و تحلیل می کند.

نتیجه گیری

تیم های مهندسی چند رشته ای هنگامی که مدل های داده های خود را روشن، انعطاف پذیر و مشترک حفظ می کنند، با ایجاد اهداف روشن، استاندارد سازی اصطلاحات، شامل تمام ذینفعان، طراحی برای تغییر، اجرای حکومت و انتخاب ابزار مناسب، این تیم ها می توانند از مشکلات رایج و سرعت بخشیدن به چرخه های مهندسی خود جلوگیری کنند، نه تنها یک ورزش فنی است - این یک فعال استراتژیک نوآوری در سراسر محصول است که بهترین شیوه های چرخه عمر مدرن را برای تبدیل سیستم عامل های مبتنی بر داده های مبتنی بر سیستم عامل های مبتنی بر پایه و تقویت می کند.