Latihan 1: Mulai dengan Jelas dan Mudah

Tulis apa yang Anda inginkan untuk dilakukan model machine learning.

Kami ingin agar model machine learning dapat:

Kiat-kiat untuk Sukses
Pada tahap ini, pernyataan tersebut dapat bersifat kualitatif, tetapi pastikan pernyataan ini menggambarkan sasaran Anda yang sebenarnya, bukan sasaran yang tidak langsung. Jika tidak yakin, lihat tutorial sebelumnya, dan lihat apa yang mungkin dapat dilakukan model machine learning.

Latihan 2: Hasil Ideal Anda

Menambahkan model ML ke sistem Anda akan memberikan hasil yang diinginkan. Apa hasil ini, terlepas dari model itu sendiri? Perhatikan bahwa hasil ini mungkin sangat berbeda dengan cara Anda menilai model dan kualitasnya.

Hasil ideal kita adalah:

Kiat-kiat untuk Sukses
Anda tidak perlu membatasi diri pada metrik yang telah dioptimalkan produk Anda (yang akan dibahas dalam latihan berikutnya). Sebaliknya, cobalah untuk fokus pada tujuan yang lebih besar dari produk atau layanan Anda.

Latihan 3: Metrik Kesuksesan Anda

Tuliskan metrik keberhasilan dan kegagalan Anda dengan sistem ML. Metrik kegagalan itu penting, yaitu, bagaimana Anda tahu apakah sistem ML gagal? Metrik keberhasilan dan kegagalan harus frasa yang terpisah dari metrik evaluasi untuk model. Misalnya, jangan berbicara tentang presisi, penarikan, atau ABK, melainkan membicarakan hasil yang diperkirakan. Sering kali metrik ini akan terkait dengan hasil ideal yang Anda tetapkan di atas.

Metrik keberhasilan kami adalah:

Model ML kami dianggap gagal jika:

Kiat-kiat untuk Sukses
  • Apakah metrik ini terukur?
  • Bagaimana cara Anda mengukurnya?
  • Kapan Anda dapat mengukurnya?
    • Berapa lama waktu yang dibutuhkan untuk mengetahui apakah sistem ML baru Anda berhasil atau gagal?
  • Pertimbangkan biaya teknis dan pemeliharaan dalam jangka panjang.
  • Kegagalan tidak hanya dapat disebabkan oleh non-pencapaian metrik keberhasilan.

Latihan 4: Output Anda

Tulis output yang Anda inginkan untuk dihasilkan oleh model ML.

Output dari model ML kami adalah:

Outputnya didefinisikan sebagai salah satu dari berikut ini:

Kiat-kiat untuk Sukses
  • Output harus dapat diukur dengan definisi yang dapat dihasilkan oleh mesin.
  • Jika menggunakan ML prediktif, apakah Anda dapat memperoleh contoh output yang akan digunakan untuk data pelatihan?
    • Bagaimana dan dari sumber mana?
  • Contoh output Anda mungkin perlu direkayasa, seperti mengubah waktu tonton menjadi persentil.
  • Jika sulit mendapatkan contoh output yang akan digunakan untuk pelatihan, Anda mungkin perlu meninjau kembali respons terhadap latihan sebelumnya untuk merumuskan ulang masalah dan sasaran menjadi target yang memungkinkan Anda melatih model pada data.

Latihan 5: Menggunakan Output

Tulis kapan output Anda harus diperoleh dari model ML, dan cara penggunaannya dalam produk Anda.

Output dari model ML akan diperoleh saat:

Hasilnya akan digunakan untuk:

Kiat-kiat untuk Sukses
Pertimbangkan data yang Anda perlukan untuk membuat prediksi. Misalnya, jika Anda menggunakan ML untuk memprediksi waktu perjalanan di aplikasi peta, hal ini mungkin ditulis sebagai, "Output dari model akan diperoleh saat pengguna memilih asal, tujuan, dan moda transportasi."
Pertimbangkan bagaimana Anda akan menggunakan hasil yang diprediksi dalam produk Anda.
  • Apakah akan segera ditampilkan kepada pengguna di UI?
  • Apakah akan digunakan oleh logika bisnis berikutnya?
  • Persyaratan latensi apa yang Anda miliki?
Persyaratan tersebut (persyaratan penayangan model ML) dapat memengaruhi informasi yang dapat digunakan untuk membuat prediksi. Misalnya:
  • Latensi dalam menggunakan data dari layanan jarak jauh dapat membuatnya tidak memungkinkan untuk digunakan.
  • Jika sumber data mengalami keterlambatan dalam menyediakan informasi baru:
    • Log yang diproses hanya dapat dihasilkan sekali sehari.
    • Informasi tertentu tidak diketahui sampai benar-benar terjadi (seperti peristiwa konversi).
Pengujian Oracle: Anda selalu memiliki jawaban yang benar. Bagaimana cara Anda menggunakannya dalam produk Anda?

Latihan 6: Heuristik Anda

Tuliskan cara Anda akan menyelesaikan masalah jika Anda tidak menggunakan ML. Misalnya, heuristik apa yang mungkin Anda gunakan.

Jika kita tidak menggunakan ML, kita akan:

Kiat-kiat untuk Sukses
Pikirkan skenario saat Anda perlu mengirim produk besok, dan Anda hanya dapat melakukan hardcode pada logika bisnis. Apa yang akan Anda lakukan?
Klik tombol di bawah untuk mencetak atau menyimpan respons sebagai .pdf.

Cetak Halaman