I progetti ML hanno più stakeholder con diversi livelli di coinvolgimento e responsabilità. Il coinvolgimento immediato e una collaborazione efficace con gli stakeholder sono essenziali per sviluppare la soluzione giusta, gestire le aspettative e, infine, per un'implementazione ML di successo.
Il prima possibile, definisci gli stakeholder del progetto, i risultati finali previsti e i metodi di comunicazione preferiti.
Assicurati di includerle nell'elenco degli stakeholder e di tutti gli altri team che devono approvare alcuni aspetti della tua soluzione ML.
Materiali da produrre
Ogni stakeholder potrebbe aspettarsi risultati diversi in ogni fase del progetto. Di seguito è riportato un elenco dei prodotti più comuni.
Documento di progettazione. Prima di scrivere una riga di codice, molto probabilmente creerai un documento di progettazione che spiega il problema, la soluzione proposta, i potenziali approcci e i possibili rischi. In genere, il documento di progettazione funge da modo per ricevere feedback e rispondere a domande e dubbi degli stakeholder del progetto.
Vedi go/ml-design-doc-example per un esempio di modello di documento di progettazione ML.
Risultati sperimentali. Devi comunicare i risultati della fase di sperimentazione. In genere devi includere quanto segue:
- Il registro degli esperimenti con i relativi iperparametri e metriche.
- Lo stack di addestramento e le versioni salvate del modello in determinati checkpoint.
Implementazione pronta per la produzione. Il risultato chiave è una pipeline completa per l'addestramento e la pubblicazione del modello. In questa fase, crea la documentazione per i futuri ingegneri che spiegano le decisioni di definizione dei modelli, le specifiche di deployment e monitoraggio e le peculiarità dei dati.
devi allinearti fin da subito agli stakeholder riguardo alle loro aspettative per ogni fase del progetto.
Aspetti da considerare
In alcuni casi, gli stakeholder potrebbero non comprendere le complessità e le sfide del ML. Ciò può rendere difficile l'esecuzione e la priorità dei progetti. Ad esempio, alcuni stakeholder potrebbero presumere che il machine learning sia simile alle tradizionali pratiche di progettazione del software con risultati deterministici. Potrebbero non capire perché i progressi del progetto sono bloccati o perché gli obiettivi di un progetto non sono lineari.
Per gestire le aspettative degli stakeholder, è fondamentale essere chiari sulle complessità, i tempi e i risultati in ogni fase del progetto.