Pemangku kepentingan

Project ML memiliki banyak pemangku kepentingan dengan berbagai tingkat keterlibatan dan tanggung jawab. Keterlibatan awal dan kolaborasi yang efektif dengan pemangku kepentingan sangat penting untuk mengembangkan solusi yang tepat, mengelola ekspektasi, dan pada akhirnya untuk keberhasilan implementasi ML.

Seawal mungkin, tentukan pemangku kepentingan proyek Anda, hasil yang diharapkan, dan metode komunikasi pilihan.

Pastikan untuk menyertakannya dalam daftar pemangku kepentingan Anda, serta tim lain yang perlu menyetujui aspek solusi ML Anda.

Kiriman

Setiap pemangku kepentingan mungkin mengharapkan hasil yang berbeda di setiap fase proyek. Berikut adalah daftar hasil kerja umum.

  • Dokumen desain. Sebelum menulis baris kode, kemungkinan besar Anda akan membuat dokumen desain yang menjelaskan masalah, solusi yang diusulkan, potensi pendekatan, dan kemungkinan risiko. Biasanya, dokumen desain berfungsi sebagai cara untuk menerima masukan dan menjawab pertanyaan serta kekhawatiran dari pemangku kepentingan project.

    Lihat go/ml-design-doc-example untuk mengetahui contoh template dokumen desain ML.

  • Hasil eksperimental. Anda harus mengomunikasikan hasil dari fase eksperimen. Anda biasanya akan menyertakan hal-hal berikut:

    • Data eksperimen Anda dengan hyperparameter dan metriknya.
    • Stack pelatihan dan versi tersimpan dari model Anda di checkpoint tertentu.
  • Penerapan siap produksi. Pipeline lengkap untuk melatih dan menyajikan model Anda adalah hasil utama. Pada fase ini, buat dokumentasi untuk engineer mendatang yang menjelaskan keputusan pemodelan, spesifikasi deployment dan pemantauan, serta keunikan data.

Anda harus menyelaraskan lebih awal dengan pemangku kepentingan tentang ekspektasi mereka untuk setiap fase proyek.

Perhatikan

Dalam beberapa kasus, pemangku kepentingan mungkin tidak memahami kompleksitas dan tantangan ML. Hal ini dapat membuat proyek diprioritaskan dan dilaksanakan menjadi sulit. Misalnya, beberapa pemangku kepentingan mungkin berasumsi bahwa ML mirip dengan praktik software engineering tradisional dengan hasil yang deterministik. Mereka mungkin tidak memahami penyebab progres project terhenti atau mengapa pencapaian project tidak linear.

Untuk mengelola harapan pemangku kepentingan, sangat penting untuk menjelaskan kompleksitas, jangka waktu, dan hasil di setiap tahap proyek Anda.