Les projets de ML impliquent de nombreuses personnes concernées, dont les niveaux d'implication et de responsabilités varient. Une implication précoce et une collaboration efficace avec les personnes concernées sont essentielles pour développer la solution appropriée, gérer les attentes et, à terme, réussir la mise en œuvre du ML.
Le plus tôt possible, définissez les partenaires de votre projet, les produits livrables attendus et les méthodes de communication préférées.
Veillez à les inclure dans votre liste de personnes concernées, ainsi que dans toute autre équipe devant approuver des aspects de votre solution de ML.
Livrables
Chaque partenaire peut s'attendre à des produits livrables différents à chaque phase du projet. Voici une liste de produits livrables courants.
Document de conception : avant d'écrire une ligne de code, vous allez très probablement créer un document de conception qui explique le problème, la solution proposée, les approches potentielles et les risques éventuels. En règle générale, le document de conception sert à recevoir des commentaires et à répondre aux questions et aux préoccupations des partenaires du projet.
Consultez go/ml-design-doc-example pour obtenir un exemple de modèle de document de conception de ML.
Résultats expérimentaux Vous devez communiquer les résultats de la phase d'expérimentation. Vous devez généralement inclure les éléments suivants:
- Enregistrement de vos tests avec leurs hyperparamètres et métriques.
- La pile d'entraînement et les versions enregistrées de votre modèle à certains points de contrôle
Implémentation prête pour la production. Un pipeline complet pour l'entraînement et l'inférence du modèle est le principal produit livrable. Lors de cette phase, créez pour les futurs ingénieurs une documentation expliquant les décisions de modélisation, les spécificités du déploiement et de la surveillance, ainsi que les particularités des données.
Vous devez rapidement vous aligner avec vos partenaires sur leurs attentes pour chaque phase du projet.
À retenir
Dans certains cas, les personnes concernées peuvent ne pas comprendre les complexités et les défis du ML. Cela peut rendre difficile la hiérarchisation et l’exécution des projets. Par exemple, certaines personnes concernées peuvent supposer que le ML est semblable aux pratiques d'ingénierie logicielle traditionnelles avec des résultats déterministes. Il ne comprendra peut-être pas pourquoi l'avancement du projet est au point ou pourquoi les jalons d'un projet ne sont pas linéaires.
Pour gérer les attentes des partenaires, il est essentiel d'être clair sur la complexité, les délais et les produits livrables à chaque étape de votre projet.