Bei ML-Projekten sind mehrere Stakeholder mit unterschiedlicher Beteiligung und unterschiedlichen Verantwortlichkeiten beteiligt. Eine frühzeitige Einbeziehung und effektive Zusammenarbeit mit den Stakeholdern ist für die Entwicklung der richtigen Lösung, die Bewältigung der Erwartungen und letztendlich für eine erfolgreiche ML-Implementierung unerlässlich.
Definieren Sie so früh wie möglich die Stakeholder Ihres Projekts, die erwarteten Liefergegenstände und die bevorzugten Kommunikationsmethoden.
Nehmen Sie sie in Ihre Liste der Stakeholder sowie alle anderen Teams auf, die Aspekte Ihrer ML-Lösung genehmigen müssen.
Ergebnisse
Stakeholder erwarten möglicherweise in jeder Phase des Projekts unterschiedliche Liefergegenstände. Hier ist eine Liste gängiger Liefergegenstände.
Designdokument. Bevor Sie eine Codezeile schreiben, erstellen Sie höchstwahrscheinlich ein Designdokument, in dem das Problem, die vorgeschlagene Lösung, die potenziellen Ansätze und möglichen Risiken erläutert werden. In der Regel dient das Designdokument dazu, Feedback zu erhalten und auf Fragen und Bedenken der Stakeholder des Projekts einzugehen.
Ein Beispiel für eine Dokumentvorlage für ML-Design finden Sie unter go/ml-design-doc-example.
Testergebnisse: Sie müssen die Ergebnisse der Testphase kommunizieren. Normalerweise gehört Folgendes:
- Datensatz Ihrer Tests mit den zugehörigen Hyperparametern und Messwerten.
- Der Trainingsstack und die gespeicherten Versionen des Modells an bestimmten Prüfpunkten.
Produktionsbereite Implementierung. Eine vollständige Pipeline für Training und Bereitstellung Ihres Modells ist der wichtigste Liefergegenstand. Erstellen Sie in dieser Phase eine Dokumentation für zukünftige Entwickler, in der Entscheidungen über Modellierung, Bereitstellung und Monitoring sowie Datenauffälligkeiten erläutert werden.
Sie sollten sich mit den Stakeholdern in jeder Phase des Projekts frühzeitig über ihre Erwartungen abstimmen.
Wichtig
In einigen Fällen verstehen Stakeholder die Komplexität und Herausforderungen von ML möglicherweise nicht. Dies kann die Priorisierung und Ausführung von Projekten erschweren. Beispielsweise könnten einige Stakeholder davon ausgehen, dass ML traditionellen Softwareentwicklungspraktiken mit deterministischen Ergebnissen ähnelt. Sie verstehen möglicherweise nicht, warum der Projektfortschritt ins Stocken gerät oder warum die Meilensteine eines Projekts nicht linear sind.
Um die Erwartungen der Stakeholder zu erfüllen, ist es wichtig, sich in jeder Phase des Projekts über die Komplexitäten, Zeitrahmen und Liefergegenstände klar zu sein.