Os projetos de ML têm várias partes interessadas com níveis variados de envolvimento e responsabilidades. O envolvimento inicial e a colaboração eficaz com as partes interessadas são essenciais para desenvolver a solução certa, gerenciar as expectativas e, finalmente, para uma implementação de ML bem-sucedida.
O mais cedo possível, defina as partes interessadas do seu projeto, as entregas esperadas e os métodos de comunicação preferidos.
Inclua-as na lista de partes interessadas, bem como quaisquer outras equipes que precisem aprovar aspectos da solução de ML.
Tarefas
Cada parte interessada pode esperar entregas diferentes em cada fase do projeto. Aqui está uma lista de resultados comuns.
Documento de design.Antes de escrever uma linha de código, você provavelmente vai criar um documento de design que explique o problema, a solução proposta, as possíveis abordagens e os possíveis riscos. Normalmente, o documento de design funciona como uma maneira de receber feedback e abordar perguntas e preocupações das partes interessadas do projeto.
Consulte go/ml-design-doc-example para ver um exemplo de um modelo de documento de design de ML.
Resultados experimentais. Você precisa comunicar os resultados da fase de experimentação. Normalmente, você inclui o seguinte:
- O registro dos seus experimentos com hiperparâmetros e métricas.
- A pilha de treinamento e as versões salvas do seu modelo em determinados checkpoints.
Implementação pronta para produção. Um pipeline completo para treinar e disponibilizar seu modelo é a entrega principal. Nesta fase, crie documentação para futuros engenheiros que explique as decisões de modelagem, detalhes de implantação e monitoramento e peculiaridades dos dados.
Primeiro, alinhe-se com as partes interessadas sobre as expectativas delas para cada fase do projeto.
Observação importante
Em alguns casos, as partes interessadas podem não entender as complexidades e desafios do ML. Isso pode dificultar a priorização e a execução dos projetos. Por exemplo, algumas partes interessadas podem presumir que o ML é semelhante às práticas tradicionais de engenharia de software com resultados determinísticos. Eles podem não entender por que o progresso do projeto está parado ou por que os marcos de um projeto não são lineares.
Para gerenciar as expectativas das partes interessadas, é fundamental ter clareza sobre as complexidades, prazos e entregas em cada estágio do projeto.