An ML-Projekten sind mehrere Stakeholder mit unterschiedlichem Engagement und unterschiedlichen Verantwortlichkeiten beteiligt. Eine frühzeitige Einbeziehung und effektive Zusammenarbeit mit Stakeholdern ist unerlässlich, um die richtige Lösung zu entwickeln, Erwartungen zu erfüllen und letztendlich eine erfolgreiche ML-Implementierung zu erreichen.
Definieren Sie so früh wie möglich die Stakeholder des Projekts, die erwarteten Ergebnisse und die bevorzugten Kommunikationsmethoden.
Nehmen Sie sie in Ihre Liste der Stakeholder auf, ebenso wie alle anderen Teams, die Aspekte Ihrer ML-Lösung genehmigen müssen.
Ergebnisse
Jeder Stakeholder erwartet in jeder Phase des Projekts möglicherweise unterschiedliche Ergebnisse. Hier finden Sie eine Liste mit häufigen Ergebnissen.
Konzeptdokument: Bevor Sie eine Zeile Code schreiben, erstellen Sie höchstwahrscheinlich ein Konzeptdokument, in dem das Problem, die vorgeschlagene Lösung, die potenziellen Ansätze und die möglichen Risiken erläutert werden. In der Regel dient das Design-Dokument dazu, Feedback zu erhalten und Fragen und Bedenken der Stakeholder des Projekts zu berücksichtigen.
Testergebnisse: Sie müssen die Ergebnisse der Testphase mitteilen. Normalerweise geben Sie Folgendes an:
- Die Aufzeichnung Ihrer Tests mit ihren Hyperparametern und Messwerten.
- Der Trainingsstapel und gespeicherte Versionen Ihres Modells an bestimmten Prüfpunkten.
Implementierung für die Produktion: Die wichtigste Leistung ist eine vollständige Pipeline für das Training und die Bereitstellung Ihres Modells. In dieser Phase erstellen Sie eine Dokumentation für zukünftige Entwickler, in der Modellierungsentscheidungen, Bereitstellungs- und Überwachungsspezifikationen sowie Besonderheiten der Daten erläutert werden.
Sie sollten sich frühzeitig mit Ihren Stakeholdern über ihre Erwartungen für jede Phase des Projekts abstimmen.
Hinweis
Manchmal verstehen Stakeholder die Komplexität und Herausforderungen von ML nicht. Das kann es erschweren, Projekte zu priorisieren und auszuführen. Einige Stakeholder gehen beispielsweise möglicherweise davon aus, dass ML ähnelt wie traditionelle Softwareentwicklung mit deterministischen Ergebnissen. Möglicherweise verstehen sie nicht, warum der Fortschritt des Projekts ins Stocken geraten ist oder warum die Meilensteine eines Projekts nicht linear sind.
Um die Erwartungen der Stakeholder zu erfüllen, ist es wichtig, in jeder Phase Ihres Projekts Klarheit über die Komplexität, Zeitrahmen und Ergebnisse zu schaffen.