Parties prenantes
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Les projets de ML impliquent plusieurs parties prenantes ayant différents niveaux d'implication et de responsabilités. Il est essentiel d'impliquer les parties prenantes dès le début et de collaborer efficacement avec elles pour développer la bonne solution, gérer les attentes et, en fin de compte, réussir l'implémentation du ML.
Définissez les partenaires du projet, les livrables attendus et les méthodes de communication préférées le plus tôt possible.
Veillez à les inclure dans votre liste de partenaires, ainsi que toutes les autres équipes qui doivent approuver des aspects de votre solution de ML.
Livrables
Chaque partie prenante peut s'attendre à des livrables différents à chaque phase du projet. Voici une liste des livrables courants.
Document de conception : avant d'écrire la moindre ligne de code, vous allez probablement créer un document de conception qui explique le problème, la solution proposée, les approches potentielles et les risques possibles. En règle générale, le document de conception permet de recueillir des commentaires et de répondre aux questions et préoccupations des parties prenantes du projet.
Résultats expérimentaux. Vous devez communiquer les résultats de la phase d'expérimentation. Vous devez généralement inclure les éléments suivants :
- L'enregistrement de vos tests avec leurs hyperparamètres et métriques.
- Pile d'entraînement et versions enregistrées de votre modèle à certains points de contrôle.
Implémentation prête pour la production. Le principal livrable est un pipeline complet pour entraîner et diffuser votre modèle. À cette étape, créez une documentation pour les futurs ingénieurs. Elle doit expliquer les décisions de modélisation, les spécificités de déploiement et de surveillance, ainsi que les particularités des données.
Vous devez vous aligner rapidement avec vos partenaires sur leurs attentes pour chaque phase du projet.
À retenir
Dans certains cas, les parties prenantes peuvent ne pas comprendre les complexités et les défis du ML. Il peut alors être difficile de faire prioriser et exécuter des projets. Par exemple, certains acteurs peuvent supposer que le ML est semblable aux pratiques d'ingénierie logicielle traditionnelles avec des résultats déterministes. Il se peut qu'ils ne comprennent pas pourquoi la progression du projet est au point mort ou pourquoi les étapes clés d'un projet ne sont pas linéaires.
Pour gérer les attentes des parties prenantes, il est essentiel d'être clair sur les complexités, les délais et les livrables à chaque étape de votre projet.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/27 (UTC).
[null,null,["Dernière mise à jour le 2025/07/27 (UTC)."],[[["\u003cp\u003eMachine learning (ML) projects require early and consistent collaboration with stakeholders who have varying levels of involvement and expectations.\u003c/p\u003e\n"],["\u003cp\u003eClearly define project deliverables like design documents, experimental results, and production-ready implementations, aligning with stakeholder expectations for each project phase.\u003c/p\u003e\n"],["\u003cp\u003eProactively communicate the unique complexities and potential challenges inherent in ML projects to manage stakeholder expectations and ensure project success.\u003c/p\u003e\n"],["\u003cp\u003eEstablish clear communication channels and involve all necessary teams, including those requiring approval, for efficient project execution.\u003c/p\u003e\n"]]],[],null,["# Stakeholders\n\nML projects have multiple stakeholders with varying levels of involvement and\nresponsibilities. Early involvement and effective collaboration with\nstakeholders is essential for developing the right solution, managing\nexpectations, and ultimately for a successful ML implementation.\n\nAs early as possible, define your project's stakeholders, the expected\ndeliverables, and the preferred communication methods.\n\nBe sure to include them in your list of stakeholders, as well as any other\nteams who need to approve aspects of your ML solution.\n\nDeliverables\n------------\n\nEach stakeholder might expect different deliverables at each phase of the\nproject. Here's a list of common deliverables.\n\n- **Design doc.** Before you write a line of code, you'll most likely create a\n design doc that explains the problem, the proposed solution, the potential\n approaches, and possible risks. Typically, the design doc functions as a way\n to receive feedback and address questions and concerns from the project's\n stakeholders.\n\n \u003cbr /\u003e\n\n- **Experimental results.** You must communicate the outcomes from the\n experimentation phase. You'll typically include the following:\n\n - The record of your experiments with their hyperparameters and metrics.\n - The training stack and saved versions of your model at certain checkpoints.\n- **Production-ready implementation.** A full pipeline for training and\n serving your model is the key deliverable. At this phase, create\n documentation for future engineers that explain modeling decisions,\n deployment and monitoring specifics, and data peculiarities.\n\nYou should align early with your stakeholders on their expectations\nfor each phase of the project.\n\n### Keep in mind\n\nIn some cases, stakeholders might not understand the complexities and challenges\nof ML. This can make getting projects prioritized and executed difficult. For\nexample, some stakeholders might assume that ML is similar to traditional\nsoftware engineering practices with deterministic outcomes. They might not\nunderstand why the project's progress is stalled or why a project's milestones\nare non-linear.\n\nTo manage stakeholder expectations, it's critical to be clear about the\ncomplexities, timeframes, and deliverables at each stage of your project."]]
