בעלי עניין
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
בפרויקטים של ML יש כמה בעלי עניין עם רמות שונות של מעורבות ואחריות. כדי לפתח את הפתרון הנכון, לנהל את הציפיות ובסופו של דבר להטמיע בהצלחה את למידת המכונה, חשוב לשתף פעולה עם בעלי העניין בשלב מוקדם.
מומלץ להגדיר מוקדם ככל האפשר את בעלי העניין בפרויקט, את התוצרים הצפויים ואת שיטות התקשורת המועדפות.
חשוב לכלול אותם ברשימת בעלי העניין, וגם צוותים אחרים שצריכים לאשר היבטים של פתרון ה-ML.
תוצרים
יכול להיות שלכל בעל עניין יהיו ציפיות שונות לגבי התוצרים בכל שלב בפרויקט. ריכזנו כאן רשימה של תוצרים נפוצים.
מסמך עיצוב. לפני שכותבים שורת קוד, סביר להניח שיוצרים מסמך עיצוב שמסביר את הבעיה, את הפתרון המוצע, את הגישות האפשריות ואת הסיכונים האפשריים. בדרך כלל, מסמך התכנון משמש כדרך לקבל משוב ולענות על שאלות וחששות של בעלי העניין בפרויקט.
תוצאות ניסיוניות. חובה לדווח על התוצאות של שלב הניסוי. בדרך כלל צריך לכלול את הפרטים הבאים:
- תיעוד של הניסויים עם ההיפר-פרמטרים והמדדים שלהם.
- חבילת האימון והגרסאות השמורות של המודל בנקודות מסוימות.
הטמעה שמוכנה לסביבת הייצור. התוצר העיקרי הוא צינור מלא לאימון המודל ולהצגתו. בשלב הזה, כדאי ליצור מסמכים למהנדסים שיעבדו על הפרויקט בעתיד. המסמכים צריכים לכלול הסברים על החלטות שקשורות למודלים, פרטים על הפריסה והמעקב ופרטים על הנתונים.
כדאי לתאם מראש עם בעלי העניין את הציפיות שלהם לגבי כל שלב בפרויקט.
חשוב לזכור
במקרים מסוימים, בעלי עניין לא מבינים את המורכבויות והאתגרים של ML. כתוצאה מכך, יכול להיות שיהיה קשה לתעדף פרויקטים ולבצע אותם. לדוגמה, יכול להיות שבעלי עניין מסוימים יניחו שלמידת מכונה דומה לשיטות מסורתיות של הנדסת תוכנה עם תוצאות דטרמיניסטיות. יכול להיות שהם לא יבינו למה ההתקדמות בפרויקט נעצרה או למה אבני הדרך בפרויקט לא מסודרות בסדר ליניארי.
כדי לנהל את הציפיות של בעלי העניין, חשוב להבהיר את המורכבויות, את מסגרות הזמן ואת התוצרים בכל שלב בפרויקט.
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-27 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-27 (שעון 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."]]
