Stakeholder
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
I progetti ML hanno più stakeholder con livelli di coinvolgimento e responsabilità diversi. Il coinvolgimento tempestivo e la collaborazione efficace con gli stakeholder sono essenziali per sviluppare la soluzione giusta, gestire le aspettative e, in definitiva, per un'implementazione di ML riuscita.
Definisci il prima possibile gli stakeholder del progetto, i risultati
attesi e i metodi di comunicazione preferiti.
Assicurati di includerli nell'elenco degli stakeholder, nonché tutti gli altri
team che devono approvare aspetti della tua soluzione di ML.
Materiali da produrre
Ogni stakeholder potrebbe aspettarsi risultati diversi in ogni fase del progetto. Ecco un elenco dei risultati comuni.
Documento di progettazione.Prima di scrivere una riga di codice, molto probabilmente creerai un documento di progettazione che spieghi il problema, la soluzione proposta, i potenziali approcci e i possibili rischi. In genere, il documento di progettazione funge da strumento per ricevere feedback e rispondere a domande e dubbi degli stakeholder del progetto.
Risultati sperimentali. Devi comunicare i risultati della
fase di sperimentazione. In genere, includi quanto segue:
- Il record dei tuoi esperimenti con i relativi iperparametri e metriche.
- Lo stack di addestramento e le versioni salvate del modello in determinati
checkpoint.
Implementazione pronta per la produzione. Una pipeline completa per l'addestramento e
la pubblicazione del modello è il risultato chiave. In questa fase, crea
la documentazione per i futuri ingegneri che spieghi le decisioni di modellazione,
le specifiche di deployment e monitoraggio e le peculiarità dei dati.
Devi allinearti in anticipo con gli stakeholder in merito alle loro aspettative
per ogni fase del progetto.
Aspetti da considerare
In alcuni casi, gli stakeholder potrebbero non comprendere le complessità e le sfide
dell'ML. Ciò può rendere difficile la definizione delle priorità e l'esecuzione dei progetti. Ad esempio, alcuni stakeholder potrebbero presumere che l'ML sia simile alle pratiche di ingegneria del software tradizionali con risultati deterministici. Potrebbero non
capire perché l'avanzamento del progetto è in stallo o perché le tappe fondamentali di un progetto
non sono lineari.
Per gestire le aspettative degli stakeholder, è fondamentale essere chiari in merito a complessità, tempistiche e risultati finali in ogni fase del progetto.
Salvo quando diversamente specificato, i contenuti di questa pagina sono concessi in base alla licenza Creative Commons Attribution 4.0, mentre gli esempi di codice sono concessi in base alla licenza Apache 2.0. Per ulteriori dettagli, consulta le norme del sito di Google Developers. Java è un marchio registrato di Oracle e/o delle sue consociate.
Ultimo aggiornamento 2025-07-27 UTC.
[null,null,["Ultimo aggiornamento 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."]]
