Principais interessados
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Os projetos de ML têm várias partes interessadas com diferentes níveis de envolvimento e responsabilidades. O envolvimento precoce e a colaboração eficaz com as partes interessadas são essenciais para desenvolver a solução certa, gerenciar expectativas e, por fim, para uma implementação bem-sucedida de ML.
Defina o mais cedo possível as partes interessadas do projeto, os resultados esperados e os métodos de comunicação preferidos.
Inclua essas pessoas na sua lista de partes interessadas, assim como outras equipes que precisam aprovar aspectos da sua solução de ML.
Resultados
Cada parte interessada pode esperar entregas diferentes em cada fase do projeto. Confira uma lista de entregas comuns.
Documento de design: antes de escrever uma linha de código, você provavelmente vai criar um documento de design que explica o problema, a solução proposta, as abordagens possíveis e os riscos. Normalmente, o documento de design funciona como uma forma
de receber feedback e responder a dúvidas e preocupações dos
stakeholders do projeto.
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 modelo em determinados pontos de verificação.
Implementação pronta para produção. Um pipeline completo para treinamento e
serviço do modelo é o principal resultado. Nesta fase, crie documentação para futuros engenheiros que explique as decisões de modelagem, os detalhes da implantação e do monitoramento e as peculiaridades dos dados.
É importante alinhar desde o início com as partes interessadas as expectativas delas para cada fase do projeto.
Observação importante
Em alguns casos, as partes interessadas podem não entender as complexidades e os desafios da IA. Isso pode dificultar a priorização e execução de projetos. Por exemplo, alguns stakeholders podem presumir que o ML é semelhante às práticas tradicionais de engenharia de software com resultados determinísticos. Talvez eles não entendam 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 ser claro sobre as complexidades, os prazos e as entregas em cada etapa do projeto.
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-07-27 UTC.
[null,null,["Última atualização 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."]]
