Paydaşlar
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Makine öğrenimi projelerinde, farklı düzeylerde katılım ve sorumluluklara sahip birden fazla paydaş bulunur. Doğru çözümü geliştirmek, beklentileri yönetmek ve nihayetinde başarılı bir makine öğrenimi uygulaması için paydaşlarla erken aşamada ilgilenmek ve etkili bir şekilde iş birliği yapmak çok önemlidir.
Projenizin paydaşlarını, beklenen çıktıları ve tercih edilen iletişim yöntemlerini mümkün olduğunca erken tanımlayın.
Bu kişileri ve makine öğrenimi çözümünüzün belirli yönlerini onaylaması gereken diğer tüm ekipleri paydaş listenize eklemeyi unutmayın.
Teslim edilecek materyaller
Her paydaş, projenin her aşamasında farklı teslimatlar bekleyebilir. Sık kullanılan teslimat öğelerinin listesini aşağıda bulabilirsiniz.
Tasarım belgesi. Bir satır kod yazmadan önce büyük olasılıkla sorunu, önerilen çözümü, olası yaklaşımları ve riskleri açıklayan bir tasarım belgesi oluşturursunuz. Genellikle tasarım belgesi, geri bildirim almak ve projenin paydaşlarından gelen soruları ve endişeleri ele almak için kullanılır.
Deneysel sonuçlar. Deneme aşamasının sonuçlarını iletmeniz gerekir. Genellikle şunları eklersiniz:
- Hiperparametreleri ve metrikleriyle birlikte denemelerinizin kaydı.
- Eğitim yığını ve modelinizin belirli kontrol noktalarındaki kaydedilmiş sürümleri.
Üretime hazır uygulama. Modelinizi eğitmek ve sunmak için tam bir ardışık düzen, temel sonuçtur. Bu aşamada, modelleme kararlarını, dağıtım ve izleme özelliklerini ve verilerle ilgili tuhaflıkları açıklayan, gelecekteki mühendisler için dokümanlar oluşturun.
Projenin her aşamasıyla ilgili beklentileri konusunda paydaşlarınızla erkenden anlaşmalısınız.
Unutmayın
Bazı durumlarda paydaşlar, makine öğreniminin karmaşıklıklarını ve zorluklarını anlamayabilir. Bu durum, projelerin önceliklendirilmesini ve yürütülmesini zorlaştırabilir. Örneğin, bazı paydaşlar makine öğreniminin, deterministik sonuçlar veren geleneksel yazılım mühendisliği uygulamalarına benzediğini düşünebilir. Projenin ilerlemesinin neden durduğunu veya projenin kilometre taşlarının neden doğrusal olmadığını anlamayabilirler.
Paydaş beklentilerini yönetmek için projenizin her aşamasındaki karmaşıklıklar, zaman çizelgeleri ve teslimatlar hakkında net olmanız çok önemlidir.
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-27 UTC.
[null,null,["Son güncelleme tarihi: 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."]]
