Các dự án học máy đòi hỏi các nhóm gồm những thành viên có nhiều kỹ năng, chuyên môn, và trách nhiệm liên quan đến công nghệ học máy. Sau đây là những URL phổ biến nhất vai trò của các nhóm học máy điển hình:
| Vai trò | Kiến thức và kỹ năng | Nội dung cung cấp chính |
|---|---|---|
| nhà quản lý sản phẩm học máy | Các nhà quản lý sản phẩm học máy hiểu rõ những điểm mạnh của công nghệ học máy và những điểm yếu và quá trình phát triển công nghệ học máy. Loại từ khoá này phù hợp với các vấn đề của doanh nghiệp đến các giải pháp học máy bằng cách làm việc trực tiếp với nhóm học máy, người dùng cuối, và các bên liên quan khác. Chúng tạo tầm nhìn cho sản phẩm, xác định trường hợp sử dụng và đáp ứng các yêu cầu của bạn cũng như lập kế hoạch và ưu tiên các dự án. |
Tài liệu yêu cầu về sản phẩm (PRD). |
| Quản lý kỹ thuật | Các nhà quản lý kỹ thuật đạt được mục tiêu kinh doanh bằng cách đặt ra, trao đổi thông tin và đạt được các ưu tiên của nhóm. Giống như công nghệ học máy nhà quản lý sản phẩm, họ điều chỉnh các giải pháp học máy cho phù hợp với vấn đề kinh doanh. Họ đặt ra kỳ vọng rõ ràng cho các thành viên trong nhóm, tiến hành đánh giá hiệu suất, đồng thời hỗ trợ sự nghiệp và phát triển chuyên môn. |
Tài liệu thiết kế, kế hoạch dự án và thông tin đánh giá hiệu suất. |
| Nhà khoa học dữ liệu | Nhà khoa học dữ liệu dùng phương pháp phân tích định lượng và thống kê để trích xuất dữ liệu thông tin chi tiết và giá trị từ dữ liệu. Chúng giúp xác định và thử nghiệm các tính năng, mô hình nguyên mẫu và trợ giúp về mức độ diễn giải mô hình. | Các báo cáo và hình ảnh dữ liệu giúp giải đáp các thắc mắc về doanh nghiệp thông qua phân tích thống kê. |
| kỹ sư học máy | Các kỹ sư học máy thiết kế, xây dựng, sản xuất và quản lý các mô hình học máy. Họ là những kỹ sư phần mềm mạnh, có hiểu biết sâu về công nghệ học máy công nghệ và các phương pháp hay nhất. | Mô hình đã triển khai có đủ chất lượng dự đoán để đáp ứng hoạt động kinh doanh mục tiêu. |
| Kỹ sư dữ liệu | Kỹ sư dữ liệu xây dựng quy trình dữ liệu để lưu trữ, tổng hợp và xử lý một lượng lớn dữ liệu. Các dịch vụ này giúp phát triển cơ sở hạ tầng và để thu thập và chuyển đổi dữ liệu thô thành các định dạng hữu ích để huấn luyện và phân phát mô hình. Kỹ sư dữ liệu chịu trách nhiệm về dữ liệu trong toàn bộ quá trình phát triển công nghệ học máy. | Quy trình dữ liệu được sản xuất đầy đủ với sự giám sát cần thiết và cảnh báo. |
| Kỹ sư vận hành nhà phát triển (DevOps) | Các kỹ sư DevOps (Phát triển và vận hành) phát triển, triển khai, mở rộng quy mô và giám sát cơ sở hạ tầng phân phát cho các mô hình học máy. | Một quy trình tự động để phân phát, giám sát, kiểm thử và cảnh báo trên hành vi của một mô hình. |
Các dự án học máy thành công đều có đội ngũ phụ trách tốt từng vai trò đại diện. Khi làm việc với quy mô nhỏ, các cá nhân sẽ phải xử lý trách nhiệm của nhiều vai trò.
Xây dựng các phương pháp cho nhóm
Bởi vì vai trò, công cụ và bộ khung có sự khác biệt đáng kể trong công nghệ học máy trong quá trình phát triển, bạn cần phải thiết lập các phương pháp thông dụng thông qua tài liệu quy trình tuyệt vời. Ví dụ: một kỹ sư có thể nghĩ rằng chỉ cần có được dữ liệu phù hợp là đủ để bắt đầu huấn luyện một mô hình, còn một kỹ sư có trách nhiệm hơn sẽ xác thực rằng tập dữ liệu được ẩn danh chính xác và ghi lại siêu dữ liệu cũng như nguồn của nó. Đảm bảo các kỹ sư chia sẻ những định nghĩa chung về các quy trình và mẫu thiết kế giúp giảm nhầm lẫn và giúp tăng tốc độ của nhóm.
Tài liệu về quy trình
Tài liệu về quy trình phải xác định các công cụ, cơ sở hạ tầng và quy trình của nhóm sẽ dùng để phát triển công nghệ học máy. Tài liệu về quy trình hiệu quả giúp thống nhất nội dung mới và hiện tại các thành viên trong nhóm. Họ cần trả lời các loại câu hỏi sau:
- Dữ liệu được tạo cho mô hình này như thế nào?
- Chúng tôi kiểm tra, xác thực và trực quan hoá dữ liệu bằng cách nào?
- Làm cách nào để sửa đổi tính năng đầu vào hoặc nhãn trong dữ liệu huấn luyện?
- Làm cách nào để tuỳ chỉnh quy trình tạo, huấn luyện và đánh giá dữ liệu?
- Làm cách nào để thay đổi cấu trúc mô hình cho phù hợp với các thay đổi về dữ liệu đầu vào tính năng hoặc nhãn nào?
- Làm cách nào để chúng tôi có được các ví dụ thử nghiệm?
- Chúng tôi sẽ sử dụng những chỉ số nào để đánh giá chất lượng của mô hình?
- Làm cách nào để chúng tôi ra mắt các mô hình sản xuất?
- Làm cách nào để biết mô hình của chúng tôi có vấn đề hay không?
- Các mô hình của chúng tôi phụ thuộc vào hệ thống thượng nguồn nào?
- Làm cách nào để SQL của tôi có thể duy trì và sử dụng lại?
Câu hỏi tiềm năng khác
Mô hìnhTôi có thể huấn luyện các mô hình trên nhiều tập dữ liệu trong cùng một tập dữ liệu không? quy trình, như để tinh chỉnh không?
Làm cách nào để thêm tập dữ liệu thử nghiệm mới vào quy trình?
Làm cách nào để kiểm tra dự đoán của mô hình trên một ví dụ thủ công?
Cách tìm, kiểm tra và trực quan hoá các ví dụ mà mô hình được tạo ra sai lầm?
Làm cách nào để xác định tính năng nào chịu trách nhiệm nhiều nhất cho một cụm từ gợi ý?
Làm cách nào để biết tính năng nào có tác động nhiều nhất đến dự đoán trong một mẫu nhất định?
Làm cách nào để tính toán hoặc lập biểu đồ các dự đoán của mô hình trên một tập dữ liệu đã chọn hoặc mẫu?
Làm cách nào để tính toán chỉ số chuẩn cho các dự đoán của mô hình về tập dữ liệu đã chọn?
Làm cách nào để phát triển và tính toán các chỉ số tuỳ chỉnh?
Làm cách nào để so sánh mô hình của tôi với các mô hình khác ngoại tuyến?
Tôi có thể thực hiện phân tích tổng hợp cho nhiều việc đánh giá mô hình trong một tài khoản môi trường phát triển nào?
Tôi có thể so sánh mô hình hiện tại với mô hình cách đây 10 tháng không?
Tôi nghĩ mình đã tạo ra một mô hình tốt. Làm cách nào để ra mắt phiên bản chính thức?
Làm cách nào để xác minh rằng mô hình mới của tôi đang chạy đúng cách trong phiên bản chính thức?
Tôi có thể xem nhật ký đánh giá mô hình theo thời gian không?
Làm cách nào để biết khi nào mô hình này gặp sự cố?
Tôi được giao một trang/lỗi đề cập đến điều gì đó về mô hình. Tôi cần làm gì?
Làm cách nào để tuỳ chỉnh quá trình tạo/đào tạo/đánh giá dữ liệu đường ống?
Tôi nên tạo một quy trình hoàn toàn mới khi nào và bằng cách nào?
Tôi cần SQL để tạo một số dữ liệu. Tôi nên đặt mã này ở đâu?
Mô hình phân phát của chúng tôi hoạt động như thế nào? Có sơ đồ nào không?
Mô hình của tôi dựa vào hệ thống thượng nguồn nào mà tôi nên sử dụng biết không?
Tôi không thể tìm ra câu trả lời. Tôi nên liên hệ với ai (và bằng cách nào)?
Lưu ý
Yếu tố cấu thành "các phương pháp hay nhất về học máy" có thể khác nhau giữa các công ty, nhóm và cá nhân. Để ví dụ: một số thành viên trong nhóm có thể coi Colab thử nghiệm là có thể thực hiện, trong khi những người khác muốn làm việc trong R. Một số người có thể say mê kỹ thuật phần mềm, một người khác cho rằng việc giám sát là quan trọng nhất nhưng ai đó biết các phương pháp sản xuất tính năng hiệu quả nhưng muốn sử dụng Scala. Mọi người đều "đúng" theo quan điểm của riêng họ và nếu nếu đúng hướng, sự kết hợp sẽ là một sức mạnh tuyệt vời. Nếu không, tình huống có thể trở nên lộn xộn.
Thiết lập các công cụ, quy trình và cơ sở hạ tầng mà nhóm sẽ sử dụng trước khi thực hiện việc viết một dòng mã có thể là sự khác biệt giữa việc dự án không thành công thành công trước 2 năm hoặc ra mắt thành công trước lịch trình.
Đánh giá hiệu suất
Do sự không rõ ràng và không chắc chắn vốn có trong công nghệ học máy, các nhà quản lý nhân sự cần phải đặt ra kỳ vọng rõ ràng và sớm xác định sản phẩm cần phân phối.
Khi xác định kỳ vọng và nội dung phân phối, hãy cân nhắc xem chúng sẽ như thế nào đánh giá xem một dự án hoặc phương pháp tiếp cận không thành công. Nói cách khác, hiệu suất của thành viên trong nhóm không liên quan trực tiếp đến thành công của dự án. Ví dụ: việc các thành viên trong nhóm chi tiêu không phải là điều bất thường tuần tìm hiểu các giải pháp cuối cùng không thành công. Ngay cả trong trường hợp, mã chất lượng cao, tài liệu kỹ lưỡng và hiệu quả cộng tác sẽ đóng góp tích cực vào quá trình đánh giá.