לפרויקטי למידת מכונה נדרשים צוותים עם חברים בעלי מגוון מיומנויות, מומחיות, וחובות שקשורות ללמידת מכונה. אלה הסיבות הנפוצות ביותר שנמצאים בצוותי למידת מכונה טיפוסיים:
| תפקיד | ידע ומיומנויות | תוכן עיקרי להצגה |
|---|---|---|
| מנהל מוצר למידת מכונה | למנהלי מוצר של למידת מכונה יש הבנה עמוקה לגבי החוזקות של למידת המכונה נקודות חולשה ואת תהליך הפיתוח של למידת מכונה. הם מאפשרים לפתור בעיות עסקיות לפתרונות של למידת מכונה באמצעות הכוונה של צוות למידת מכונה, משתמשי קצה ובעלי עניין אחרים. הם ליצור את החזון של המוצר, להגדיר תרחישים לדוגמה ולתכנן פרויקטים ולתעדף אותם. |
מסמך דרישות המוצר (PRD). |
| מנהל הנדסה | מנהלי הנדסה משיגים יעדים עסקיים על ידי הגדרה, תקשורת השגת סדר העדיפויות של הצוות. סימון לייק ללמידת מכונה מנהלי מוצר, הם מתאימים פתרונות למידת מכונה לבעיות עסקיות. הם מגדירים ציפיות ברורות לחברי הצוות, לבצע הערכת ביצועים ולסייע בפיתוח הקריירה שלהם, והתפתחות מקצועית. |
עיצוב מסמכים, תוכניות פרויקטים והערכות ביצועים. |
| מדעני נתונים | מדעני נתונים משתמשים בניתוח כמותי וססטיסטי כדי לחלץ ועל סמך נתונים, הם עוזרים לזהות ולבדוק מודלים של אב-טיפוס ועזרה בפירוש מודלים. | דוחות והמחשות ויזואליות של נתונים שעונים על שאלות עסקיות באמצעות ניתוח סטטיסטי. |
| מהנדס/ת למידת מכונה (ML) | מהנדסי למידת מכונה מתכננים, מפתחים, מפיקים ומנהלים מודלים של למידת מכונה. הם מהנדסי תוכנה חזקים עם הבנה עמוקה של למידת מכונה טכנולוגיות ושיטות מומלצות. | פריסת מודל עם איכות חיזוי מספקת כדי לעמוד בעסקים יעדים. |
| מהנדס/ת מערכות מידע | מהנדסי מערכות מידע מפתחים צינורות נתונים לאחסון, לצבירת נתונים עיבוד כמויות גדולות של נתונים. הם מפתחים את התשתית למערכות לאיסוף ולטרנספורמציה של נתונים גולמיים לאימון מודלים ולמילוי בקשות. מהנדסי מערכות מידע אחראי על הנתונים בכל תהליך הפיתוח של למידת מכונה. | צינורות נתונים בייצור מלא עם מעקב התראה. |
| מהנדס תפעול מפתחים (DevOps) | מהנדסי DevOps מפתחים, פורסים, מתאימים לעומס (scaling) ועוקבים את תשתית ההצגה למודלים של למידת מכונה. | תהליך אוטומטי להצגת מודעות, למעקב אחריהן, לבדיקה ולשליחת התראות לגבי בהתנהגות של מודל. |
לפרויקטים מוצלחים של למידת מכונה יש צוותים עם כל תפקיד בצורה טובה שמיוצגים על ידיכם. בצוותים קטנים יותר, אנשים יצטרכו לטפל על כמה תפקידים בבת אחת.
בניית שיטות העבודה של הצוות
כי התפקידים, הכלים והמסגרות משתנים מאוד בלמידת מכונה חשוב מאוד לבסס שיטות עבודה נפוצות תיעוד מצוין של התהליך. לדוגמה, מהנדס אחד עשוי חושבים שקבלת הנתונים הנכונים מספיקה כדי להתחיל לאמן מודל, ומהנדס אחראי יותר יבדוק שמערך הנתונים עבר אנונימיזציה ולתעד את המטא-נתונים והמקור שלהם בצורה נכונה. מוודאים שמהנדסים משתפים הגדרות נפוצות לתהליכים ולדפוסי עיצוב מפחיתות בלבול מגדיל את המהירות של הצוות.
מסמכי התהליך
מסמכי התהליכים צריכים להגדיר את הכלים, התשתית והתהליכים בצוות ישמשו לפיתוח למידת מכונה. מסמכי תהליכים טובים עוזרים להתאים את המוצרים החדשים והנוכחיים חברי צוות. הם צריכים לענות על שאלות מהסוגים הבאים:
- איך נוצרים הנתונים של המודל?
- איך אנחנו בוחנים, מאמתים ורואים את הנתונים?
- איך אנחנו משנים תכונת קלט או תווית בנתוני האימון?
- איך אפשר להתאים אישית את צינור עיבוד הנתונים ליצירת נתונים, לאימון ולהערכה?
- איך אפשר לשנות את ארכיטקטורת המודל כדי שתכיל שינויים בקלט תכונות או תוויות?
- איך נקבל דוגמאות לבדיקה?
- באילו מדדים נשתמש כדי לקבוע את איכות המודל?
- איך אנחנו משיקים את המודלים שלנו בסביבת הייצור?
- איך אפשר לדעת אם משהו לא בסדר במודל שלנו?
- באילו מערכות upstream המודלים שלנו מסתמכים?
- איך אפשר לשפר את יכולת ה-SQL לתחזוקה ולשימוש חוזר?
עוד שאלות פוטנציאליות
מודלאפשר לאמן מודלים על מערכי נתונים שונים של צינור עיבוד נתונים, למשל כוונון עדין?
איך מוסיפים מערך נתונים חדש לבדיקה לצינור עיבוד הנתונים שלי?
איך אפשר לבדוק את החיזוי של המודל על סמך דוגמה בעבודת יד?
איך אפשר למצוא, לבחון ולהמחיש דוגמאות לכך שהמודל יצר טעויות?
איך אני יכול לקבוע איזו תכונה הייתה האחראית ביותר לבעיה נתונה צפי?
איך אפשר להבין אילו תכונות הכי משפיעות על חיזויים במדגם נתון?
כיצד ניתן לחשב או להציג תחזיות של מודל במערך נתונים נבחר, או לדוגמה?
איך מחשבים מדדים סטנדרטיים עבור חיזויים של המודל שלי את מערך הנתונים שנבחר?
איך מפתחים ומחשבים מדדים מותאמים אישית?
איך להשוות בין המודל שלי לבין מודלים אחרים אופליין?
האם אוכל לבצע מטא-ניתוח עבור הערכות מודל מרובות סביבת פיתוח?
האם אפשר להשוות את המודל הנוכחי עם המודל מלפני 10 חודשים?
אני חושבת שיצרתי מודל טוב. איך אפשר להשיק אותו בסביבת הייצור?
איך אפשר לוודא שהמודל החדש פועל בסביבת הייצור באופן תקין?
האם אפשר לקבל את ההיסטוריה של הערכות המודלים לאורך זמן?
איך אפשר לדעת אם יש בעיה במודל?
קיבלתי דף או באג עם אזכור משהו לגבי המודל. מה עליי לעשות?
איך אפשר להתאים אישית את היצירה, האימון או ההערכה של הנתונים צינור עיבוד נתונים?
מתי ואיך כדאי ליצור צינור עיבוד נתונים חדש לגמרי?
צריך SQL כדי ליצור נתונים. איפה כדאי להציב אותו?
איך פועל הצגת המודלים שלנו? האם יש תרשים?
באילו מערכות upstream המודל שלי תלוי ידוע לך?
לא הצלחתי להבין משהו. למי (ואיך) עליי לפנות?
חשוב לזכור
מה מגדיר 'שיטות מומלצות ללמידת מכונה' (ML) יכולים להיות שונים בחברות, בצוותים אנשים פרטיים. עבור לדוגמה, חלק מחברי הצוות עשויים להחשיב את Colabs הניסיונית הראשית גבוהה יותר, ואילו אחרים ירצו לעבוד ב-R. חלקם עשויים להתלהב מישהו אחר חושב שמעקב הוא הדבר החשוב ביותר אבל מישהו אחר כבר מודע לשיטות טובות להפקת תכונות, רוצה להשתמש ב-Scala. כולם "נכון" מנקודת המבט שלהם, ואם אם תנווטו נכון, המיקס יהיה עוצמתי. אם לא, זה עלול לגרום לבלגן.
הכנת הכלים, התהליכים והתשתית שהצוות ישתמש בהם לפני כתיבת שורת קוד יכולה להיות ההבדל בין כישלון של פרויקט אחרי שנתיים או להשיק בהצלחה רבעון לפני לוח הזמנים.
איך מעריכים את ביצועי הקמפיין?
בגלל אי-הבהירות ואי-הוודאות שטבועים בלמידת מכונה, מנהלי אנשים צריכים להגדיר הגדרת ציפיות ברורות והגדרת תוכן ברור בשלב מוקדם.
כשאתם בוחנים את הציפיות ואת כמות המוצרים שאתם מספקים, כדאי לחשוב איך הם יהיו אם פרויקט או גישה מסוימים לא מצליחים. במילים אחרות, שהביצועים של חבר הצוות לא קשורים ישירות להצלחת הפרויקט. לדוגמה, חברי צוות מבלים לעיתים קרובות שבועות ובודקים פתרונות שנכשלו בסופו של דבר. גם בתרחישים האלה הקוד באיכות גבוהה, התיעוד היסודי והיעילות שיתוף הפעולה שלהם אמור לתרום באופן חיובי להערכתם.