[ad_1]
Bài đăng trên weblog này là phiên bản cập nhật của một phần bài nói chuyện tại hội nghị mà tôi đã trình bày tại GOTO Amsterdam năm ngoái. Cuộc nói chuyện cũng có sẵn để xem trực tuyến.
Cung cấp giá trị và tác động tích cực thông qua các sáng kiến sản phẩm máy học không phải là một công việc dễ dàng. Một trong những lý do chính cho sự phức tạp này là do trong các sáng kiến ML được phát triển cho các sản phẩm kỹ thuật số, có hai nguồn không chắc chắn giao nhau. Một mặt, có sự không chắc chắn liên quan đến chính giải pháp ML (liệu chúng ta có thể dự đoán những gì chúng ta cần dự đoán với chất lượng đủ tốt không?). Mặt khác, có sự không chắc chắn liên quan đến tác động mà toàn bộ hệ thống có thể cung cấp (liệu người dùng có thích chức năng mới này không? liệu nó có thực sự giúp giải quyết được vấn đề mà chúng ta đang cố gắng giải quyết không?).
Tất cả sự không chắc chắn này có nghĩa là thất bại trong các sáng kiến sản phẩm ML là điều tương đối thường xuyên. Tuy nhiên, vẫn có những chiến lược để quản lý và nâng cao xác suất thành công (hoặc ít nhất là sống sót qua chúng một cách có phẩm giá!). Bắt đầu các sáng kiến ML bằng chân phải là điều quan trọng. Tôi đã thảo luận về những bài học hàng đầu của mình trong lĩnh vực đó trong bài đăng trước: bắt đầu với vấn đề (và xác định cách sử dụng dự đoán ngay từ đầu), bắt đầu từ quy mô nhỏ (và duy trì ở quy mô nhỏ nếu bạn có thể) và ưu tiên dữ liệu phù hợp (chất lượng, khối lượng). , lịch sử).
Tuy nhiên, bắt đầu một dự án chỉ là sự khởi đầu. Thử thách quản lý thành công sáng kiến ML và mang lại tác động tích cực vẫn tiếp tục trong suốt vòng đời dự án. Trong bài đăng này, tôi sẽ chia sẻ ba bài học hàng đầu của mình về cách tồn tại và phát triển trong các sáng kiến ML:
- Chấp nhận sự không chắc chắn: đổi mới, dừng lại, xoay vòng và thất bại.
- Bao quanh bạn với những người phù hợp: vai trò, kỹ năng, sự đa dạng và mạng lưới.
- Học từ dữ liệu: đúng hướng, có khả năng cải tiến, phát hiện sai sót và có kế hoạch.
Thực sự rất khó (thậm chí là không thể!) Lập kế hoạch trước cho các sáng kiến ML và phát triển chúng theo kế hoạch ban đầu đó.
Kế hoạch dự án phổ biến nhất cho các sáng kiến ML là Vòng đời ML, phân chia các giai đoạn của dự án ML thành hiểu biết kinh doanh, hiểu dữ liệu, chuẩn bị dữ liệu, lập mô hình, đánh giá và triển khai. Mặc dù các giai đoạn này được vẽ dưới dạng các bước liên tiếp, nhưng trong nhiều cách trình bày về vòng đời này, bạn sẽ thấy các mũi tên hướng ngược lại: tại bất kỳ thời điểm nào trong dự án, bạn có thể học được điều gì đó buộc bạn phải quay lại giai đoạn trước.
Điều này dẫn đến những dự án thực sự khó biết khi nào chúng sẽ hoàn thành. Ví dụ: trong bước đánh giá, nhờ các kỹ thuật giải thích mô hình, bạn có thể nhận ra rằng một tính năng cụ thể không được mã hóa tốt và điều này buộc bạn phải quay lại giai đoạn chuẩn bị dữ liệu. Cũng có thể xảy ra trường hợp mô hình không thể dự đoán chất lượng bạn cần và có thể buộc bạn phải quay lại từ đầu trong giai đoạn tìm hiểu nghiệp vụ để xác định lại dự án và logic nghiệp vụ.
Dù vai trò của bạn trong sáng kiến hoặc dự án ML là gì thì điều quan trọng là phải thừa nhận mọi thứ sẽ không diễn ra theo kế hoạch, để nắm bắt tất cả sự không chắc chắn này ngay từ đầu và sử dụng nó để làm lợi thế cho bạn. Điều này quan trọng đối với cả việc quản lý các bên liên quan (kỳ vọng, sự tin tưởng) và đối với bản thân bạn cũng như những người còn lại trong nhóm (động lực, sự thất vọng). Làm sao?
- Tránh những hạn chế về thời gian hoặc giao hàng quá tham vọng, bằng cách đảm bảo các sáng kiến ML được nhìn nhận đúng như bản chất thực sự của chúng: sự đổi mới cần khám phá những điều chưa biết và có rủi ro cao nhưng cũng có phần thưởng và tiềm năng cao.
- Biết điểm dừng, bằng cách cân bằng giá trị của từng cải tiến gia tăng (Các mô hình ML luôn có thể được cải tiến!) với cái giá của nó xét về thời gian, công sức và chi phí cơ hội.
- Hãy sẵn sàng xoay chuyển và thất bại, bằng cách liên tục tận dụng những kiến thức đã học và hiểu biết sâu sắc mà dự án cung cấp cho bạn, đồng thời quyết định sửa đổi phạm vi dự án hoặc thậm chí loại bỏ nó nếu đó là điều mà những kiến thức mới đó cho bạn biết.
Bất kỳ dự án nào cũng bắt đầu từ con người. Sự kết hợp phù hợp giữa con người, kỹ năng, quan điểm và mạng lưới giúp trao quyền cho bạn.
Những ngày mà các mô hình Machine Studying (ML) chỉ giới hạn trong máy tính xách tay của Nhà khoa học dữ liệu đã qua. Ngày nay, tiềm năng thực sự của ML được hiện thực hóa khi các mô hình được triển khai và tích hợp vào các quy trình của công ty. Điều này có nghĩa là cần nhiều người và kỹ năng cộng tác hơn để biến điều đó thành hiện thực (Nhà khoa học dữ liệu, Kỹ sư máy học, Nhà phát triển phụ trợ, Kỹ sư dữ liệu…).
Bước đầu tiên là xác định các kỹ năng và vai trò được yêu cầu để xây dựng thành công giải pháp ML toàn diện. Tuy nhiên, cần có nhiều hơn một nhóm vai trò bao gồm một danh sách các kỹ năng. Có một đội ngũ đa dạng có thể mang lại những quan điểm khác nhau và đồng cảm với các phân khúc người dùng khác nhau đã được chứng minh là giúp các nhóm cải thiện cách làm việc và xây dựng các giải pháp tốt hơn (“tại sao có một đội ngũ đa dạng sẽ làm cho sản phẩm của bạn tốt hơn”).
Mọi người không nói nhiều về điều này, nhưng những người chủ chốt để thực hiện một dự án không chỉ là nhóm. Tôi gọi những người khác này là “mạng lưới”. Mạng lưới là những người bạn biết thực sự giỏi về những việc cụ thể, bạn tin tưởng để yêu cầu trợ giúp và lời khuyên khi cần, đồng thời có thể bỏ chặn, tăng tốc hoặc trao quyền cho bạn và nhóm. Mạng có thể là các bên liên quan trong kinh doanh, người quản lý, kỹ sư nhân viên, nhà nghiên cứu người dùng, nhà khoa học dữ liệu từ các nhóm khác, nhóm hỗ trợ khách hàng… Đảm bảo bạn xây dựng mạng của riêng mình và xác định ai là đồng minh mà bạn có thể tìm đến tùy thuộc vào từng tình huống hoặc nhu cầu cụ thể .
Dự án là một cơ hội học hỏi liên tục và nhiều khi việc học hỏi và hiểu biết sâu sắc đến từ việc kiểm tra dữ liệu và màn hình phù hợp.
Trong các sáng kiến ML, có 3 nhóm số liệu và thước đo lớn có thể mang lại nhiều giá trị về mặt học hỏi và hiểu biết: giám sát hiệu suất mô hình, hiệu suất dịch vụ và giám sát tác động cuối cùng. Trong bài viết trước tôi đã đi sâu vào chủ đề này.
Kiểm tra đúng dữ liệu và màn hình trong khi phát triển hoặc triển khai các giải pháp ML là chìa khóa để:
- Đảm bảo di chuyển đúng hướng: điều này bao gồm nhiều thứ, từ việc thiết kế giải pháp phù hợp hoặc lựa chọn các tính năng phù hợp cho đến việc tìm hiểu xem liệu có cần phải chuyển hướng hoặc thậm chí dừng dự án hay không.
- Biết những gì hoặc làm thế nào để cải thiện: để hiểu liệu mục tiêu kết quả có đạt được hay không (ví dụ: thông qua thử nghiệm hoặc thử nghiệm a/b) và tìm hiểu sâu về điều gì diễn ra tốt, điều gì không và cách tiếp tục mang lại giá trị.
- Phát hiện sai sót kịp thời và có kế hoạch: để cho phép phản hồi nhanh chóng các vấn đề, lý tưởng nhất là trước khi chúng ảnh hưởng đến doanh nghiệp. Ngay cả khi chúng có tác động đến doanh nghiệp, việc có các số liệu phù hợp sẽ cho phép bạn hiểu lý do đằng sau thất bại, duy trì mọi thứ trong tầm kiểm soát và chuẩn bị kế hoạch để tiến về phía trước (đồng thời duy trì niềm tin của các bên liên quan).
Quản lý hiệu quả các sáng kiến ML từ đầu đến cuối là một nhiệm vụ phức tạp với nhiều chiều hướng. Trong bài đăng weblog này, tôi đã chia sẻ, dựa trên kinh nghiệm của tôi trước tiên với tư cách là Nhà khoa học dữ liệu và gần đây là Giám đốc sản phẩm ML, các yếu tố tôi coi là quan trọng khi xử lý một dự án ML: chấp nhận sự không chắc chắn, vây quanh bạn với những người phù hợp và học hỏi từ dữ liệu.
Tôi hy vọng những hiểu biết sâu sắc này sẽ giúp bạn quản lý thành công các sáng kiến ML của mình và thúc đẩy tác động tích cực thông qua chúng. Hãy theo dõi để biết thêm các bài viết về sự giao thoa giữa Machine Studying và Quản lý sản phẩm 🙂
[ad_2]
Source link