Bagaimana Memaksimalkan Kesuksesan Proyek ML dengan Scoping yang Efisien?

Bagaimana Memaksimalkan Kesuksesan Proyek ML dengan Scoping yang Efisien?

Author(s): Akhil Theerthala

Awalnya diterbitkan di Menuju AI.

Dalam artikel kami sebelumnya dari seri ini, kami telah melihat banyak hal. Kami memulai perjalanan kami dengan melihat siklus hidup sebuah proyek. Setelah ini, kami mendapat ikhtisar dari setiap fase siklus hidup. Jika Anda telah mengikuti seri ini sampai sekarang, Anda harus mengetahui tentang praktik standar dalam fase siklus hidup yang berbeda. Mari kita lihat siklus hidup sekali.

Siklus Hidup Proyek Pembelajaran Mesin. Sumber: Deeplearning.AI, dilisensikan di bawah lisensi Creative CommonsAttribution-ShareAlike 2.0.

Setelah ikhtisar singkat tentang siklus hidup, kami melihat fase individual. Setelah berpindah dari satu tahap proyek ke tahap lainnya, sekarang saatnya bagi kita untuk melihat tahap pertama proyek, Scoping.

Jangan khawatir. Berbeda dengan artikel sebelumnya, artikel ini pendek. Anda dapat menyelesaikan membaca ini dalam beberapa menit! 😌

Mengapa kita harus membuat lingkup proyek?

Mari mundur selangkah dan berpikir dari sudut pandang perusahaan. Perusahaan umumnya menginvestasikan jumlah besar ke salah satu proyek mereka. Selain biaya tersebut, mereka harus mempekerjakan insinyur dan ilmuwan untuk mengerjakan proyek ini. Ini membutuhkan tambahan modal. Semua uang ini akan diinvestasikan ke dalam sebuah proyek, yang terkadang menghasilkan hasil yang buruk. Oleh karena itu, perusahaan berhati-hati sebelum memulai proyek baru.

Mereka memeriksa silang mengapa mereka membutuhkan proyek tersebut, memeriksa opsi alternatif yang lebih murah, membuat daftar manfaat tambahan yang dapat diberikan proyek, melakukan riset pasar untuk proyek tersebut, membuat daftar berbagai risiko yang dimiliki proyek, merencanakan seluruh persyaratan keuangan, dan membuat perkiraan keuntungan, dan mereka memperkirakan waktu yang diperlukan untuk proyek tersebut. Mereka melakukan semua ini sebelum proyek dimulai. Namun, bahkan setelah melakukan ini, proyek tersebut mungkin masih gagal atau membutuhkan lebih banyak waktu atau investasi.

Pada Agustus 2022, Forbes menyatakan bahwa antara 60–80% proyek AI gagal, menurut berbagai sumber. Ini menunjukkan bahwa pelingkupan proyek adalah salah satu langkah terpenting sebelum memulai proyek pembelajaran mesin.

Mari kita bicara contoh.

Sekarang kita telah melihat mengapa pelingkupan proyek itu penting. Mari masuk ke detailnya. Pada dasarnya, pertanyaan yang telah kami tanyakan hingga saat ini adalah, β€œBagaimana cara memilih proyek untuk dikerjakan?”

Mari kita gunakan contoh pengecer e-niaga yang ingin meningkatkan penjualan. Apa yang bisa Anda rekomendasikan kepadanya sebagai Insinyur ML? Anda bisa membimbingnya,

Sistem rekomendasi produk yang lebih baik. Mesin telusur yang lebih baik untuk situsnya. Untuk meningkatkan data katalog tokonya. Sistem manajemen inventaris yang lebih baik, dll.

Kami juga dapat terus memberikan ratusan saran lain kepadanya, baik milik ML maupun bukan milik ML. Tapi, hanya ada beberapa saran efisien yang perlu dia fokuskan. Jadi, masalah kita sekarang adalah

Identifikasi proyek yang paling menguntungkan untuk dikerjakan. Jelaskan kepadanya bagaimana ini adalah proyek yang paling menguntungkan dengan menggunakan metrik yang berbeda. Perkirakan sumber daya dan biaya proyek ini dan tanyakan jumlahnya.

Itu dia. Jika Anda menjawab ketiga pertanyaan ini, Anda telah selesai melakukan pelingkupan proyek.

Garis Besar Umum untuk Pelingkupan.

Seperti semua bidang lainnya, proyek scoping ML memiliki banyak garis besar yang direkomendasikan komunitas. Meskipun ada banyak garis besar, esensinya sama. Sekarang, kita dapat melihat salah satu strategi tersebut.

Langkah-1: Brainstorming masalah bisnis.

Sebelum memulai proyek, pertama-tama penting untuk memiliki tujuan atau masalah untuk dipecahkan. Ada banyak masalah yang ditemukan di mana-mana. Namun, hanya sedikit yang menguntungkan. Pada langkah ini, kami membuat daftar semua masalah yang dapat menguntungkan perusahaan saat diselesaikan. Untuk toko kami, beberapa masalah dapat berupa pengurangan persediaan, peningkatan margin keuntungan, peningkatan konversi, dll.,

Langkah-2: Brainstorming solusi AI.

Pada langkah ini, kami mengidentifikasi berbagai solusi AI untuk masalah yang teridentifikasi. Kami memilih yang paling layak di antara ini di tahap selanjutnya. Untuk toko kami, bisa seperti,
– Memperbaiki model rekomendasi untuk meningkatkan tingkat konversi.
– Mengoptimalkan apa yang akan dijual untuk mengurangi margin keuntungan.
– Menggunakan aplikasi pemasaran dan prediksi permintaan untuk mengurangi persediaan.

Langkah-3: Penilaian Kelayakan

AI bukanlah alat penyembuh segalanya. Itu tidak boleh diterapkan pada semua hal hanya karena kita bisa. Dalam solusi AI kami sebelumnya, banyak yang membutuhkan persyaratan yang tidak realistis. Oleh karena itu kita perlu menyaring ini. Karena kami memeriksa kemungkinan solusi AI, kami menggunakan metrik pembelajaran mesin yang berbeda untuk memfilternya. Untuk memfilter masalah ini,
– Kita dapat menggunakan tolok ukur eksternal seperti makalah penelitian, perusahaan lain, dll.
– Kita dapat melihat Human-Level Performance (HLP) untuk data tidak terstruktur (atau) ketersediaan fitur prediktif untuk data terstruktur.
– Kami juga umumnya melihat sejarah proyek yang ada di pasar dan kinerjanya untuk menilai tingkat peningkatan di masa mendatang.

Langkah-4: Penilaian Nilai

Sama seperti semua solusi tidak layak, semua solusi layak tidak berharga. Misalnya, membangun regresi linier untuk memprediksi no. AC di kantor tidak berguna untuk toko e-niaga. Dalam Penilaian nilai, kami melihat berbagai metrik Bisnis yang memengaruhi proyek AI yang layak. Metrik bisnis mencakup metrik seperti Keterlibatan pengguna, kualitas model dibandingkan dengan pasar, kemungkinan pendapatan yang dapat dihasilkan dari model, dll. Dalam situasi praktis, tim ML dan Bisnis berkompromi sampai taraf tertentu untuk menemukan yang layak dan berharga proyek.

Langkah-5: Buat rencana.

Menentukan tonggak umumnya melibatkan penentuan ML dan metrik perangkat lunak proyek. Beberapa metrik tersebut sebelumnya dibahas dalam artikel 2 dan 3.1. Namun, di sini, kami juga mencoba menentukan metrik Bisnis dan sumber daya yang dibutuhkan untuk proyek seperti memperkirakan kemungkinan pendapatan, data yang diperlukan, personel yang dialokasikan, dll., Terakhir, setelah semua hal selesai. Anda sekarang memiliki masalah, kemungkinan solusi AI, dan metrik untuk mengevaluasi situasi. Tapi tugasmu tidak berakhir di sini. Anda perlu memberi perusahaan waktu di mana Anda akan menyelesaikan proyek. (Yup, mereka tidak mempercayai Anda dengan anggarannya.)

Langkah-6: Tentukan Anggaran untuk sumber daya.

Tentu saja, melakukan semua hal di atas dan tidak memiliki sumber daya untuk mulai mengerjakan proyek adalah pemborosan waktu. Anda dapat memperkirakan sumber daya yang dibutuhkan dari studi kelayakan yang telah dilakukan tim ML untuk proyek tersebut. Berdasarkan sumber daya ini, Anda perlu menentukan anggaran yang diperlukan untuk proyek tersebut.

Itu dia! Kamu selesai!

Bisakah Anda meninggalkan sisa diskusi dan tugas untuk tim Bisnis dan menunggu sampai Anda mendapatkan persetujuan untuk proyek tersebut?

Jawabannya adalah ya. (mungkin, karena saya tidak tahu struktur perusahaan Anda).

Dengan ini, kita sampai pada akhir perjalanan kita di Seri MLOps. Saya memulai seri ini sebagai tindak lanjut dari catatan saya tentang spesialisasi MLOps, dan selama perjalanan, saya menemukan area yang perlu saya isi dan senang membaca laporan dan artikel tentang berbagai topik.

Jika Anda juga mengikuti kursus ini, Anda mungkin telah memperhatikan beberapa area di mana saya membuat beberapa perubahan dan memperluas beberapa area (terutama artikel ini!). Saat menulis seri ini, saya menemukan hasrat saya yang telah lama hilang untuk ML, karena setelah beberapa titik, saya merasa bosan untuk membaca sesuatu dan menulis ujian semester di atasnya. (Saya mengambil kursus ML di universitas saya.)

Saya melanjutkan dan membuat situs ini untuk mempertahankan hasrat saya dan juga mencoba bertemu dengan orang-orang berbeda yang juga memiliki hasrat tinggi terhadap ML. Saya harap Anda membagikan komentar dan pandangan Anda tentang area yang tercakup dalam artikel ini.

Saya akan terus menulis dan menerbitkan setidaknya dua artikel seminggu mulai sekarang. Jadi tunggu saja! Sementara itu, jika Anda masih perlu membaca artikel saya yang lain dalam seri ini, Anda dapat menemukan semuanya di sini. Anda juga dapat membaca beberapa artikel lama saya di halaman media saya. Tetap aman sampai waktu berikutnya!

Awalnya diterbitkan di https://www.neuronuts.in pada 10 Februari 2023.

Bagaimana Memaksimalkan Kesuksesan Proyek ML dengan Scoping yang Efisien? | MLOps 5 awalnya diterbitkan di Towards AI on Medium, di mana orang melanjutkan percakapan dengan menyorot dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI

Author: Jeffrey Hayes