- 機械学習プロダクトの取り組みを通じて価値とポジティブな影響を提供することは容易ではない。
- MLイニシアチブの失敗は比較的頻繁に起こる。
- MLイニシアチブを成功裏に管理し、ポジティブな影響を提供するためのトップ3の学びを共有する。
機械学習プロジェクトを事前に計画し、その初期計画に従って開発することは本当に難しい(不可能さえ!)。
MLイニシアチブの最も一般的なプロジェクト計画はMLライフサイクルであり、このライフサイクルはビジネス理解、データ理解、データ準備、モデリング、評価、デプロイメントのフェーズに分割される。
どんなプロジェクトも人から始まる。成功裏にエンドツーエンドのMLソリューションを構築するために必要なスキルと役割を特定する最初のステップ。
プロジェクトは継続的な学習の機会であり、多くの場合、学びや洞察は正しいデータとモニターを確認することから得られる。
MLイニシアチブを最初から終わりまで効果的に管理することは、複数の次元を持つ複雑なタスクである。
機械学習とプロダクト管理の交差点に関するさらなる投稿をお楽しみに 🙂
機械学習プロダクトマネージャー @ Adevinta | DataForGoodBcn理事会メンバー
自分の経験から、MLプロジェクトを扱う際に重要と考える要因を共有しました:不確実性を受け入れ、適切な人々に囲まれ、データから学ぶ。
元記事: https://towardsdatascience.com/effective-strategies-for-managing-ml-initiatives-21c6f7432436