Хабр, привет! Меня зовут Дмитрий, я руководитель проектов ИТ-компании SimbirSoft. Задачи с использованием ML-технологий мы решаем уже более 10 лет, и такие проекты встречаются в разных отраслях – от медицины до ритейла и промышленности. В этой статье хочу поделиться своим опытом и рассказать, какие сложности и нюансы имеют ML-задачи и как эффективно с этим работать с точки зрения управленца.
Можете воспринимать этот туториал как некий чек-лист, который позволит значительно сократить процент возможных ошибок при управлении ML-проектом. Статья будет полезна управленцам в команде разработки: тимлидам и техлидам, руководителям проектов, а также владельцам продуктов.
Что обсудить с заказчиком до старта проекта
Начинать любой ML-проект рекомендуем с уточнения задач у заказчика, который, в свою очередь, должен предоставить ответы на все интересующие команду вопросы.
1. Объект исследования и задача, которую хочет решить бизнес.
Результат ML-проекта, который основан на экспериментах, во многом зависит от правильной формулировки задачи. Нужно четко сформулировать задачу, которую необходимо решить в рамках проекта, и ее критерии готовности.
2. Потребность в ML для решения поставленной задачи.
Первое, что нужно выяснить – можно ли решить задачу без ML и эмулировать результат людьми или кодом.
Если клиент хочет запустить новый продукт или фичу в существующем продукте, но еще не успел собрать достаточную базу продуктовых метрик, то вы будете иметь дело с продуктовой гипотезой. В таком случае имеет смысл пойти по пути lean startup и провести проверку гипотезы более дешевым способом. Например, за счет ручной эмуляции работы ML-модели. Это позволит убедиться в работоспособности продукта.
3. Экономическое обоснование проекта.
ML-разработка, как правило, требует больших финансовых вложений, поскольку построена на итеративном проведении экспериментов и проверке гипотез. Эксперименты почти всегда позволяют приоткрыть секрет решения задачи, но не все гипотезы подтверждаются. Также не всегда можно предсказать результат очередной итерации обучения модели.
Я скептически отношусь к заказчикам, которые не могут сформулировать экономический профит от ML-разработки. Представим, что у заказчика есть устоявшийся бизнес-процесс, в который вовлечены его сотрудники и он хочет заменить их работу ML-моделью. Это будет обосновано, если он сопоставил затраты на оплату труда сотрудников с затратами на реализацию ML-проекта и понял, что это будет экономически выгоднее. Например, для небольшой компании по установке окон профит от ML-системы для контроля качества работ будет неочевидным.
Мы с удовольствием реализуем любую поставленную задачу, но приоритет нашей работы – помогать компаниям в создании продуктов, которые способствуют росту и развитию их бизнеса. Поэтому со своей стороны всегда подсвечиваем риски, чтобы убедиться в том, что клиент четко понимает, на что подписывается
Интересные статьи
Интересные статьи
