Alur Proses Bisnis Machine Learning/AI

 

Machine Learning, itu BUKAN pekerjaan satu orang! Saat membangun solusi ML, penting untuk memikirkan ujung ke ujung: dari pelanggan ke pelanggan. Ini akan membantu merancang, merencanakan, dan melaksanakan. Sebagai bagian dari perencanaan, penting untuk memahami siapa yang perlu dilibatkan dan kapan. Mari kita jalankan melalui proyek yang khas.

Seseorang memiliki ide bagus (seorang eksekutif, insinyur, manajer produk, …)! Anggaplah kita telah membingkai ulang masalah bisnis sebagai solusi mesin dan anggaplah kita memvalidasi gagasan itu sebagai proyek yang layak secara finansial. Seorang manajer produk akan menetapkan serangkaian persyaratan bisnis (Berapa banyak permintaan inferensi/hari atau/detik? Berapa banyak pengguna? Performa prediktif minimum? Latensi yang dapat diterima?) dengan berbicara kepada pelanggan, menjalankan survei, atau hanya dengan melihat keselarasan bintang-bintang. Manajer produk kemudian akan mengomunikasikan persyaratan tersebut kepada pimpinan teknis yang pada gilirannya, perlu mengubahnya menjadi persyaratan teknis (Batch atau real-time? Berapa banyak server? Mekanisme fallback? Apakah kita memerlukan database atau antrian untuk menyimpan data yang dihasilkan? ). Pekerjaan ini biasanya menghasilkan satu set cetak biru desain sistem. Pimpinan teknis dan manajer produk kemudian dapat memulai dengan perencanaan strategis: apa metrik keberhasilan, tonggak sejarah, garis waktu, jumlah karyawan, sumber daya yang diperlukan, dan yang lebih penting, anggaran?

Ketika rencana ditetapkan, kita kemudian dapat menugaskan pekerjaan. Biasanya ada 3 cabang pengembangan, pemodelan ML, jaringan pipa data, dan infrastruktur operasi. Insinyur ML melakukan iterasi pada model ML, insinyur data membangun jaringan pipa data ke dan dari jaringan pipa pengembangan dan penyajian, dan insinyur MLOps menyediakan berbagai tingkat otomatisasi, pengujian, dan pemantauan layanan yang mendasarinya. Insinyur data perlu bekerja dengan arsitek basis data dari sumber data asli sementara petugas perlindungan Data memastikan kepatuhan peraturan data untuk berbagai peraturan (GDPR, CCPA, PII, HIPAA, FCRA, …).

Sistem ML itu sendiri akan menghasilkan data: fitur, inferensi, putaran umpan balik pengguna, … Data tersebut dapat dianalisis oleh Ilmuwan Data yang pada gilirannya dapat bermitra dengan insinyur ML dan insinyur lainnya untuk memberikan wawasan tentang cara meningkatkan berbagai hal. kita juga membutuhkan teknisi frontend dan backend untuk mengekspos inferensi yang dihasilkan kepada pengguna.

Dibutuhkan sebuah Team! Seperti di banyak domain teknik, keterampilan komunikasi adalah hal yang membedakan insinyur senior dari insinyur junior dan pemimpin teknologi yang efektif perlu mencoba-coba dalam setiap aspek proses untuk mengatur proyek agar sukses.

Disadur dari: https://www.linkedin.com/posts/damienbenveniste_machinelearning-datascience-artificialintelligence-activity-7041068353859309568-bVSn