導讀

這個checklist能幫助你邁出做一個成功的機器學習項目第一步。

避免混淆，用這個簡單的清單來計劃你的 AI 項目。

對許多人來說，機器學習仍然是一項新技術，這可能會讓它難以管理。

項目經理通常不知道如何與數據科學家談論他們的想法。

在我們規劃 30 多個機器學習項目的經驗中，我們提煉出了一個簡單有效的checklist。

1. 項目動機

明確你的項目的更廣泛的意義。

你要解決的問題是什么？What is theproblemyou want to solve?

相關聯的目標策略是什么？

如果項目團隊不理解你的動機，那么他們就很難提出好的建議。

有很多方法可以解決機器學習的問題。所以幫助你的團隊以你最感興趣的方式工作 —— 退一步告訴他們為什么這個項目是重要的。

2. 問題定義

你想要預測的具體輸出是什么？

對于給定的輸入，你的機器學習模型將理想地學會預測非常具體的輸出。

所以這里你要盡可能的清楚。“預測機器故障”可能意味著很多事情 —— “告訴我，在未來 24 小時內，意外停機的風險何時增加 50%以上”更好。

你的算法有什么輸入數據？

模型預測輸出的唯一方法是從模型的輸入因子中派生出來。所以，為了有機會做出好的預測，你必須有與輸出相關的數據。數據越多越好。

什么是預測你的具體輸出的最相關因素?

算法不能理解我們的世界。重要的是，你要給數據科學家一些提示，告訴他哪些數據實際上是相關的，這樣他就可以用算法能夠理解的方式選擇和分割數據。

你能提供多少訓練樣本?

一個算法需要的練習比一個人要多得多。你最少需要 200 個樣本。越多越好。

3. 性能度量

你怎么知道什么是好的結果？

你有一個簡單的基準測試來比較你的結果嗎?

有沒有一種簡單的方法來利用你已有的數據進行預測？也許你可以根據去年的數字預測銷售額，或者通過計算客戶上一次登錄后的天數來評估客戶離開的風險。一個簡單的基準測試可以為你的團隊提供有價值的問題洞察力。它給你一些東西來衡量模型。

你將如何衡量預測的準確性?

你期望的最低準確度是多少?

你希望預測的準確率平均在 5% 以內，還是更重要的是預測誤差不超過 10%？你的模型可以以任何一種方式進行調優。哪種方式更好取決于什么對你來說是重要的。

一個完美的解決方案是什么樣的？

即使這對你來說是顯而易見的，把它寫在紙上也能幫助你理清思路。

是否有參考解決方案(如研究論文)？

如果有人以前解決過類似的問題，就把他們的解決方案當作靈感。這為每個人提供了一個共同的起點，這樣他們就可以看到要使用哪些數據，可能會出現哪些問題，以及要嘗試哪些算法。

4. 時間線

一個性能驗證項目的時間線示例。

是否有截止日期需要注意？

你什么時候需要看到第一個結果？

你想什么時候有一個完整的解決方案？

人工智能解決方案可以無限地改進。明確的最后期限有助于讓團隊集中精力。

5. 聯系人

誰負責項目(PM)？

誰可以授權訪問數據集？

誰能幫助理解當前的流程和/或簡單的基準測試(領域專家)？

在一個項目的過程中會出現許多問題。明確你的工程師可以向誰求助。

6. 合作

在業務和工程團隊之間建立一個雙/周的更新。

每周安排一次會議來查看當前的結果，并討論那些不需要通過電子郵件來回答的問題。

應該涉及誰?

他們應該學什么？

在學習如何管理人工智能方面，沒有什么比實際項目的實踐經驗更有價值。如果你想讓你的團隊的其他成員學習，從一開始就要說清楚。

定義代碼和問題的位置以及如何訪問代碼。

讓所有的開發從一開始就透明。這樣任何人都可以很容易地加入，給出提示，并檢查進展。

回答這個清單上的問題，并與大家分享

世界仍在研究如何最好地運行人工智能/機器學習項目。填寫這份清單將會給你所有成功的機器學習項目的要素之一：理解。