Terakhir kali kita membahas tentang bagaimana perencanaan awal yang buruk, asumsi yang buruk, dan fokus pada pemanfaatan pembelajaran mesin dengan cara tertentu dapat merusak inisiatif pembelajaran mesin. Untuk bagian ini, mari kita bahas tentang bagaimana mendekati inisiatif pembelajaran mesin sebagai “proyek sains” di mana Anda fokus pada masalah dan menyelidiki cara untuk memecahkan masalah tersebut (yang salah satunya adalah ML) akan memberikan hasil yang luar biasa, meskipun solusi akhirnya tidak sesuai dengan rencana awal.
Solusi efektif › Model ML
Contoh ini memiliki “akhir yang lebih bahagia”, namun awalnya hampir sama: klien menginginkan model prediktif namun memiliki kumpulan data yang tidak lengkap, namun dengan tambahan kerutan bahwa mereka menyadari beberapa kesenjangan dalam kumpulan data mereka. dan berharap kami dapat menggunakan ML untuk mengisinya, mereka juga menyadari bahwa kami memerlukan kumpulan data historis dan bersedia menunggu kami mengumpulkan data tersebut. Yaitu, mengumpulkan data dari operasi bisnis mereka sehari-hari selama beberapa minggu.
Saya ragu kami akan mampu mengisi kesenjangan tersebut, jadi ketika para data engineer sedang membangun kumpulan data, saya dan data scientist lain melakukan penelitian tentang bagaimana perusahaan serupa memecahkan masalah ini. Kami bahkan menggali laporan operasional, laporan tahunan dan sejenisnya untuk melihat apakah kelompok lain dalam perusahaan mengumpulkan data yang kami perlukan. Hasil dari semua penelitian ini adalah kami dapat mengidentifikasi jenis data dan kemampuan pengumpulan data tambahan yang kami perlukan untuk memecahkan masalah klien.
Setelah mempresentasikan temuan kami kepada pemangku kepentingan, mereka melakukan penggalian di dalam perusahaan dan membantu kami mengadakan pertemuan dengan tiga tim berbeda untuk membahas bagaimana mereka dapat berbagi informasi dan bekerja sama dengan lebih baik. Awalnya agak sulit karena kelompok-kelompok ini secara historis tidak bekerja sama dengan baik, namun begitu semua orang sudah fokus, kami menyetujui perjanjian untuk berbagi data, mengirim peringatan antar kelompok, memberikan akses ke database, dll. Pada akhirnya kami tidak melakukannya. Kami tidak mengirimkan item utama dalam SOW kami, yaitu: model ML dan mengintegrasikan outputnya ke dalam sistem mereka saat ini, meskipun demikian, kami memiliki klien yang dengan senang hati membayar tagihan kami. Mengapa? Karena kami memecahkan masalahnya dan itulah yang sebenarnya dia inginkan, ML adalah sarana yang potensial untuk mencapai tujuan, bukan…
