Die Rolle des Projektmanagers ist sowohl kritisch als auch herausfordernd. Sie sind für den Projektplan und dessen Ausführung verantwortlich. Zu Beginn des Projekts helfen sie dabei, den Plan zu definieren und Fristen festzulegen, basierend auf den Anfragen der Stakeholder und den Kapazitäten des technischen Groups. Während des gesamten Projekts überwachen sie ständig den Fortschritt. Weicht der Ist-Zustand von Aufgaben oder Lieferungen vom Plan ab, müssen sie ein Zeichen setzen und sich mit den Groups abstimmen. Daher verbringen sie die meiste Zeit damit, mit verschiedenen Groups, übergeordneten Managern und Geschäftsinteressenten zu kommunizieren. Zwei große Herausforderungen in ihrem Job sind:
- Interdependenz zwischen technischen Groups: Dies macht die Rolle zu einer Herausforderung, da die Ergebnisse eines Groups (z. B. Dateningenieure, die die Daten aufnehmen) als Eingaben für ein anderes Group dienen (z. B. Datenwissenschaftler, die die Daten verarbeiten). Jede Verzögerung oder Änderung im ersten Schritt wirkt sich auf den zweiten Schritt aus. Obwohl Projektmanager normalerweise nicht besonders technisch versiert sind, müssen sie sich dieser Änderungen bewusst sein und eine ordnungsgemäße Kommunikation zwischen den Groups sicherstellen.
- Konkurrierende Geschäftsprioritäten: Geschäftsinteressenten ändern oft ihre Prioritäten, oder es gibt möglicherweise konkurrierende Prioritäten in verschiedenen Groups, die abgestimmt werden müssen. Projektmanager müssen diese Veränderungen bewältigen und die verschiedenen Groups aufeinander abstimmen, um das Projekt auf Kurs zu halten.
Durch die effektive Bewältigung dieser Herausforderungen spielen Projektmanager eine entscheidende Rolle bei der erfolgreichen Durchführung von maschinellen Lernprojekten.
Die Fachkompetenz und das Fachwissen von Betrugsanalysten sind für die Entwicklung und Bewertung von Betrugsvorhersagemodellen von entscheidender Bedeutung. Von Beginn des Projekts an bieten sie Einblicke in aktive Betrugstrends, häufige Betrugsszenarien und rote Fahnen sowie Ausnahmen oder „grüne Fahnen“. Datenwissenschaftler beziehen dieses Wissen während der Characteristic-Erstellung/Engineering-Part ein. Sobald das Modell in der Produktion läuft, ist eine ständige Überwachung erforderlich, um die Leistung aufrechtzuerhalten oder zu verbessern. In dieser Part sind Betrugsanalysten von entscheidender Bedeutung, um die wahren oder falschen positiven Ergebnisse des Modells zu identifizieren. Diese Identifizierung kann durch eine gründliche Untersuchung der Kundenhistorie oder durch Kontaktaufnahme mit dem Kunden zur Bestätigung erfolgen. Das Suggestions von Betrugsanalysten ist ein wesentlicher Bestandteil des Feedbackschleifenprozesses.
Hochrangige Supervisor und Führungskräfte auf C-Ebene spielen eine entscheidende Rolle für den Erfolg von ML/KI-Betrugsprojekten. Ihre Unterstützung ist entscheidend für die Beseitigung von Hindernissen und die Konsensbildung über die strategische Ausrichtung des Projekts. Daher müssen sie regelmäßig über den Projektfortschritt informiert werden. Damit sie die Förderung von Investitionen in die erforderlichen Groups, Instruments und Prozesse basierend auf den spezifischen Anforderungen des Projekts unterstützen und sicherstellen können, dass geeignete Ressourcen zugewiesen werden. Darüber hinaus sind sie dafür verantwortlich, interne und externe Parteien für den Datenschutz und die Einhaltung von Industriestandards zur Rechenschaft zu ziehen. Indem sie eine Kultur der Verantwortlichkeit fördern und eine klare Führung bieten, tragen sie dazu bei, dass das Projekt seine Ziele erreicht und sich reibungslos in die Gesamtstrategie der Organisation einfügt. Ihre Beteiligung ist von entscheidender Bedeutung, um etwaige regulatorische Bedenken auszuräumen, Risiken zu managen und das Projekt in Richtung einer erfolgreichen Umsetzung und langfristigen Nachhaltigkeit voranzutreiben.
Dateningenieure stellen die Daten bereit, die wir (Datenwissenschaftler) zum Erstellen von Modellen benötigen, was ein wesentlicher Schritt in jedem ML-Projekt ist. Sie sind für die Gestaltung und Pflege von Datenpipelines verantwortlich, sei es für Echtzeit-Datenströme oder Batch-Prozesse in Information Warehouses. Dateningenieure sind von Beginn an in das Projekt eingebunden und ermitteln Datenanforderungen, Quellen, Verarbeitungsanforderungen und SLA-Anforderungen für die Datenzugänglichkeit.
Sie bauen Pipelines auf, um Daten aus verschiedenen Quellen zu sammeln, umzuwandeln und zu speichern, und wickeln im Wesentlichen den ETL-Prozess ab. Sie verwalten und warten diese Pipelines auch, erfüllen Skalierbarkeitsanforderungen, überwachen die Datenqualität, optimieren Abfragen und Prozesse, um die Latenz zu verbessern und Kosten zu senken.
Auf dem Papier erstellen Datenwissenschaftler Algorithmen für maschinelles Lernen, um verschiedene Arten von Informationen für das Unternehmen vorherzusagen. In Wirklichkeit tragen wir den ganzen Tag über viele verschiedene Hüte. Wir beginnen damit, das Geschäftsproblem zu identifizieren, die Daten und verfügbaren Ressourcen zu verstehen, eine Lösung zu definieren und diese in technische Anforderungen umzusetzen.
Datenwissenschaftler arbeiten eng mit Dateningenieuren und MLOps-Ingenieuren zusammen, um Lösungen zu implementieren. Wir arbeiten auch mit Geschäftsinteressenten zusammen, um Ergebnisse zu kommunizieren und Suggestions zu erhalten. Die Modellbewertung ist eine weitere wichtige Aufgabe. Dazu gehört die Auswahl geeigneter Metriken zur Bewertung der Modellleistung, die kontinuierliche Überwachung und Berichterstattung darüber sowie die Beobachtung etwaiger Leistungseinbußen.
Der Prozess der kontinuierlichen Verbesserung ist für die Rolle eines Datenwissenschaftlers von zentraler Bedeutung, um sicherzustellen, dass Modelle im Laufe der Zeit genau und related bleiben.
Sobald Dateningenieure und Datenwissenschaftler die Datenpipelines und das Modell erstellt haben, ist es an der Zeit, das Modell in Produktion zu bringen. MLOps-Ingenieure spielen in dieser Part eine entscheidende Rolle, indem sie die Lücke zwischen Entwicklung und Betrieb schließen. Im Zusammenhang mit der Betrugsvorhersage ist das Timing von entscheidender Bedeutung, da das Unternehmen Betrug verhindern muss, bevor er auftritt, was einen Pipeline-Prozess erfordert, der in weniger als einer Sekunde ausgeführt wird. Daher stellen die Mlops-Ingenieure sicher, dass Modelle nahtlos in Produktionsumgebungen integriert werden und dabei Zuverlässigkeit und Skalierbarkeit gewahrt bleiben. MLOps-Ingenieure entwerfen und verwalten die für die Modellbereitstellung erforderliche Infrastruktur, implementieren CI/CD-Pipelines (Steady Integration und Steady Deployment) und überwachen die Modellleistung in Echtzeit. Sie kümmern sich auch um die Versionskontrolle, automatisieren Exams und verwalten Prozesse zur Neuschulung von Modellen, um Modelle auf dem neuesten Stand zu halten. Durch die Bewältigung dieser betrieblichen Herausforderungen ermöglichen MLOps-Ingenieure die reibungslose und effiziente Bereitstellung von Modellen für maschinelles Lernen und stellen sicher, dass sie konsistente und wertvolle Ergebnisse für das Unternehmen liefern.
Wir sprachen über die Rollen, die ich in meiner Berufserfahrung identifiziert habe. Diese Rollen interagieren je nach Projektphase und Unternehmen unterschiedlich. Meiner Erfahrung nach arbeiten zu Beginn des Projekts Betrugsanalysten, hochrangige Supervisor und Datenwissenschaftler zusammen, um die Strategie und Anforderungen zu definieren. Datenwissenschaftler spielen eine wichtige Rolle bei der Identifizierung des Geschäftsproblems. Sie arbeiten mit Mlops und Engineering zusammen, um es in eine technische Lösung umzusetzen. Dateningenieure müssen vorbeikommen, um die erforderlichen Pipeline-Entwicklungen zu besprechen. Eine häufige Herausforderung besteht darin, dass zwischen diesen Groups eine Diskrepanz besteht und diese erst zum Zeitpunkt der Ausführung zum Vorschein kommt. Dies kann sich auf Zeitpläne und die Qualität der zu liefernden Leistung auswirken. Je mehr Integrität zwischen diesen Groups besteht, desto reibungsloser wird die Implementierung und Bereitstellung sein.
Kommentieren Sie unten die Rollen in Ihrem Unternehmen. Wie sind die Dinge Ihrer Erfahrung nach anders?