Что такое минимально жизнеспособная модель?
Минимальная жизнеспособная модель (MVM) и процесс, который ее окружает, нацелены на максимальное улучшение нашего раннего понимания проблемной области ML / AI в реальном контексте при минимальных затратах времени и ресурсов.
Ключевые моменты выше - это «понимание» и «реальный контекст». Когда мы начинаем проект, мы многого не знаем, поэтому делаем предположения, основываясь на опыте и интуиции, но мы не можем быть уверены в правильности этих предположений, пока они не будут проверены на реальных данных. в реальных условиях.
Например, мы можем обнаружить, что в доступных данных отсутствуют важные характеристики, они недостаточны по количеству / качеству или труднодоступны.
Или мы можем быть удивлены, узнав, какие функции, по-видимому, вносят наибольший (или почти нулевой) вклад в предсказательную силу модели.
Мы можем даже обнаружить, что разработка полезной модели непрактична, учитывая (хаотический) характер того, что мы пытаемся предсказать.
Чем раньше мы обнаружим проблемы (или возможности), тем раньше мы сможем соответствующим образом скорректировать наши приоритеты, ожидания и распределение ресурсов.
Имея это в виду, наш первый этап разработки модели (и сопровождающий его исследовательский анализ) должен помочь ответить по крайней мере на следующие вопросы:
- Какие данные доступны?
- Где это и как получить к нему доступ?
- Какого количества и качества?
- Каковы рабочие характеристики самой базовой модели, использующей эти данные?
- Какие функции кажутся наиболее важными для нашей модели?
- Какие дополнительные данные (внутренние или внешние) могут значительно улучшить производительность?
- Считаем ли мы, что сможем разработать модель, которая будет соответствовать бизнес-цели, которую мы пытаемся достичь?
В большинстве случаев на вышеперечисленные вопросы можно довольно быстро ответить, и многие шаги можно автоматизировать, но интерпретация результатов во что-то полезное для бизнеса требует как опыта в разработке модели ИИ, так и глубокого понимания предметной области. Лучше всего это достигается за счет тесного сотрудничества между внутренними бизнес-экспертами и (внутренней или внешней) командой ИИ.
Как только клиент почувствует себя достаточно уверенно, чтобы продолжить, мы можем начать включать нашу модель в более широкий контекст развернутого и полностью работоспособного решения.
В Synapsta мы тесно сотрудничаем с ИТ-отделами, маркетологами и другими заинтересованными сторонами, чтобы гарантировать, что то, что мы предлагаем, является частью комплексного бизнес-решения, которое является как операционным, так и устойчивым.
И, наконец, после всей этой фундаментальной работы мы можем продолжать итеративно улучшать нашу модель до тех пор, пока не достигнем точки убывающей отдачи от инвестиций (ROI), которая больше не поддерживается рассматриваемым бизнес-кейсом.
Вот основной процесс, которым мы следуем в Synapsta:
Теперь вы можете возразить, что это всего лишь последнее из длинной череды модных словечек Минимально жизнеспособный X (см. Минимально жизнеспособный продукт), но это не значит, что это не может быть полезной концепцией, которую нужно иметь в виду, когда она приходит. для планирования, разработки и развертывания вашей следующей модели машины для вашего клиента или внутренних бизнес-партнеров.
