Ada banyak komponen dalam sebuah proyek data science yang memerlukan kolaborasi untuk penerapan yang sukses. Dengan bagian-bagian yang saling terhubung ini, pendekatan agile diperlukan untuk proses pengembangan dan penerapan. Pendekatan ini memungkinkan organisasi belajar dengan cepat dan beriterasi dengan gesit. Dalam webinar DataCamp terbaru, Brian Campbell, Engineering Manager, Internal Engineering di Lucid Software, membahas praktik terbaik untuk berhasil menerapkan proyek data science.
Langkah Awal untuk Memungkinkan Pengembangan Agile
Brian menjelaskan bahwa dua langkah kunci dapat dilakukan di awal proyek untuk memungkinkan kemajuan paralel pada pengembangan dan penerapan model: bekerja dengan model baseline dan membuat prototipe. Walau pendekatan ini membuat lini masa lebih kompleks, hasilnya jauh lebih cepat dan lebih baik.
Bekerja dengan Model Baseline
Langkah yang membantu untuk sukses mengirimkan proyek machine learning adalah membuat model baseline. Model baseline memberikan keluaran yang sama seperti model final. Namun, model ini dibangun sebelum sebagian besar proses pengembangan dan bisa berbasis heuristik atau data acak. Baseline ini menjadi target yang harus dilampaui iterasi selanjutnya.
Seiring tim mengembangkan model-model baru, hasil baru dapat dibandingkan dengan baseline dan menjadi masukan pembelajaran. Kesenjangan antara baseline dan kondisi yang diinginkan akan menginformasikan kebutuhan proyek dan membantu tim mengidentifikasi data serta solusi yang paling bernilai untuk masalah tersebut.
Bekerja dengan Prototipe
Prototipe adalah model yang menerima input yang sama dan memberikan format output yang sama seperti model final. Model ini dapat diinformasikan oleh model baseline. Setelah prototipe siap, pihak yang bertanggung jawab atas penerapan dapat mulai bekerja mengintegrasikan model ke tujuan yang dimaksud. Prototipe memungkinkan kemajuan paralel pada model; data scientist menyempurnakan model sementara tim implementasi mengerjakan bagaimana model akan dikemas untuk pelanggan atau di dalam proses bisnis.
Prototipe hanya berfungsi ketika model final berperilaku sama seperti prototipe. Oleh karena itu, perlu memahami data yang tersedia dan format output yang dituju sebelum membuat prototipe. Ini memerlukan pengetahuan tentang proyek yang melampaui perumusan masalah awal, serta kolaborasi erat dengan pakar masalah.
Kasus Penggunaan Nyata Baseline dan Prototipe
Brian membahas bagaimana timnya di Lucid menggunakan baseline dan prototipe untuk mempercepat pengembangan model clustering untuk produk sticky note yang digunakan oleh tim produk, desain, dan rekayasa. Tim-tim ini sering menjalankan sesi design thinking di mana fasilitator perlu mengelompokkan secara manual sticky note yang serupa di bawah kategori tertentu. Tujuan sistem ini adalah mengurangi waktu antara brainstorming dan diskusi dengan secara otomatis mengelompokkan ide ke dalam kategori dan menghapus duplikat.
Model baseline mengambil ide acak dan menghasilkan kategori acak untuknya. Lalu, mereka membuat prototipe dari model ini agar para ahli implementasi dapat mulai bekerja lebih awal dalam proses pengembangan. Seiring waktu, mereka menyempurnakan model baseline dengan memanfaatkan pemrosesan bahasa alami dan machine learning untuk mengelompokkan sticky note serupa.
Komunikasi itu penting untuk model-model ini
Iterasi pertama proyek ini menemui sejumlah masalah karena kurangnya kolaborasi yang konsisten antara tim penerapan dan data scientist yang mengerjakan model. Kurangnya kerja sama ini menyebabkan masalah performa model, pengujian yang tidak akurat, dan pengalaman produk yang buruk. Mereka tidak mampu mewujudkan sinergi pengembangan model secara paralel.
Saat mereka meluncurkan ulang proyek dan berkolaborasi dengan efektif, masalah-masalah tersebut teratasi dan ekspektasi menjadi lebih realistis. Kolaborasi dimungkinkan karena adanya model prototipe yang membuat tim penerapan dapat bekerja paralel dengan tim data science yang mengembangkan model.
Untuk memahami pelajaran dari proyek ini, dan bagaimana menavigasi proyek data science yang kompleks secara efektif, pastikan untuk menyimak webinar on-demand.
