一个数据科学项目包含许多组件，需要协作才能成功部署。面对这些相互关联的部分，开发与部署流程都需要采用敏捷方法。这种方法让组织能够快速学习并快速迭代。在一次近期的 DataCamp 网络研讨会中，Lucid Software 内部工程团队工程经理 Brian Campbell 讨论了成功部署数据科学项目的最佳实践。
支持敏捷开发的前期步骤
Brian 指出，在项目早期可以采取两个关键步骤，使模型的开发与部署能够并行推进：使用基线模型和创建原型。尽管这些方法会让时间线更复杂，但能带来显著更快且更优的结果。
使用基线模型
成功交付机器学习项目的一个有用步骤是创建基线模型。基线模型的输出与最终模型相同，但它在大部分开发开始前构建，可能基于启发式或随机数据。这个基线为后续迭代提供了需要超越的目标。
随着团队开发新模型，可以将新结果与基线进行比较，从而获得启发。基线与期望状态之间的差距有助于明确项目需求，并帮助团队识别对问题最有价值的数据和解决方案。
使用原型
原型是指与最终模型摄取相同输入并提供相同输出格式的模型。该模型可以参考基线模型来设计。一旦原型就绪，负责部署的人员就可以开始将模型集成到其预期用途中。原型使模型工作能够并行推进：数据科学家改进模型的同时，实施团队研究如何将模型打包给客户或嵌入业务流程。
只有当最终模型与原型的行为一致时，原型方法才奏效。因此，在创建原型之前，需要理解可用数据和预期的输出格式。这要求对初始问题表述之外的项目情况有所了解，并与问题领域专家密切合作。
基线与原型的真实用例
Brian 介绍了他在 Lucid 的团队如何利用基线和原型，加速为一款便签产品开发聚类模型。该产品被产品、设计和工程团队使用。这些团队经常开展设计思维会议，主持人需要将相似类型的便签在某一类别下手动聚类。该系统的目标是通过自动将想法聚类到类别并去重，缩短从头脑风暴到讨论之间的时间。
基线模型接受随机想法并为其生成随机类别。随后，他们基于该模型创建了原型，使实施专家能够在开发早期就开始工作。随着时间推移，他们利用自然语言处理和机器学习，将相似便签聚在一起，从而改进了基线模型。
沟通对这些模型至关重要
该项目的第一轮迭代遇到了一些问题，原因在于部署团队与负责模型的数据科学家之间缺乏持续协作。这种缺乏团队合作导致模型性能问题、测试不准确以及糟糕的产品体验。他们未能实现模型并行开发所带来的协同效应。
当他们重启项目并有效协作后，这些问题得到解决，预期也更加现实。通过为部署团队提供可与数据科学团队并行工作的原型模型，协作成为可能。
若想了解该项目的经验教训，以及如何高效推进复杂的数据科学项目，请观看点播研讨会。
一个数据科学项目包含许多组件，需要协作才能成功部署。面对这些相互关联的部分，开发与部署流程都需要采用敏捷方法。这种方法让组织能够快速学习并快速迭代。在一次近期的 DataCamp 网络研讨会中，Lucid Software 内部工程团队工程经理 Brian Campbell 讨论了成功部署数据科学项目的最佳实践。
支持敏捷开发的前期步骤
Brian 指出，在项目早期可以采取两个关键步骤，使模型的开发与部署能够并行推进：使用基线模型和创建原型。尽管这些方法会让时间线更复杂，但能带来显著更快且更优的结果。
使用基线模型
成功交付机器学习项目的一个有用步骤是创建基线模型。基线模型的输出与最终模型相同，但它在大部分开发开始前构建，可能基于启发式或随机数据。这个基线为后续迭代提供了需要超越的目标。
随着团队开发新模型，可以将新结果与基线进行比较，从而获得启发。基线与期望状态之间的差距有助于明确项目需求，并帮助团队识别对问题最有价值的数据和解决方案。
使用原型
原型是指与最终模型摄取相同输入并提供相同输出格式的模型。该模型可以参考基线模型来设计。一旦原型就绪，负责部署的人员就可以开始将模型集成到其预期用途中。原型使模型工作能够并行推进：数据科学家改进模型的同时，实施团队研究如何将模型打包给客户或嵌入业务流程。
只有当最终模型与原型的行为一致时，原型方法才奏效。因此，在创建原型之前，需要理解可用数据和预期的输出格式。这要求对初始问题表述之外的项目情况有所了解，并与问题领域专家密切合作。
基线与原型的真实用例
Brian 介绍了他在 Lucid 的团队如何利用基线和原型，加速为一款便签产品开发聚类模型。该产品被产品、设计和工程团队使用。这些团队经常开展设计思维会议，主持人需要将相似类型的便签在某一类别下手动聚类。该系统的目标是通过自动将想法聚类到类别并去重，缩短从头脑风暴到讨论之间的时间。
基线模型接受随机想法并为其生成随机类别。随后，他们基于该模型创建了原型，使实施专家能够在开发早期就开始工作。随着时间推移，他们利用自然语言处理和机器学习，将相似便签聚在一起，从而改进了基线模型。
沟通对这些模型至关重要
该项目的第一轮迭代遇到了一些问题，原因在于部署团队与负责模型的数据科学家之间缺乏持续协作。这种缺乏团队合作导致模型性能问题、测试不准确以及糟糕的产品体验。他们未能实现模型并行开发所带来的协同效应。
当他们重启项目并有效协作后，这些问题得到解决，预期也更加现实。通过为部署团队提供可与数据科学团队并行工作的原型模型，协作成为可能。
若想了解该项目的经验教训，以及如何高效推进复杂的数据科学项目，请观看点播研讨会。