В каждой организации есть одна команда, ответственная за создание модели машинного обучения, которая используется многими командами в ней, у этих команд могут быть разные представления о том, что определяет успешную модель.
допустим, вы строите модель для выявления дефектных продуктов по изображениям.
- Исследователь данных, ваша цель может состоять в том, чтобы свести к минимуму кросс-энтропийные потери вашей модели.
– С другой стороны, менеджер по продукту может захотеть уменьшить количество ошибочно классифицированных дефектных продуктов, отправляемых клиентам.
– Наконец, цель руководства может состоять в том, чтобы увеличить доход на 30%.
Каждая из этих целей различается по тому, для чего они оптимизируются, и балансирование этих различных потребностей внутри организации может представлять собой проблему.
Как специалист по данным, вы могли бы перевести потребности команды разработчиков в контекст вашей модели, заявив, что ложноотрицательные результаты в пять раз дороже, чем ложноположительные. Следовательно, вы должны оптимизировать полноту, а не точность, чтобы удовлетворить это при разработке вашей модели. вы можете найти баланс между целью команды разработчиков по оптимизации точности и вашей целью минимизировать потери модели.
При определении цели вашей модели важно учитывать потребности разных команд в организации и то, как потребности каждой команды соотносятся с моделью. Анализируя то, что каждая команда оптимизирует, прежде чем создавать свое решение, вы можете найти области компромисса, чтобы оптимально сбалансировать эти многочисленные цели.
