Mākslīgā intelekta projektu vadība

Jūsu uzdevums ir izpētīt vienu neveiksmīgu vai problemātisku AI projektu un analizēt, kas nogāja greizi. Izvēlēties kādu no vieslekcijā apskatītajiem piemēriem (piem., Zillow, Tay, Amazon Hiring Tool) vai atrodiet citu publiski zināmu gadījumu.

Referātā jāanalizē:

• Projekta mērķi un sākotnējais konteksts
• Pieļautās kļūdas (tehniskās, organizatoriskās, ētiskās utt.)
• Kuri dzīves cikla vai iespējamības novērtēšanas posmi bija vāji vai izlaisti
• Ko būtu varējis darīt citādāk projekta vadības vai riska analīzes ziņā
• Kādas mācības var gūt no šī piemēra nākotnes AI projektiem

Jebkurā no šīm tēmām mēģiniet atrast reālos piemērus / projektus / ziņas

1. opcija: Datu stratēģija un kvalitātes ietekme

“No atkritumiem iekšā līdz zeltam ārā: Kā datu stratēģijas lēmumi veido AI Project panākumus”

Jums ir jāapraksta datu kvalitātes, darba grupas dinamikas un eksperimentālo rezultātu savstarpējā saistība. Tiem būtu jāattiecas uz:

• Kā slikti datu stratēģijas lēmumi ietekmē komandas darbplūsmas
• Dažādu komandas locekļu loma datu kvalitātes uzturēšanā
• Kompromisi starp sintētisko datu ģenerēšanu un reālu datu vākšanu
• Kā datu versiju veidošana un metadatu pārvaldība ietekmē eksperimenta atkārtojamību

2. opcija: Būvējums pret iegādes lēmumu

“Izgudrot no jauna vai izmantot eksistējošo: Stratēģiskie lēmumi AI rīku atlasē”

Studenti analizē kompromisus starp pielāgotu risinājumu izveidi un esošo rīku izmantošanu visā AI projekta dzīves ciklā:

• Pielāgoti marķēšanas rīki salīdzinājumā ar komerciālām platformām (Labelbox, Amazon SageMaker)
• Pielāgoti eksperimentu izsekošana salīdzinājumā ar gataviem risinājumiem (Clearml, MlFlow)
• Pašviesotu infrastruktūru salīdzinājumā ar mākoņa risinājumiem
• Iekšējo datu plūsmu veidošana salīdzinājumā ar pārvaldīto pakalpojumu izmantošanu
• Šo lēmumu ietekme uz komandas produktivitāti, prasmju prasībām un projekta rezultātiem

Izvēlieties VIENU no piedāvātajiem tematiem vai ierosināt savu saistītu tematu apstiprināšanai:

Datu apstrādes sistēmu arhitektūra un dizains

• "Uzticamu ML sistēmu būvēšana: Kritiskā analīze" - Analizējiet ML sistēmu galvenās komponentes, apspriežot kompromisus starp modularitāti, mērogojamību un sarežģītību. Iekļaujiet reālus sistēmu kļūdu piemērus un to, kā uzticams dizains varētu tos novērst.
• "Orkestrācijas rīku salīdzinājums: Kad vienkārši skripti pārspēj sarežģītas sistēmas" - Salīdziniet Apache Airflow, Dagster un vienkāršus Python skriptus dažādiem lietošanas gadījumiem. Apspriediet, kad katrs pieejas veids ir vispiemērotākais un slēptās pārmērīgas inženierijas izmaksas.

Ražošanas optimizācija un mērogošana

• "Modeļu optimizācija ražošanai: Ārpus precizitātes rādītājiem" - Pētiet tādas tehnikas kā kvantizācija, apcirpšana un efektīvas arhitektūras. Analizējiet kompromisus starp modeļa veiktspēju un izvietošanas ierobežojumiem reālās situācijās.
• "Aparatūras izvēles stratēģija AI sistēmām" - Salīdziniet edge ierīces, mākoņa GPU un pašhostētos risinājumus. Apspriediet izmaksu-ieguvumu analīzi un sniedziet ieteikumus dažādiem biznesa scenārijiem.

MVP izstrāde un biznesa lietojumi

• "Ātra AI MVP izstrāde: Mācības no nozares" - Analizējiet veiksmīgus AI MVP gadījumu pētījumus, apspriežot, kā KISS princips un veidņu vadītā izstrāde paātrināja laiku līdz tirgum. Iekļaujiet neveiksmīgus gadījumus, kad pārmērīga inženierija aizkavēja produkta laišanu.
• "No prototipa līdz ražošanai: Realitātes plaisa" - Pētiet izplatītos izaicinājumus, pārejot no AI modeļu izstrādes uz ražošanas vidēm, ieskaitot datu dreifi, infrastruktūras mērogošanu un uzraudzības prasības.

Infrastruktūra un DevOps

• "Konteineru orkestrācija ML: Docker pret Kubernetes kompromisi" - Analizējiet, kad konteinerizācija pievieno vērtību pretstatā sarežģītībai ML projektos. Apspriediet izvietošanas stratēģijas un infrastruktūras pārvaldības izaicinājumus.
• "CI/CD mašīnmācīšanās vajadzībām: Unikālie izaicinājumi un risinājumi" - Salīdziniet tradicionālo programmatūras CI/CD ar ML specifiskajām prasībām. Apspriediet automatizētās testēšanas stratēģijas modeļiem un datu apstrādes sistēmām.

Prezentācija pēdējā lekcijā

Apraksts:

Studenti strādās nelielās grupās (3–5 cilvēki), lai izstrādātu fiktīva mākslīgā intelekta (MI) projekta plānu, aptverot visus AI/ML dzīves cikla posmus. Katrs students darbojas kā projekta vadītājs – uzsvars tiek likts uz plānošanas, analīzes un komunikācijas prasmēm, nevis uz tehnisko izpildi.

Projekta saturs:

• Problēmas apraksts un biznesa konteksts
• Kā MI varētu palīdzēt šo problēmu risināt
• Pieejamie vai pieņēmuma datu avoti
• Datu iegūšanas un apstrādes plāns
• Potenciālā modeļa veids un piemērotība
• Galvenie riski un ierobežojumi
• Veiksmīga rezultāta definīcija un mērīšana

Gala rezultāts:

• Prezentācija (10–15 min) kursa pēdējā lekcijā

Vērtēšanas kritēriji:

• Loģiska un pamatota projekta struktūra
• Problēmas un risinājuma atbilstība
• Izpratne par datu un modeļu izvēli
• Riska apzināšanās un mērījumu definēšana