AI Proje Geliştirme - Proje Yöneticileri Nasıl Hazırlanmalı

Bu makalenin sesli sürümünü dinleyin

Bir proje yöneticisi olarak, muhtemelen kariyeriniz boyunca karmaşık monolitik yapılardan SaaS web uygulamalarına uzanan bir dizi BT projesinde yer almışsınızdır. Ancak yapay zeka ve makine öğreniminin ilerlemesiyle birlikte, farklı gereksinimlere ve sorunlara sahip yeni projeler hızla ufka çıkıyor.

Bu teknolojilerin yükselişi ile, teknik proje yöneticilerinin bu kavramlarla sağlıklı bir ilişki kurması için “sahip olmak” daha az ve bunun yerine gerekli hale geliyor. Gartner'a göre, 2020 yılına kadar AI, kaldıracağı 1,8 milyonu aşarak 2,3 milyon iş yaratacak ve 2021 yılına kadar 2,9 trilyon dolarlık iş değeri üretecek. Google'ın CEO'su, “AI en önemli şeylerden biri. insanlık çalışıyor. Elektrik veya ateşten […]daha derindir.”

Yapay zeka uygulamaları, finanstan sağlık hizmetlerine kadar birçok endüstriyi alt üst ederken, bu fırsatı yakalayabilen teknik sorumluların, yapay zeka proje yönetiminin ne kadar farklı olduğunu ve değişen ortama en iyi nasıl hazırlanabileceklerini anlamaları gerekiyor.

teori

Her Şeyin Anlamı: Yapay Zeka ve Makine Öğrenimi

Daha derine inmeden önce, AI'nın gerçekte ne olduğuna dair sağlam bir anlayışa sahip olmak önemlidir. Çoğu zaman birbirinin yerine kullanılan birçok farklı terimle, önce en yaygın tanımlara girelim.

Yapay Zeka (AI)

AI, aksi takdirde insan zekası gerektiren sorunları çözmeye adanmış bir bilgisayar bilimi alanıdır - örneğin, örüntü tanıma, öğrenme ve genelleme.

Bu terim, son yıllarda, gerçek biliş yeteneğine sahip, kendinin farkında olan bilgisayar programlarını ifade eden yapay genel zekayı (AGI) belirtmek için aşırı kullanılmıştır. Bununla birlikte, öngörülebilir gelecek için çoğu AI sistemi, bilgisayar bilimcilerinin "dar AI" dediği şey olacak, yani kendileri için gerçekten "düşünmek" yerine, bir biliş görevini gerçekten iyi yapmak için tasarlanacaklar.

Makine Öğrenimi (ML)

Makine öğrenimi, bilgisayarlara açıkça programlanmadan verilerden öğrenme yeteneği vermek için istatistiksel teknikleri kullanan bir yapay zeka alt kümesidir.

AI ve ML, AI alanındaki bazı makine öğrenimi yöntemlerinin başarısı nedeniyle son yıllarda birçok şirket tarafından birbirinin yerine kullanılmıştır. Açık olmak gerekirse, makine öğrenimi bir programın öğrenme yeteneğini belirtirken, yapay zeka diğer işlevlerle birlikte öğrenmeyi kapsar.

Sinir ağları ve derin öğrenme hakkında daha fazla bilgi edinmek için lütfen bu makalenin sonundaki eke bakın.

Önemli Bir Ayrım: AI ve Standart Algoritmalar

AI'nın önemli bir çıkarımı, algoritmalarının iç yapılarını ayarlamak için büyük miktarda veri kullanmasıdır, öyle ki, yeni veriler sunulduğunda, verilen önceki verilere göre kategorize edilir. Buna kesinlikle kodda yazılı olan sınıflandırma talimatlarına göre çalışmak yerine verilerden “öğrenme” diyoruz.

Arabaları kamyonlardan ayırt edebilecek bir program yazmak istediğimizi hayal edin. Geleneksel programlama yaklaşımında, daha büyük tekerlekler veya daha uzun bir gövde gibi belirli, gösterge niteliğinde özellikler arayan bir program yazmaya çalışırdık. Bu özelliklerin nasıl göründüğünü ve bir fotoğrafta nerede bulunmaları gerektiğini özel olarak tanımlayan bir kod yazmamız gerekecekti. Böyle bir program yazmak ve güvenilir bir şekilde çalışmasını sağlamak çok zordur, muhtemelen hem yanlış pozitifler hem de yanlış negatifler vererek sonunda hiç kullanılamayacak bir noktaya gelir.

AI algoritmalarının çok kullanışlı hale geldiği yer burasıdır. Bir AI algoritması eğitildikten sonra, ona birçok örnek gösterebiliriz ve statik, önceden belirlenmiş özellik tanımlarına güvenmek yerine resimlerin başarılı bir şekilde sınıflandırılmasıyla ilgili özellikleri tespit etmeye başlamak için iç yapısını ayarlar.

Uygulamada Yapay Zeka Proje Yönetimi

Veri Kraldır

İnsanlar büyük hacimli verilerle uğraşmakta pek iyi değiller ve elimizdeki verilerin çokluğu bazen onu doğrudan kullanmamızı engelliyor. Yapay zeka sistemlerinin devreye girdiği yer burasıdır.

Yapay zeka sistemleriyle ilgili çok temel bir kavram, tahminlerinin yalnızca verileri kadar iyi olmasıdır. Örneğin, bir milyon veri noktasına sahip bir algoritma, 10.000 veri noktasına sahip aynı algoritmadan daha iyi performans gösterecektir. Ayrıca BCG, “birçok şirketin yapay zeka başarısı için veri ve eğitimin önemini anlamadığını bildiriyor. Çoğu zaman, daha iyi veriler, akıllı bir sistem inşa etmek için, daha iyi çıplak algoritmalardan daha önemlidir, tıpkı insanoğlunun doğasını beslemenin çoğu zaman ağır basması gibi.”

Bu bilgi birikimi ile verilerin hazırlanması ve temizlenmesi, proje sürecinde daha yaygın hale gelecek bir şeydir. Çoğu işletme, verileri doğru formatlarda hazırlamadığından, bu adım genellikle bir AI sistemi oluşturmanın en yoğun emek gerektiren kısmıdır; bu nedenle, veri analistlerinin bu önemli adımı tamamlaması biraz zaman alabilir.

Ek olarak, veri altyapısı kurulumu ve veri temizleme işleri, normal yazılım geliştirmeden çok daha doğrusaldır ve farklı bir proje yönetimi metodolojisi gerektirebilir.

Özetlemek gerekirse, doğru veri altyapısını oluşturmak ve kullanılacak verileri hazırlamak, verileri çalıştırmak için makine öğrenimi modelini oluşturmaktan çok daha uzun sürebilir. Bu, ekipleri yönettikleri ve yapay zeka kapsamı ve proje tahminleri hakkında düşündükleri için proje yöneticileri için büyük bir değerlendirmedir.

Ayrıca, veri seti yeni verilerle sürekli olarak güncellenmelidir. Benzersiz veri kümelerine erişim, hangi ML ürününün en başarılı olduğunu belirleyen ana karar verme faktörü olabilir. Lansman sonrasında bile makine öğrenimi projeniz için mümkün olan en iyi performansa ulaşmak için bu konuda güncel kalmak çok önemlidir.

AI Geliştirme Yaşam Döngüsü

Çoğunuz standart sistem geliştirme yaşam döngüsüne (SDLC) ve farklı metodolojilerin ve teknolojilerin onu nasıl şekillendirdiğine aşina olacaksınız. AI geliştirmenin sahaya yeni bir dizi zorluk getireceğini belirtmek önemlidir. Yapay zeka geliştirme yaşam döngüsünü şu adımlara ayırabiliriz: fikir oluşturma ve veri keşfi, MVP'lere öncelik verme ve MVP'leri tam teşekküllü ürünlere geliştirme.

Fikir ve Veri Keşfi

Bu ilk aşamada, iki temel şeye odaklanılmalıdır: ML ürününün son kullanıcısı ve hangi veri havuzlarının mevcut olduğu.

Bu teknikler, soruna iki bağımsız taraftan yaklaşarak bir proje yöneticisinin bir şirkette mevcut olan ML ürün fırsatlarını hızla daraltmasına yardımcı olabilir. Bu aşamada, en iyi PM'ler, belirli sorunların çözülebileceği zorluğu daha iyi anlamak için makine öğrenimi alanı hakkındaki bilgilerinden yararlanabilir. Makine öğrenimi alanında işler çok hızlı ilerler ve araştırmalardaki yeni gelişmelerle bazı zor problemler çok daha kolay hale getirilebilir.

Daha önce de belirtildiği gibi, veriler keşfedildikten sonra temizlenmeli ve hazırlanmalıdır. Bu özel görev normalde, sprintlere zorlanabilseler de Çevik veya Şelale gibi tipik proje metodolojilerine tam olarak uymayan doğrusal adımlarla yapılır. Tipik olarak, veri temizleme, veri kümelerinin boyutunu kademeli olarak artırarak ve bunları diğer geliştirme çabalarına paralel olarak hazırlayarak yinelemeli olarak yapılır.

Minimum Uygulanabilir Ürüne (MVP) Öncelik Verme

Bitmemiş büyük bir ürün yerine daha küçük bir ürünün çalışan bir prototipine sahip olmanın daha iyi olduğu gerçeği, makine öğrenimi ürünleri ile burada hala duruyor. Yeni ML MVP'lerine, teslimat hızına ve şirket için değerlerine göre öncelik verilmelidir. Ürünleri, daha küçük olanları bile hızlı bir şekilde teslim edebiliyorsanız, tüm ekip için iyi ve hızlı bir kazanç olabilir - önce bu ürünlere öncelik vermelisiniz.

Bu MVP'leri klasik Agile tarzında hazırlamak iyi bir fikirdir ve geliştirme ekibi, veri ekibi tarafından bağımsız olarak hazırlanan sürekli gelişen veri kümelerine dayalı ML modelleri sunmaya odaklanmalıdır. Buradaki önemli bir ayrım , veri ekibinin MVP'yi oluşturan ekiple aynı Sprint yapısı üzerinden çalışması gerekmemesidir .

MVP'den Tam teşekküllü Ürüne

Bu adım, veri altyapısının kilit hale geldiği yerdir. Makine öğrenimi ürününüz dünyanın her yerinden yüksek frekanslı API erişimi gerektiriyorsa, artık makine öğrenimi ürününü desteklemek için altyapıyı nasıl ölçeklendirebileceğinizi düşünmelisiniz.

Bu, mevcut ürünün performansının bozulmasını önlemek için ML modüllerindeki değişikliklerin dikkatli bir şekilde değerlendirilmesi gereken yerdir. Makine öğrenimi modüllerini yeni algoritmalar veya veri kümeleriyle yeniden eğitmek her zaman doğrusal bir performans artışı sağlamaz; bu nedenle, canlı dağıtımdan önce önemli miktarda test yapılması gerekir. Uç durumlar için makine öğrenimi modülü testi ve potansiyel üretici saldırgan ağ (GAN) saldırıları henüz başlangıç ​​aşamasındadır, ancak canlı bir makine öğrenimi ürünü çalıştırırken proje yöneticilerinin kesinlikle akıllarında tutmaları gereken bir şeydir.

Yapay Zeka Geliştirme Yaşam Döngüsündeki Temel Roller

Makine öğrenimi uygulamaları geliştirmenin veri ağırlıklı gereksinimleri, AI ürünlerinin SDLC'sine yeni roller getiriyor. Makine öğrenimi uygulamaları alanında harika bir proje yöneticisi olmak için şu üç rolü çok iyi bilmelisiniz: veri bilimcileri, veri mühendisleri ve altyapı mühendisleri. Bazen makine öğrenimi mühendisleri, makine öğrenimi altyapı mühendisleri veya makine öğrenimi bilim adamları gibi başka başlıklar altında görünseler de, bu temel konumlar ve bunların makine öğrenimi geliştirme süreci üzerindeki etkileri hakkında sağlam bir anlayışa sahip olmak önemlidir.

Veri Bilimcisi

Veri bilimcileri, makine öğrenimi modellerini oluşturan kişilerdir. Uygulamalı istatistikler, makine öğrenimi ve analitik konusundaki derin anlayışlarına dayalı fikirleri sentezler ve ardından gerçek iş sorunlarını çözmek için içgörülerini uygularlar.

Veri bilimcileri bazen veri analistlerinin gelişmiş versiyonları olarak görülür. Bununla birlikte, veri bilimcileri genellikle güçlü programlama becerilerine sahiptir, veri merkezlerine yayılan büyük miktarda veriyi rahatça işler ve makine öğrenimi konusunda uzmanlığa sahiptir.

Ayrıca, veri altyapıları ve büyük veri madenciliği hakkında iyi bir anlayışa sahip olmaları ve kendi başlarına keşif egzersizleri yapabilmeleri, verilere bakarak ve içindeki ilk ipuçlarını ve içgörüleri bulabilmeleri beklenmektedir.

Temel Beceriler: Python, R, Scala, Apache Spark, Hadoop, Makine Öğrenimi, Derin Öğrenme, İstatistik, Veri Bilimi, Jupyter, RStudio

Veri Mühendisi

Veri mühendisleri, makine öğrenimi ürünlerinin çalışması için gereken yazılım ve altyapıyı oluşturma konusunda uzmanlaşmış yazılım mühendisleridir. Kapsayıcı mimariye odaklanma eğilimindedirler ve makine öğrenimi, analitik veya büyük veri konusunda uzman olmasalar da yazılımlarını ve altyapılarını test etmek için bu konuları iyi anlamaları gerekir. Bu, veri bilimcisi tarafından oluşturulan makine öğrenimi modellerinin başarılı bir şekilde uygulanması ve gerçek dünyaya sunulması için gereklidir.

Temel Beceriler: Python, Hadoop, MapReduce, Hive, Pig, Veri Akışı, NoSQL, SQL, Programlama, DashDB, MySQL, MongoDB, Cassandra

Altyapı Mühendisi

Altyapı mühendisleri, makine öğrenimi ürünlerinin omurgasıyla ilgilenir: altyapı katmanı. Veri mühendisleri bu altyapının bir kısmını oluşturabilirken, genellikle altyapı ekibi tarafından hazırlanan ve üzerinde anlaşmaya varılan katmanın üzerine kurulur.

Altyapı mühendisleri, makine öğrenimi uygulamalarının milyonlarca kullanıcıya hizmet verecek şekilde ölçeklenebileceği, ölçeklenebilir ve verimli bir ortam oluşturma hedefiyle birden çok makine öğrenimi ekibinde çalışabilir. Altyapı mühendisleri, yalnızca platformların yazılım düzeyiyle ilgilenmekle kalmaz, aynı zamanda barındırılan verilerin coğrafi konumundan donanıma kadar her şeyin sorunsuz çalışmasını sağlamak için veri merkezi ortaklarıyla da koordinasyon sağlar. Makine öğrenimi projeleri için bu yönlerin önem kazanmasıyla birlikte, altyapı mühendisleri AI odaklı şirketlerde her zamankinden daha önemli hale geliyor.

Temel Beceriler: Kubernetes, Mesos, EKS, GKE, Hadoop, Spark, HDFS, CEPH, AWS, Bulut Bilişim, Veri Merkezi İşlemleri, Uçtan Uca Bilgi İşlem Altyapısı, BT Altyapısı, Hizmet Yönetimi

Bugün Ortak Zorluklar

Yapay zeka ve makine öğrenimi tabanlı ürünlerin ortaya çıkmasıyla birlikte proje yöneticilerinin hem tanıdık hem de tamamen yabancı zorluklarla karşılaşması bekleniyor. Üst düzey PM'ler, projelerin kapsamının belirlenmesinden tamamlanmasına kadar tüm süreç boyunca bu potansiyel sorunların kesinlikle farkındadır.

Gerçeklik kontrolü

AI'nın popülaritesine ve vaadine rağmen, çözmeye çalıştığınız sorunun ayrıntılı bir AI çözümü gerektirmemesi için iyi bir şans var .

Birçok tahmin problemi, daha basit ve bazı durumlarda daha güvenilir istatistiksel regresyon modelleri kullanılarak çözülebilir. Sorunun gerçekten makine öğrenimi gerektirdiğinden emin olmak için bir projeye başlamadan önce bir PM'nin akıl sağlığı kontrolü yapması çok önemlidir.

Bazen daha basit bir istatistiksel modelle başlamak ve makine öğrenimi tabanlı bir çözüme paralel olarak ilerlemek akıllıca olur. Örneğin, bir öneri motoru oluşturuyorsanız, sonraki ML modelinin daha iyi performans göstermesi gereken iyi bir temel sağlayarak daha hızlı geliştirme yaşam döngüsüne sahip daha basit bir çözümle başlamak akıllıca olabilir.

AI Kapsam Sürünmesi

Makine öğrenimi projelerinde kapsam kaymasının en yaygın nedenleri, aynı anda çok fazla şey yapmaya çalışmak ve verileri hazırlamak için gereken çabayı hafife almakla ilgilidir.

İlk sorunu çözmek için, paydaşları görkemli planlar yerine hızlı kazançlarla başlamanın daha iyi olduğunu anlayacak şekilde yönetin. Oluştururken ve test ederken bu yaklaşımı proje boyunca sürekli olarak iletin.

Kolayca tanımlanabilen ve test edilebilen küçük, atomik özelliklerle başlayın. Kendinizi karmaşık bir görevle bulursanız, onu ana göreviniz için iyi vekiller olan daha basit görevlere ayırmaya çalışın. Bu görevlerin neyi başarmayı amaçladığını iletmek kolay olmalıdır.

Örneğin, bir kullanıcının belirli bir reklamı ne zaman tıklayacağını tahmin etmeye çalışıyorsanız, önce kullanıcının reklamı tamamen kapatıp kapatmayacağını tahmin etmeyi deneyebilirsiniz. Bu yaklaşımda, problem basitleştirilmiştir ve mevcut ML modelleri tarafından daha iyi yerleştirilebilir ve tahmin edilebilir. Facebook, başlangıçtan modelin teslimine kadar ML boru hattına daha fazla odaklanarak bu konuyu daha da derinleştiren harika bir seri hazırladı.

Kapsam kaymasına ikinci katkıda bulunanı ele almak için, ML projelerinizi desteklemek için verileri hazırlayabildiğinizden emin olun. İhtiyaç duyulan verilere, gereken formatta sahip olduğunuzu varsaymak, PM'lerin makine öğrenimi projelerine yeni başlarken yaptığı en yaygın hatadır. Veri hazırlama ve temizleme genellikle makine öğrenimi proje sürecinin daha uzun bir parçası olduğundan, bu adımı yönetmek çok önemlidir. Veri bilimcinizin doğru verilere erişimi olduğundan ve oluşturmak istedikleri ML özelliklerini oluşturmadan önce kalitesini ve geçerliliğini kontrol edebildiğinden emin olun.

Proje her zaman daha iyi ve daha fazla veriden faydalanabileceğinden, yalnızca bir başlatıcı olarak değil, proje boyunca sürekli bir alıştırma olarak veri etiketleme ve temizleme yapmaya hazırlanın. Bu adım en büyüleyici görev olmasa da, bu işi sprintlere bölün, böylece veri ekibiniz sonsuz bir bilet birikimiyle karşı karşıya kalmak yerine çabalarının ilerlemesini hissedebilir.

Bazen şirketler veri etiketlemesini üçüncü taraflara yaptırır. Bu, zamandan ve ön maliyetlerden tasarruf etmenize yardımcı olurken, aynı zamanda güvenilir olmayan veriler üretebilir ve sonuçta ML modelinizin başarısını engelleyebilir. Bunu önlemek için, her veri parçasının birden fazla tarafça kontrol edildiği ve yalnızca sonuçları eşleşirse kullanıldığı çoklu örtüşme tekniğini kullanın.

Proje planlarken, etiketleme gereksinimlerinizin proje ortasında değişmesi ve yeniden etiketlemenin gerekli olması durumunda veri ekibinin ayarlamalar yapması için yeterli zaman ayırın.

Son olarak, sıfırdan başlamak proje süresini ve kapsamını önemli ölçüde artırabileceğinden, yeni makine öğrenimi yöntemleri icat etmek yerine verilerinizin mevcut makine öğrenimi yöntemleriyle kolayca kullanılıp kullanılamayacağını kontrol edin. Henüz çözülmemiş bir ML problemini çözmeye çalışıyorsanız, başarısız olma ihtimalinizin yüksek olduğunu unutmayın. Makine öğreniminin başarısına ve yayınlanan araştırma makalelerinin sayısına rağmen, makine öğrenimi sorunlarını çözmek çok zor bir çaba olabilir. Çok sayıda iyi örnek ve algoritma içeren bir makine öğrenimi alanıyla başlamak ve yeni bir şey icat etmeye çalışmak yerine onu geliştirmeye çalışmak her zaman en kolayıdır.

Makine Öğrenimi, Beklentiler ve UX

Her PM, oluşturdukları AI ürünlerinin kullanıcı deneyimini ve bunları oluşturan ekibi en iyi şekilde nasıl yöneteceklerini düşünmeye hazır olmalıdır. Google, insan etkileşimine vurgu yaparak UX ve AI hakkında düşünme biçimleri hakkında harika bir yazı yazdı.

Bu nokta, özellikle ML ürününüzün operatörlerle etkileşime girmesi veya hatta onlar tarafından değiştirilmesi gerekiyorsa önemlidir. Tasarım, sistemin operatörlerine ve kullanıcılarına gerekli minimum stres miktarını eklemelidir. Örneğin, sohbet robotları genellikle makine öğrenimine dayanır, ancak bir insan operatör tarafından sorunsuz bir şekilde devralınabilirler.

Paydaşların makine öğrenimi ürünlerinden sunabileceklerinden çok daha fazlasını bekleme olasılığı da vardır. Bu genellikle medyanın yapay zeka ürünleri hakkında yazarken yarattığı heyecandan kaynaklanan bir sorundur ve bu nedenle proje yöneticisinin makul beklentiler belirlemesi önemlidir.

Aracı test etmeden önce beklentilerini yeterince iyi yönetebilmeniz için AI aracının gerçekte ne olduğunu ve paydaşlarınız için neler başarabileceğini açıkladığınızdan emin olun. İyi UX harikadır, ancak gerçekçi olmayan beklentileri olan kullanıcılara değer sağlayamaz, bu nedenle dahil olan herhangi bir PM'nin bunları yönetmesi ve paydaşlarını AI ve gerçekçi yetenekleri hakkında eğitmesi çok önemlidir.

Makine Öğreniminde Kalite Güvencesi (QA) ve Test Uygulamaları

Mevcut haliyle AI nispeten yeni bir alandır. Daha önce hedeflerine ulaşmak için derin öğrenmeyi kullanan bu kadar çok uygulama olmamıştı. Bu yeni gelişmeler, özellikle test etmede kendi zorluklarıyla birlikte geliyor.

İnsanlar tarafından yazılmış net bir “kural seti” olan standart yazılımı test etmek nispeten kolay olsa da, özellikle sinir ağları kullanılarak oluşturulan makine öğrenimi modellerini kapsamlı bir şekilde test etmek çok daha zordur. Şu anda çoğu ML modeli, veri bilimcilerin kendileri tarafından test edilmektedir, ancak ML ürünlerinin beklenmedik şekillerde başarısız olmamasını sağlamak için standart QA ekipleriyle üzerinde anlaşmaya varılan birkaç test yöntemi vardır.

Bu GAN saldırıları gibi bilinen modellerin sonuçlarını manipüle etmenin yeni yolları ile kapsamlı model testi her zamankinden daha önemli hale gelecektir. Bu, birçok ML projesi için bir öncelik haline gelecek ve önümüzdeki yıllarda ML modelleri için daha fazla “entegrasyon” tipi test göreceğiz. Çoğu basit proje için bu şu anda somut bir sorun olmayabilir, ancak görev açısından kritik bir makine öğrenimi ürünü oluşturuyorsanız bunu aklınızda bulundurmanız önemlidir.

ML Model Hırsızlığı ve İntihal

Bu Kablolu makale yayınlandığından ve orijinal makale 2016 yılında USENIX Güvenlik konferansında sunulduğundan, canlı bir ML modelini intihal etme olasılığının olduğu ortaya çıktı.

Bunu başarmak hala oldukça zordur, ancak herkese açık bir API aracılığıyla çalışan bir modeliniz varsa, bu olasılığın farkında olmak önemlidir. Teoride, ona önemli ölçüde erişimi olan bir taraf, kendi ağını sizin ağınızı temel alarak eğitebilir ve tahmin yeteneğinizi etkili bir şekilde kopyalayabilir.

Bu, olasılık açısından hala oldukça sınırlıdır, ancak projeniz için bir endişe kaynağıysa, olası saldırılar için bir önleme stratejisi üzerinde ekibinizle birlikte çalıştığınızdan emin olun.

Yetenek Eksiklikleri

Birinci sınıf AI uzmanlarına yönelik mevcut taleple birlikte, doğru yeteneği elde etme rekabeti şiddetlidir. Aslında, New York Times, birinci sınıf AI uzmanlarının büyük Silikon Vadisi teknoloji santralleri için çalışarak yılda 1 milyon dolara kadar kazanabileceğini bildiriyor. Bir PM olarak, ekibinize katılacak AI uzmanları ararken, işe alım döngülerinizi, bütçenizi veya yapılan işin kalitesini etkileyebileceğinden bu dinamiklerin farkında olun.

Bu eksiklik, daha yeni derin öğrenme algoritmaları yaratan yenilikçi zihinlerin ötesine uzanıyor ve aynı zamanda en kaliteli veri mühendisleri ve bilim adamları için de geçerli.

En yetenekli insanların çoğu, zor makine öğrenimi sorunlarını çözmek için 100.000 $'ın kuzeyini kazanmayı umabilecekleri Kaggle gibi makine öğrenimi yarışmalarına katılır. Makine öğrenimi uzmanlarını yerel olarak işe almak zorsa, uzman yüklenicileri uzaktan işe almak veya en zor makine öğrenimi sorunları için kendi Kaggle yarışmanızı yürütmek gibi kullanıma hazır çözümler aramak akıllıca olacaktır.

Yasal ve Etik Zorluklar

Yapay zekanın proje yönetimindeki yasal ve etik zorlukları iki yönlüdür.

İlk zorluk grubu, makine öğrenimi modellerini eğitmek için kullanılan verilerden kaynaklanmaktadır. Kullandığınız verilerin nereden geldiğini ve özellikle bunları kullanma haklarına ve verileri kullanmanıza izin veren lisanslara sahip olup olmadığınızı anlamak önemlidir.

Doğru türde lisansa sahip olmayabileceğiniz veriler üzerinde eğitilmiş bir modeli devreye almadan önce bu tür soruları çözmek için avukatlarınıza danışmak her zaman önemlidir. Bu nispeten yeni bir alan olduğundan, bu yanıtların çoğu net değildir, ancak PM'ler ekiplerinin yalnızca kullanma haklarına sahip oldukları veri kümelerini kullandığından emin olmalıdır.

Makine öğrenimi algoritmalarınızı eğitmek için herkese açık veri kümelerinin iyi bir listesini burada bulabilirsiniz.

İkinci zorluk grubu, sisteminizin sistematik bir önyargı geliştirmemesini sağlamaktan kaynaklanmaktadır. Son yıllarda, bir kamera şirketinin gülümseme tanıma teknolojisinin yalnızca belirli bir ırktan insanları algıladığını kabul etmek zorunda kaldığı, çünkü yalnızca o ırktan yüzleri içeren veriler üzerinde eğitildiğini kabul etmek zorunda kaldığı bu tür sorunların sayısız vakası oldu. Başka bir örnek, bir grup internet trolünün ortak bir çabası nedeniyle ırkçı hakaretler üretmesini ve vahşi komploları tekrar etmesini sağlayarak, kendi kendine öğrenen Twitter botunu birkaç gün öğrendikten sonra geri çekmek zorunda kalan büyük bir yazılım şirketinden geldi.

Bu sorunların derecesi küçük veya projeyi yok edici olabilir, bu nedenle kritik olan sistemler geliştirirken, PM'ler bu tür olasılıkları göz önünde bulundurduklarından ve mümkün olduğunca erken engellediklerinden emin olmalıdır.

İyi Temeller Güçlü Yapılara Yol Açar

Özetle, yaklaşmakta olan yapay zeka devrimi, genellikle değiştirilmiş bir geliştirme süreci, farklı bir ekip arketipi ve yeni zorluklarla gelen bir dizi ilginç, dinamik proje ortaya koyuyor.

En iyi teknik proje yöneticileri, yalnızca AI temellerini iyi anlamakla kalmaz, aynı zamanda her bir proje adımının zorluğuna ve ekipleriyle gerçekten neyin mümkün olduğuna dair sezgiye sahiptir. Yapay zeka ticari kullanıma hazır (COTS) bir çözüm olmadığı için, belirli ML ürünlerini satın almayı seçen şirketler bile yeni şeyleri test etmeye ve verilerini ve altyapılarını doğru şekilde yönetmeye yatırım yapmak zorunda kalacak.

Yapay zekanın ortaya çıkmasıyla birlikte yazılım ürünlerinin türlerinin ve bunları oluşturma süreçlerinin değiştiği açıktır. Bu yeni kavramları kavrayabilen ve uygulayabilen proje yöneticileri, geleceğin makine öğrenimi ürünlerini yaratmada etkili oyuncular olacaktır.

Yazardan Ekstra Malzemeler

Ek Teori: DL'ler ve NN'ler

Daha yaygın olan yapay zeka (AI) ve makine öğrenimi (ML) söz varlığına ek olarak, proje yöneticileri derin öğrenmeyi (DL) ve sinir ağlarını (NN) daha fazla ayırt etmenin farkında olmaktan yararlanabilir.

Derin Öğrenme (DL)

Derin öğrenme, klasik göreve özel algoritmaların aksine, öğrenme veri temsillerine dayanan daha geniş bir makine öğrenimi yöntemleri ailesinin bir parçasıdır.

Modern derin öğrenme modellerinin çoğu, çeşitli başka yöntemler kullanabilmelerine rağmen, yapay sinir ağına dayanmaktadır.

Sinir Ağları (NN)

Yapay sinir ağları, yapay zeka sistemlerinin kendilerine sunulan verilerden öğrenmesini sağlayan biyolojik olarak ilham alan, bağlantılı matematiksel yapılardır.

Bu ağları, veri girişimize bağlı olarak açılan veya kapanan milyonlarca küçük kapı olarak hayal edebiliriz. Bu tekniklerin başarısı, son yıllarda GPU bilgi işlem gücünün artmasıyla sağlandı ve bu, sinir ağları içindeki bu “küçük geçitlerden” daha fazlasını hızla ayarlamamıza izin verdi.

Her birine kendi özel kullanım durumları ve karmaşıklık düzeyi eşlik eden çok sayıda sinir ağı türü vardır. Farklı sinir ağı mimarisi türlerini tanımlamak için kullanılan CNN (konvolüsyonel sinir ağı) veya RNN (tekrarlayan sinir ağı) gibi terimler görebilirsiniz.

Nasıl göründüklerini ve çalıştıklarını daha iyi anlamak için, sinir ağlarının aktifken nasıl "göründüğünü" gösteren harika bir 3D görselleştirme burada.

Yapay Zeka hakkında Daha Fazla Bilgi Edinmek mi istiyorsunuz?

Bunu okuduktan sonra konuyu biraz daha derinlemesine incelemek isterseniz, şu kaynaklara göz atmanızı tavsiye ederim:

Sinir Ağlarını Anlamak

Sinir ağlarının nasıl çalıştığının mekaniğine daha derinden dalmak istiyorsanız, YouTube'daki sinir ağlarıyla ilgili 3Blue1Brown serisine göz atmanızı öneririm. Kanımca, bu, sinir ağlarının açık ara en iyi derinlemesine açıklamasıdır. Basit terimlerle sunulur ve önceden bilgi gerektirmez.

Yapay Zeka Haberleriyle Güncel Kalmak

Akademik makaleleri okumak için saatler harcamadan AI teknolojisindeki en yeni gelişmelerden haberdar olmak istiyorsanız, aşağıdaki Two Minute Papers'ı öneririm. Bu kanal, en etkileyici yeni yapay zeka teknikleri ve uygulamaları hakkında haftalık iki dakikalık güncellemeler sağlar.

Makine Öğrenimi Geliştirmenin Temellerini Öğrenmek

Kendiniz kod yazmak istiyorsanız ve bazı temel Python becerileriniz varsa, Fast.ai'ye göz atabilirsiniz. Kursları, temel geliştirme becerilerine sahip herkesin sinir ağlarını denemeye ve oynamaya başlamasına olanak tanır.

Makine Öğreniminin Temelleri

Bu öneri, en baştan başlamak ve makine öğrenimini anlamak ve uygulamak konusunda zirveye giden yolda ilerlemek isteyenler içindir.

Coursera'yı bu kursla başlatan şimdi efsanevi Andrew Ng tarafından yaratıldı, önemli bir zaman yatırımı gerektiriyor - en az altı ay - ancak bir Cumartesi geçirmek için son derece verimli bir yol olabilir.

Not: Anahtar terim tanımları Wikipedia'dan uyarlanmıştır.