Итак, ваша модель наконец-то запущена, вы настроили и оптимизировали все гиперпараметры, чтобы получить наилучшие результаты, и готовы представить свои выводы. Что теперь?

Один из важнейших навыков специалистов по обработке данных - способность четко сообщать результаты, чтобы их могли понять различные заинтересованные стороны. Поскольку проекты данных являются совместными по функциям, а результаты науки о данных часто включаются в более крупный окончательный проект, истинное влияние работы специалистов по данным зависит от того, насколько хорошо другие могут понять их идеи, чтобы предпринять дальнейшие действия.

Здесь, в Comet.ml, мы стремимся упростить процесс передачи как результатов, так и шагов, ведущих к этим результатам 👍🏼

В этом посте мы рассмотрим:

  1. Кто может входить в вашу аудиторию
  2. Как эффективно структурировать презентацию и результаты в зависимости от аудитории
  3. Распространенные ошибки связи, на которые следует обращать внимание
  4. Как Comet.ml помогает в общении

Кто ваша аудитория?

На протяжении каждого проекта вы встретите людей с разным уровнем технических знаний, заинтересованностью и бизнес-целями. Когда вы представляете эти различные заинтересованные стороны, убедитесь, что вы следите за тем, как ваша работа связана с их ролью и решениями.

Вот три распространенные аудитории:

  • Менеджер вашей команды. Вероятно, это первая линия обзора любой работы, которую вы выполняете или демонстрируете другим заинтересованным сторонам. Ваш менеджер может быть или не быть техническим, но он, безусловно, будет общаться с другими командами / заинтересованными сторонами.
  • Заинтересованные стороны в сфере бизнеса (LOB): это может быть менеджер по продукту, бизнес-аналитик или вице-президент по поддержке клиентов. Наука о данных потрясающая, потому что она позволяет выполнять кросс-функциональную работу - просто следите за тем, как ваши идеи или рекомендации влияют на рабочие процессы других команд.
  • Инженеры по обработке данных / команда инженеров: не забывайте о команде, которая работает над развертыванием моделей чемпионов! Тот факт, что это более технические заинтересованные стороны, не обязательно означает, что у них не должно быть бизнес-контекста в информации - часто

Делаем целевую презентацию

Как только вы поймете свою аудиторию, вы сможете приступить к созданию эффективной и целевой презентации.

С нетехническими заинтересованными сторонами вам следует избегать высокотехнических терминов (например, ваших гиперпараметров для вашей модели TensorFlow) и вместо этого попытаться сформулировать проблему машинного обучения в тех же терминах, в которых принимаются бизнес-решения - предельные затраты и выгода. Тем не менее, с вашей командой разработчиков или разработчиков DevOps они должны будут знать такие детали, как время, необходимое для обучения модели, и показатели GPU / CPU во время обучения.

Самая важная вещь, которую следует признать, заключается в том, что это не должно быть единственным случаем, когда сообщаются эти результаты. Частое общение и обратная связь помогут снизить давление на финальную презентацию, повысить заинтересованность в вашей работе и помочь заинтересованным сторонам бизнеса разобраться в технических деталях.

Вот полезный стартовый фреймворк, который вы можете использовать:

  1. Ваше понимание бизнес-проблемы
  2. Как измерить влияние на бизнес - с какими бизнес-показателями согласуются результаты вашей модели?
  3. Какие данные доступны / были доступны - при необходимости укажите, какие данные было бы полезно собрать.
  4. Гипотеза первоначального решения
  5. Решение / модель - используйте примеры и визуализации
  6. Влияние решения на бизнес и четкие действия для заинтересованных сторон


Данные бесполезны, если их не сообщать
Существует острая потребность в большем количестве бизнесменов, которые могут мыслить количественно и принимать решения на основе данных и… hbr .org



Хотите большего? Мы также рекомендуем прочитать эти замечательные посты, которые содержат советы по общению: (1) Начинающие специалисты по данным? Освойте эти основы от Питера Глисона и (2) Процесс обработки данных: чем на самом деле занимается специалист по данным изо дня в день от Раджа Бандйопадхая



Коммуникация науки о данных: руководство по презентации вашей работы
Посмотрите на лес, посмотрите на деревья. В этом заключается сложность как выполнения, так и представления анализа. Как данные… blog.kaggle.com



Распространенные ошибки, на которые следует обратить внимание:

Хотя во время анализа вы можете допустить ряд статистических и технических ошибок, мы сосредоточимся на некоторых типичных коммуникационных ошибках, с которыми вы можете столкнуться:

  • Исключение / игнорирование каких-либо ключевых предположений, сделанных в ходе анализа.
  • Повторное использование одной и той же презентации для разных аудиторий
  • Отображение визуализаций, таких как диаграммы и таблицы, без повторения основной идеи
  • Сохранение всех аналитических данных до финальной презентации вместо того, чтобы делать процесс частичным и повторяющимся
  • Сохранение результатов до конца презентации - обязательно включите краткое изложение и рекомендации в начале презентации.
  • Отсутствие резервных материалов разного технического уровня - приложение с дополнительными подробностями полезно как для самой презентации, так и для контекста, если презентация является общедоступной.
  • Не открываться после презентации (устно или по электронной почте) для обратной связи - у каждого есть свой способ восприятия информации, поэтому, если вам нужно приспособиться, самый простой способ узнать это - попросить Обратная связь!

Как Comet.ml помогает сообщать результаты

В Comet.ml мы помогаем специалистам по обработке данных и инженерам по машинному обучению автоматически отслеживать свои наборы данных, код, эксперименты и результаты, создавая эффективность, наглядность и воспроизводимость.

С помощью Comet.ml вы можете визуализировать и отслеживать все результаты вашей модели - это особенно полезно для длительных экспериментов, поскольку вы можете отслеживать результаты в реальном времени. Comet.ml также позволяет:

  • Делитесь результатами эксперимента через Slack или по электронной почте
  • Добавьте обширную документацию о своей работе в контексте (с изображениями!)
  • Визуализируйте и сохраняйте выборочные прогнозы, такие как изображения и цифры
  • Сопоставьте каждый эксперимент с хешем набора данных.

Хотите увидеть пример? Следите за тем, как наша команда участвует в Соревновании по рискам невозврата кредита от Kaggle в нашем публичном проекте!

Точно так же, как вам нужно повторять свои модели, чтобы улучшить их производительность, не стоит ожидать, что у вас сразу появятся идеальные навыки презентации. Улучшение коммуникативных навыков требует гибкости от вашей аудитории и практики с течением времени! 👏🏼

У вас есть свои собственные советы по распространению результатов, которые мы должны здесь разместить? Дайте нам знать в твиттере @Cometml 👈🏼

Сесилия Шао - руководитель отдела разработки Comet.ml. 🚀🚀🚀

До Comet.ml она была менеджером по продукту платформы машинного обучения IBM Watson и работала в нескольких стартапах, включая Mattermark и Gemini. Передача результатов и рекомендаций на основе данных - ее специальность как PM, ориентированного на пользователей.