データサイエンスチームにおけるAIソフトウェアエンジニアのペルソ...

データサイエンスチームにおけるAIソフトウェアエンジニアのペルソ...

データサイエンスチームにおけるAIソフトウェアエンジニアの主要なペルソナの役割は、社内のステークホルダーや外部の顧客に対するサービスプロジェクトのプレゼンテーションを促進するために、データサイエンスの作業を引き起こすことです。AIテクニカルエンジニアは、データサイエンティスト、データ情報システムアーキテクト、ビジネスプロセス投資アナリストと協力して、ビジネスプロセスの全体的な目標がプロファイリングのバックエンド開発ミドルと一致するようにしなければなりません。 そして、役職のAI技術部分の合理性をよりよく立証するために、AI技術のソフトウェアエンジニアは、ビジネスプロセスの開発、労働者や顧客の認識、データサイエンスのワーキンググループの使い方などを変える可能性のある画期的なAI技術の技術を最新の状態に保ち、情報提供することを請け負います。 これはとても良いことだと思いますが、実際にはどのような意味があるのでしょうか? つまり、AI技術者が、ソフトウェア開発の文化的芸術をデータサイエンスのプロセス全体に導入することを意味しています。 それは、以下のような大変な作業です。

システムアーキテクチャをコーディングに組み込む

データサイエンスチームのインフラを構築するための自動化技術。 このソフトウェア開発の重要な定義は、新しいデータサイエンスプロジェクトを成功させるための重要な要素です。AIソフトウェアエンジニアは、モデル開発や学習トレーニング期間中に確立された自然環境が、その手法を容易に管理し、最終商品をコピーできるようにすることを請け負います。 例えば、Pythonのパッケージ管理方法のためのAnacondaや、DockerやVagrantなどの専門的なツールは、移行や自己包含を容易にするための自然な環境を構築するために、データサイエンスチームの全体的なプロセスの一部となり、チームメンバー間のコラボレーションやモデルの容易なデプロイを促進する必要があります。 の科学者がモデル開発を担当しています。

継続的インテグレーションとバージョンコントロール

これは、データサイエンスチームでは非常に見落とされがちな、ソフトウェアエンジニアにとってのもう一つの重要な客観的事実です。 例えば、TFSやGITなどの専用ツールは、新しいデータサイエンスプロジェクトの日常的なステップの一部になるべきです。 モデルの開発プロセスでは、反復的な更新や異種のアップグレードがあまりにも多く、適度なバージョン番号の自動化システムがなければ、正常に完了したすべての作業を追跡することはできません。 例えば、別のバージョン番号、異なる種類のパズルやユーザーストーリーの異なるブランチの定義などは、チームの誰もがナビゲートできる共通の部分に配置されており、これはデータサイエンスの仕事を具体的な商品に変換するために重要です。 また、コーディング評価などの定義を導入することで、多くのデータサイエンティストがコーディング/モデリングの根拠を確実に把握し、構築される作品の質を高めることができます。

テスト

すべての商品、すなわち、使いやすいインターフェースを持つモデルや、徹底的に統合されたアプリケーションは、完全にテストされなければならない。 もちろん、ソフトウェアエンジニアの立場からすれば、このようなテストは徹底的に自動化された技術であるべきです。 つまり、ユニットテストロール、ブランチテスト、システムテスト、セキュリティテストをデータサイエンスの重要なステップに統合する必要があります。 当然、A/Bテストを除いては、異なる状況で、異なる開発セッションで実行されますが、それらは同じように重要であり、落としてはいけません。

API開発

AIソフトウェアエンジニアは、モデルを他のアプリケーションが適用できるAPIに「変換」することを容易にするサービスプラットフォームの構築と維持を担っています。 科学研究モデルを商品化するための重要な要素であり、AIソフトウェアエンジニアはその専門知識を活かして、モデルから構築されるAPIがスケーラブルで協調性があり、安定していることを確認する必要があります。

ピロットやMVP申請の開発

常に必要というわけではありませんが、Jupyterやその他のデータ情報データ分析ツールをベースにして簡単に発表できるデータサイエンスの作業もあるため、PilotsやMVPの開発はデータサイエンスのプロセス全体において重要です。 ユーザーが試して応募できる最終的な商品です。 ここで重要なのは、MVPであれ最終バージョン番号であれ、最終製品のユーザーがその下にデータ製品があることを簡単には気づかないようなしっかりとしたアプリケーションにすることです。

ai課程

また、AIソフトウェアエンジニアは、継続的なデリバリー、アプリケーションの監督、完全に自動化された拡張など、他のソフトウェアエンジニアの定義をデータサイエンスチームに導入することを検討し、重要なステップの一部とする必要があります。 しかし、私が全体のプロセスの中で最も重要だと感じている上述の側面は、エンジニアリング・プロジェクトのレベルにさらに下がる前に実施され、チームの文化と芸術に徹底的に統合されるべきです。 そうして初めて、エンジニアリング・プロジェクトのより高度な定義を声明に盛り込むことができる。

一般的には、AIソフトウェアエンジニアは、データサイエンティストやデータ情報システムアーキテクトをどんどんリラックスさせる仕事を担うスタッフと考えてよいでしょう。 彼らは、データを分析して高精度のモデルを構築したり、科学研究における新しいプロジェクトの全体的なアーキテクチャなど、自分の仕事の重要な側面に集中すべきです。 AIテクニカルソフトウェアエンジニアは、APIの構築、モデルの検出と展開、モデルのより関連性の高いマスタービューを表示するために必要と思われるすべてのインターフェース(モデルデータの可視化、自動化されたテクニカルシステムアーキテクチャなど)の構築を担当し、データサイエンティストとデータ情報システムアーキテクトの橋渡しをします。 簡単に言えば、AIソフトウェアエンジニアは、データサイエンスの仕事を最終的な商品としてパッケージ化することを請け負います。