Siklus hidup Team Data Science Process

Team Ilmu Data Process (TDSP) menyediakan siklus hidup yang dapat digunakan tim Anda untuk menyusun proyek ilmu data Anda. Siklus hidup menguraikan langkah-langkah yang dapat Anda ambil untuk berhasil menyelesaikan proyek.

Anda harus menggunakan siklus hidup ini jika Anda memiliki proyek ilmu data yang merupakan bagian dari aplikasi cerdas. Aplikasi cerdas menyebarkan pembelajaran mesin atau model AI untuk analitik prediktif. Anda juga dapat menggunakan proses ini untuk proyek ilmu data eksplorasi dan proyek analitik improvisasi, tetapi Anda mungkin tidak perlu menerapkan setiap langkah siklus hidup.

Tim Anda dapat menggabungkan TDSP berbasis tugas dengan siklus hidup ilmu data lainnya, seperti proses standar lintas industri untuk penambangan data (CRISP-DM), penemuan pengetahuan dalam proses database (KDD), atau proses kustom organisasi Anda sendiri.

Tujuan dan kredibilitas

Tujuan dari TDSP adalah untuk menyederhanakan dan menstandarkan pendekatan Anda terhadap sains data dan proyek AI. Microsoft telah menerapkan metodologi terstruktur ini dalam ratusan proyek. Para peneliti mempelajari TDSP dan menerbitkan temuan mereka dalam sastra yang ditinjau serekan. Kerangka kerja arsitektur TDSP diuji secara menyeluruh dan terbukti efektif di banyak bidang.

Lima tahap siklus hidup

Siklus hidup TDSP terdiri dari lima tahap utama yang dilakukan tim Anda secara berulang. Tahapan ini meliputi:

• Pemahaman Bisnis
• Akuisisi dan pemahaman data
• Pemodelan
• Penyebaran
• Penerimaan pelanggan

Berikut adalah representasi visual siklus hidup TDSP:

Siklus hidup TDSP adalah urutan langkah-langkah yang memberikan panduan untuk membuat model prediktif. Tim Anda menyebarkan model prediktif di lingkungan produksi yang Anda rencanakan untuk digunakan untuk membangun aplikasi cerdas. Tujuan dari siklus hidup proses ini adalah untuk menavigasi proyek ilmu data menuju titik akhir keterlibatan yang jelas. Ilmu data adalah latihan dalam penelitian dan penemuan. Ketika Anda menggunakan proses yang terdefinisi dengan baik untuk mengomunikasikan tugas ke tim Anda, Anda meningkatkan kemungkinan berhasil melakukan proyek ilmu data.

Setiap tahap memiliki artikel sendiri yang menguraikan:

• Tujuan: Tujuan panggung.
• Cara melakukannya: Kerangka tugas yang Anda lakukan di tahap dan panduan tentang cara menyelesaikannya.
• Artefak: Hasil yang perlu Anda hasilkan selama tahap dan sumber daya yang dapat Anda gunakan untuk membantu Anda membuatnya.

Kutipan yang ditinjau serekan

Peneliti menerbitkan literatur yang ditinjau serekan tentang TDSP. Tinjau materi berikut untuk menyelidiki fitur dan aplikasi TDSP.

• Rekayasa Perangkat Lunak untuk Pembelajaran Mesin: Studi Kasus (halaman 291-300)

• Seni dan Praktik Alur Ilmu Data: Studi Komprehensif tentang Alur Ilmu Data dalam Teori, In-The-Small, dan In-The-Large (halaman 2091-2103)

• Siklus Hidup Kecerdasan Buatan: Dari Konsepsi hingga Produksi

• Metodologi Hibrid Berdasarkan CRISP-DM dan TDSP untuk Eksekusi Tugas Praproses dalam Undang-Undang Lingkungan Meksiko (volume 13613, halaman 68-82)

• Cara Melakukan Pembelajaran Mesin Yang Diawasi Secara Ketat dalam Penelitian Sistem Informasi: Kartu Laporan Pembelajaran Mesin yang Diawasi (halaman 589-615)

• Ilmu Data di Lingkungan Bisnis: Studi Kasus Analitik Pelanggan di UKM (halaman 689–713)

• CRISP-DM Dua Puluh Tahun Kemudian: Dari Proses Penggalian Data hingga lintasan Ilmu Data (halaman 3048–3061)

• Ilmu Data: Perawatan Sistematis (halaman 106–116)

• Manajemen Artefak Siklus Hidup Pembelajaran Mesin: Survei (halaman 18–35)

• Konstruksi Model Kualitas untuk Sistem Pembelajaran Mesin (halaman 307–335)

• Manajemen Inovasi berbasis Pembelajaran Mesin: Kerangka Kerja Konseptual. Proses Acara: Publikasi Ilmiah dan Keahlian LUT: Konferensi Inovasi ISPIM – Berinovasi Masa Depan Bersama Kita

Kontributor

Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.

Penulis utama:

• Tandai Tabladillo | Arsitek Solusi Cloud Senior

Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.

Sumber daya terkait

• Untuk tahap pertama siklus hidup, lihat Pemahaman bisnis.
• Apa itu Team Ilmu Data Process?
• Membandingkan produk dan teknologi pembelajaran mesin