1. Veličina i kvaliteta podataka - kvaliteta i veličina podataka ključni su za izvedbu modela strojnog učenja. Arhitekti moraju osigurati da su podaci koje unose u model točni i relevantni za problem koji pokušavaju riješiti.
2. Odabir modela - Arhitekti trebaju pažljivo odabrati i procijeniti različite modele strojnog učenja kako bi pronašli optimalni za svoj problem. Oni bi trebali uzeti u obzir čimbenike kao što su točnost, brzina i mogućnost tumačenja.
3. Interpretabilnost – arhitekti trebaju osigurati da dionici mogu lako interpretirati i razumjeti izlaz modela strojnog učenja. Važno je dati jasne vizualizacije i objašnjenja odluka koje donosi model.
4. Ljudska stručnost – Strojno učenje nije zamjena za ljudsku stručnost. Arhitekti bi trebali koristiti strojno učenje kao alat za dopunu vlastitog znanja i iskustva u dizajnu.
5. Responzivnost - arhitekti moraju reagirati na povratne informacije i promjene u podacima kada koriste strojno učenje. Moraju moći prilagoditi svoje modele kako novi podaci postaju dostupni ili se razvija problem koji pokušavaju riješiti.
6. Etička razmatranja - Arhitekti moraju biti svjesni etičkih razmatranja korištenja strojnog učenja u svojim projektima, kao što su pitanja oko pristranosti, privatnosti i sigurnosti. Također bi trebali razmotriti potencijalni utjecaj svojih dizajna na korisnike.
Datum objave: