組織構(gòu)建一個(gè)可行的、可靠的、敏捷的機(jī)器學(xué)習(xí)模型來(lái)簡(jiǎn)化操作和支持其業(yè)務(wù)計(jì)劃需要耐心、準(zhǔn)備以及毅力。各種組織都在為各行業(yè)中的眾多應(yīng)用實(shí)施人工智能項(xiàng)目。這些應(yīng)用包括預(yù)測(cè)分析、模式識(shí)別系統(tǒng)、自主系統(tǒng)、會(huì)話系統(tǒng)、超個(gè)性化活動(dòng)和目標(biāo)驅(qū)動(dòng)系統(tǒng)。每一個(gè)項(xiàng)目都有一個(gè)共同點(diǎn)：它們都基于對(duì)業(yè)務(wù)問(wèn)題的理解，并且數(shù)據(jù)和機(jī)器學(xué)習(xí)算法必須應(yīng)用于解決問(wèn)題，從而構(gòu)建一個(gè)能夠滿足項(xiàng)目需求的機(jī)器學(xué)習(xí)模型。部署和管理機(jī)器學(xué)習(xí)項(xiàng)目通常遵循相同的模式。然而，現(xiàn)有的應(yīng)用程序開(kāi)發(fā)方法并不適用，因?yàn)槿斯ぶ悄茼?xiàng)目是由數(shù)據(jù)驅(qū)動(dòng)的，而不是編程代碼。學(xué)習(xí)來(lái)源于數(shù)據(jù)，因此正確的機(jī)器學(xué)習(xí)方法源于以數(shù)據(jù)為中心的需求，并產(chǎn)生專注于數(shù)據(jù)發(fā)現(xiàn)、清理、培訓(xùn)、模型構(gòu)建和迭代階段的項(xiàng)目。對(duì)于許多組織來(lái)說(shuō)，機(jī)器學(xué)習(xí)模型開(kāi)發(fā)是一項(xiàng)新活動(dòng)，但是在某種程度上已經(jīng)建立了以數(shù)據(jù)為中心的項(xiàng)目構(gòu)建方法。大約 25 年前，一個(gè)由五家供應(yīng)商組成的聯(lián)盟開(kāi)發(fā)了跨行業(yè)的數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程（CRISP－DM），該流程專注于數(shù)據(jù)挖掘項(xiàng)目中各種數(shù)據(jù)密集型步驟的連續(xù)迭代方法。該方法從業(yè)務(wù)理解和數(shù)據(jù)理解之間的迭代循環(huán)開(kāi)始。接下來(lái)是數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)建模之間的迭代循環(huán)的切換，然后是評(píng)估階段，它將結(jié)果分解到部署和業(yè)務(wù)理解。這種循環(huán)的、迭代的循環(huán)導(dǎo)致了連續(xù)的數(shù)據(jù)建模、準(zhǔn)備和評(píng)估。但跨行業(yè)的數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程（CRISP－DM）的進(jìn)一步開(kāi)發(fā)似乎已經(jīng)停滯在近 20 年前完全生產(chǎn)的 1．0 版本上，而在 15 年前還發(fā)布其第二個(gè)版本。IBM 公司和微軟公司對(duì)這種方法進(jìn)行了更新和迭代，以生成它們自己的變體，這些變體為數(shù)據(jù)處理和建模之間的迭代循環(huán)添加了更多細(xì)節(jié)，并提供了在此過(guò)程中產(chǎn)生的工件和可交付成果的更多細(xì)節(jié)。此外，這種方法由于并不敏捷或不適用于人工智能和機(jī)器學(xué)習(xí)項(xiàng)目而受到質(zhì)疑。因此需要增強(qiáng)諸如人工智能的認(rèn)知項(xiàng)目管理之類的方法，以滿足人工智能特定的要求，并且可以在具有現(xiàn)有敏捷開(kāi)發(fā)團(tuán)隊(duì)和數(shù)據(jù)組織的組織中實(shí)施這些方法。這些方法論以及大型公司及其數(shù)據(jù)科學(xué)團(tuán)隊(duì)的學(xué)習(xí)，因此采用了一種更強(qiáng)大、更靈活的分步方法來(lái)進(jìn)行機(jī)器學(xué)習(xí)模型開(kāi)發(fā)，以滿足認(rèn)知項(xiàng)目的特定需求。