加载 Spotify 播放器；Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- 领域专家掌握的数据科学知识总体上有助于提高项目效率，且在用例不确定性较高时能显著提升方案有效性。
- 当机器学习模型高度不可解释时，数据科学家具备的业务领域知识对方案有效性尤为关键。
- 迭代开发与更高的项目效率相关，尤其是在用例不确定性较高的情况下。
- 研究结果表明，不同来源的不确定性需要不同的应对策略：迭代开发和知识重叠应与项目面临的具体不确定性相匹配。
实践启示
CIO / IT 高管
Allocate budget to enroll all enterprise domain experts in a foundational machine learning and data literacy bootcamp to build cross-functional knowledge overlap.
IT 经理
Schedule a planning session to restructure the upcoming ML sprint cycle into short, iterative feedback loops specifically for projects with high use-case uncertainty.
商业战略师
Identify and assign two senior domain experts to embed directly with the data science team to help interpret highly inscrutable model outputs.
研究人员
Draft an experimental design matrix to test the interaction effects of model inscrutability and cross-functional knowledge overlap on project performance in your upcoming study.
政策制定者
Draft a guideline requiring state-funded AI initiatives to incorporate mandatory cross-training protocols between technical developers and domain stakeholders to mitigate project uncertainty.
摘要
本研究基于信息处理视角探讨了机器学习项目团队如何应对开发中的不确定性。作者分析了来自141个项目团队的问卷调查数据，以评估迭代开发以及数据科学家与领域专家之间的跨职能知识重叠如何影响项目效率和方案有效性。
核心问题
机器学习项目往往面临极大的不确定性。团队可能难以明确合适的使用场景和需求，而许多机器学习模型的不透明性又增加了理解和改进模型输出的难度。这些挑战加剧了团队在业务和技术领域之间处理并整合信息的需求。
文稿
Expert: 谢谢 Anna，大家好。这项研究基于信息处理理论，探讨了机器学习项目团队如何应对开发过程中的不确定性。研究者分析了来自 141 个项目团队的数据，评估迭代开发以及跨职能知识重叠对项目效率和方案有效性的具体影响。
Host: 机器学习项目在企业落地时经常面临挑战。这项研究重点关注的现实问题是什么？
Expert: 核心问题在于机器学习项目面临的双重不确定性。首先是用例不确定性，团队在初期往往难以准确界定业务场景和具体需求；其次是模型不透明性，许多算法缺乏可解释性，团队很难理解和验证模型的输出。这两种不确定性加剧了业务人员与技术人员之间沟通和整合信息的难度。
Host: 那么研究者是如何展开调查的？
Expert: 研究团队对 141 个企业级机器学习项目团队进行了问卷调查。他们重点测量了团队中的两种跨职能知识重叠：一种是业务领域专家掌握的数据科学知识，另一种是数据科学家具备的业务领域知识。同时，研究也测量了团队采用迭代开发的程度，并分析了这些因素在不同情境下如何影响项目效率与最终方案的有效性。
Host: 这项研究得出了哪些主要结论？
Expert: 结果显示，首先，业务领域专家掌握的数据科学知识总体上有助于提升项目效率；而且当用例不确定性较高时，这种知识能够显著提高方案有效性。其次，当机器学习模型高度不可解释时，数据科学家具备的业务领域知识对方案有效性起到了关键作用。
Host: 那么敏捷迭代方法在其中的表现如何？
Expert: 数据表明，迭代开发与更高的项目效率相关，特别是在用例不确定性较高的情况下。但是，迭代开发并没有显著降低模型不透明性带来的负面影响。这说明，不同来源的不确定性需要匹配不同的解决机制，单一的敏捷流程并不能解决所有技术黑盒问题。
Host: 这对企业的技术管理者和项目团队有哪些实际的指导意义？
Expert: 核心在于精准匹配策略。如果项目面临的是业务方向不明确的高用例不确定性，企业应该推行迭代开发，并安排具备数据科学基础知识的业务专家深入参与。相反，如果项目必须使用复杂的不可解释模型，管理者的重心应放在挑选或培养懂业务的数据科学家上，确保他们能结合业务背景合理评估模型行为。
Host: 也就是说，企业应当根据项目遇到的具体不确定性类型，有针对性地配置团队技能和工作流程，而不是采用一刀切的开发模式。
Expert: 确实如此。合理构建跨职能知识结构，能帮助团队在控制开发成本的同时，有效提升交付成果的商业价值。
Host: 非常感谢 Alex 今天的梳理。也感谢各位听众的收听。这里是《A.I.S. Insights — powered by Living Knowledge》，我们下期再见。
Expert: 谢谢大家，下期再见。
Machine learning development projects, Knowledge overlap, Project success, Iterative development, Information processing view