Ask HN: Apa yang dilakukan para insinyur machine learning selama jam kerja?

xguru · 2024-06-10T10:26:01+09:00

Ringkasan dari jawaban orang-orang di thread tersebut schmookeeg Bagian yang paling disukai dari pekerjaannya sebagai insinyur machine learning saat ini adalah berkolaborasi dengan orang-orang tanpa latar belakang teknis Bahkan orang yang tidak bisa membuka MS Outlook lebih dari 3 dari 5 kali pun punya kedalaman dan wawasan yang luar biasa tentang bidang keahlian mereka sendiri Hal ini sangat merendahkan hati Orang tanpa latar belakang teknis memandang saya seperti penyihir, dan saya memandang mereka seperti pendeta voodoo Saat kami melatih sesuatu yang kami sukai dan membuat prediksi, hasilnya sangat memuaskan bagi kedua belah pihak Sebagian besar pemodelan berkaitan dengan bidang kesehatan Menarik insight dari data lake yang sangat besar berisi klaim, resep, catatan dokter, tanda vital, pencitraan diagnostik, dan sebagainya Fakta bahwa informasi ini bisa diakses dengan sangat mudah juga luar biasa (terlepas dari HIPAA) Realitas pembagian waktu Sekitar 3 jam per minggu habis untuk rapat Sekitar 3 jam digunakan untuk persiapan pekerjaan, menyelesaikan masalah ETL, dan menjalankan query sekali pakai untuk kebutuhan bisnis Sisa waktunya dihabiskan untuk menjelajahi data demi mencari sedikit keunggulan dalam memprediksi pendapatan bernilai jutaan dolar Rasanya seperti mencari Wally dengan matematika Dan adegan tempat Wally itu berukuran sekitar 50TB :D burnedout_dc4e3 Sudah berkecimpung di machine learning sejak pertengahan 2000-an Separuh waktunya dihabiskan untuk menjaga "pipeline data tetap berjalan" dengan merapikan data agar bisa dipakai untuk pelatihan dan penggunaan model Separuh waktu lainnya habis untuk dukungan teknis bagi "ilmuwan AI" yang hampir tidak punya kemampuan coding Mereka menghabiskan waktu dengan copy-paste konten ke berbagai layanan chatbot Pekerjaan utamanya adalah mengajari mereka cara memasang paket Python dan menggunakan Git Tidak ada rencana tentang bagaimana pekerjaan mereka akan diterapkan pada proyek yang sedang dikerjakan Namun mereka bersikeras bahwa model transformer akan menyelesaikan semua masalah pemrosesan data kami Sedang mempertimbangkan berhenti dan tidak mengambil pekerjaan baru sampai siklus hype ini berakhir tambourineman88 Realitasnya berlawanan dengan dugaan saat dulu mempelajari machine learning 95% pekerjaan ini adalah merapikan data, menggabungkan dataset, dan feature engineering Fitting dan pengujian model hanya 5% Balasan #1 untuk komentar ini Sudah begitu dari awal, masih begitu sekarang, dan akan terus begitu, amin Hal penting di level staf/penanggung jawab Penting untuk menjaga "impedansi data" antara fitur produk yang bergantung pada model inferensi dan penangkapan data Tujuannya agar perubahan pada produk atau fitur tidak merusak instrumentasi serta granularitas data yang memasok repositori data dan korpus pelatihan Hal penting pada masalah reinforcement learning (RL) Penting untuk memastikan variabel yang benar telah ditangkap untuk tuple ruang state dan action Setelah itu, yang penting adalah menemukan cara menyesuaikan antarmuka atau model lingkungan untuk umpan balik reward davedx Menjalankan pip install pytorch Environment rusak Menghabiskan 4 jam untuk memperbaiki environment Python Menjalankan pip install Pillow Muncul error bahwa itu tidak cocok dengan arsitektur CPU MacBook Menghapus semua yang berhubungan dengan Python lalu menginstal ulang dari nol, menghabiskan 4 jam lagi Baru mau menjalankan pip install ..., eh sudah jam pulang kerja! Xenoamorphous Seorang software developer biasa yang terpaksa harus mengerjakan ML karena kebutuhan Penasaran bagaimana para ahli ML "sungguhan" menangani hasil probabilistik/berbasis gradient descent dan ekspektasi orang Dalam pekerjaan software biasa, sesuatu itu bekerja atau tidak, dan jika tidak bekerja biasanya bisa dijelaskan alasannya dan semoga bisa diperbaiki Tetapi dalam ML, orang bertanya, "Mengapa classifier teks ini tidak mengklasifikasikan teks ini dengan benar?" Dan yang bisa dijawab hanya hal seperti "skornya kurang 0,004 untuk memenuhi threshold" atau "pilihan kata atau urutannya membuatnya tidak lolos" Rasanya itu membuat semua orang tidak puas angarg12 Jabatannya ML engineer, tetapi pekerjaan nyatanya jauh lebih dekat ke software engineering murni Tugas utamanya adalah membangun sistem yang mendukung sistem ML di lingkungan production Seperti yang disebut orang lain, ini terutama mencakup transformasi data, pelatihan model, model serving, dan sebagainya Pekerjaannya juga mencakup membangun alat atau memodifikasi sistem yang ada agar para scientist bisa melakukan pekerjaan mereka Namun dari luar, tampaknya perusahaan penulis cukup tidak biasa Di industri, ekspektasi terhadap ML engineer tampaknya lebih selaras dengan pekerjaan data/applied scientist (misalnya membangun dan menguji model) Ini menimbulkan banyak ambiguitas dalam ekspektasi untuk tiap peran di tiap perusahaan runban Tukang bersih-bersih bergaji tinggi Dari data kotor, Anda tidak akan mendapat hasil yang benar Sebagai catatan, untuk pekerjaan ini Perl jauh lebih baik daripada Python Pemecah masalah motherboard bergaji tinggi H100 benar-benar panas bahkan dengan pendingin cair Karena tidak ada orang hardware khusus Seperti semua orang, bertarung melawan dependency pihak ketiga yang bertingkah semaunya primaprashant Sudah bekerja sebagai MLE selama 5 tahun terakhir, dan seperti yang disebut komentar lain, sebagian besar pekerjaannya mirip SWE Tugas harian bervariasi tergantung tahap proyek, tetapi biasanya termasuk salah satu dari berikut ini: Berkolaborasi dengan stakeholder dan TPM, serta mengembangkan hipotesis untuk memecahkan masalah bisnis berprioritas tinggi melalui analisis data Membingkai masalah bisnis sebagai masalah ML, lalu membuat metrik yang sesuai untuk model ML dan masalah bisnisnya Membangun PoC dan prototipe untuk memvalidasi kelayakan teknis fitur dan ide baru Menulis dokumen desain untuk arsitektur dan pengambilan keputusan teknis Bekerja sama dengan tim platform untuk menyiapkan dan memelihara pipeline data sesuai kebutuhan proyek ML baru maupun yang sudah ada Membangun, menerapkan, dan memelihara microservice ML untuk inferensi Menjalankan A/B test dan menulis dokumen desain untuk analisis pasca-pengujian Menyiapkan pipeline untuk retraining model ML jackspawn Menghabiskan lebih dari 50% waktu untuk backend engineering Karena ML digunakan di dalam API yang lebih besar Bertanggung jawab atas pengalaman end-to-end dari API tersebut Jadi melakukan apa pun yang memberikan nilai terbaik dibanding waktu yang dikeluarkan Dan itu sering kali tidak ada hubungannya sama sekali dengan model ML mardifoufs Bekerja pada optimasi kode inferensi dan "memprodukkan" model yang sudah dilatih Saat ini bekerja pada pelatihan dan inferensi lokal karena berada di industri yang layanan cloud-nya belum umum digunakan Menarik karena ini bukan LLM, jadi tidak banyak alat siap pakai Banyak hal harus dibuat sendiri Mengerjakan banyak hal, dari evaluasi kualitas data (bagian lokalnya cukup menantang) sampai menggunakan CUDA secara langsung Karena ada library pemrosesan sinyal yang sudah dibangun di atas CUDA dan bisa dimanfaatkan Kadang juga membangun alat internal untuk tim (tim campuran researcher/MLE) Karena bidangnya sangat niche, kami harus membangunnya sendiri untuk memvisualisasikan data dan inferensi Punya kebebasan penuh terkait alat dan desain software internal, sehingga bisa memberi banyak pengaruh di dalam organisasi Salah satu alat yang dibuat secara improvisasi kini akan dimasukkan ke produk andalan mereka hirako2000 Bukan tugas utamanya, tetapi sebagian besar waktu dihabiskan untuk "menyatukan ini-itu" Menyesuaikan open source yang sudah ada Mencari cara mengoptimalkan resource Melatih ulang model pada dataset lain Mencoba menjalankan kode Python yang ditulis asal-asalan Menambahkan file requirements yang hilang Membersihkan data Memikirkan apa saja yang benar-benar bisa diselesaikan secara berguna dengan ML, yang belum dilakukan beberapa tahun lalu Mengecek harga GPU terbaru dan menghitung apakah lebih layak membeli GPU daripada menyewa waktu mahal dari penyedia hosting Membaca paper sampai kepala terasa sakit Menghabiskan waktu membaca abstrak dan menelusuri beberapa diagram di tengah tenache Mempelajari machine learning dan awalnya direkrut untuk peran itu, tetapi perusahaan berganti arah dan sekarang bekerja pada LLM Sebagian besar waktu dihabiskan untuk hal-hal seperti berikut: Memahami cara kerja berbagai LLM Mencari parameter terbaik Cara melakukan RAG (Retrieval-Augmented Generation) Cara mengintegrasikannya dengan bot lain trybackprop Dalam minggu kerja biasa, umumnya melakukan hal-hal berikut: 15%: rapat diskusi teknis atau meeting 1:1 Biasanya membahas ide, rencana, atau dukungan untuk produk ML 40%: pengembangan ML Pada tahap awal proyek, memahami requirement produk Mendiskusikan dengan tim model atau algoritma ML yang dapat membantu mencapai tujuan produk/bisnis Mengumpulkan dataset yang ada dari analis dan data scientist Membuat pipeline yang menggunakan dataset ini untuk menghasilkan dataset pelatihan dan validasi Sambil menunggu dataset pelatihan/validasi terisi (bisa sampai 2 minggu), mengerjakan proyek lain yang tahap pengembangannya lebih maju atau lebih tertinggal secara paralel Juga mengerjakan model baru (ditulis dengan PyTorch), mengujinya dengan sejumlah kecil data untuk menilai performa offline, dan mengevaluasi apakah hasilnya sesuai harapan Menjalankan beberapa tes manual dengan model untuk mengisi informasi produk guna memeriksa kewajaran model (tanpa eksperimen skala besar, mau tak mau mengandalkan intuisi sendiri dan rekan tim) Setelah dataset pelatihan/validasi terisi, melatih model pada data dalam jumlah besar, memeriksa hasil offline, lalu menyesuaikan model atau mengubah arsitekturnya jika ada masalah Jika hasil offline bagus atau terlihat menjanjikan, model diterapkan ke production untuk eksperimen Pada saat yang sama, mungkin mengubah kode produk/infrastruktur untuk menguji model baru yang dibangun Menjalankan eksperimen dan perlahan meningkatkan traffic hingga alokasinya mencapai 1-5%, lalu membiarkannya berjalan selama beberapa minggu atau sebulan Sementara itu, mengamati hasil dan memantau semua pipeline terkait agar model terlatih dengan semestinya, sehingga hasil eksperimen tidak berubah karena faktor infrastruktur/bug/produk yang tak terduga Jika hasilnya tampak sesuai ekspektasi dan sejalan dengan hipotesis awal, mendiskusikan dengan tim apakah akan dirilis, dan jika diputuskan ya, maka dirilis! (Catatan: pengembangan model mencakup penulisan feature, persiapan dataset, analisis, pembuatan model ML itu sendiri, serta implementasi perubahan pada kode produk/infrastruktur) 20%: pemeliharaan Hanya karena sedang mengembangkan model baru bukan berarti model yang lama diabaikan Dicek setiap hari untuk memastikan performanya tidak menurun atau berubah dengan cara yang tidak terduga Juga memperbaiki pipeline dan membuatnya lebih efisien 15%: membaca paper riset dan mempelajari teknologi Dunia AI/ML berubah cepat, jadi terus membaca paper riset baru dan menguji teknologi baru di rumah untuk tetap mengikuti perkembangan Karena menyenangkan, ini tidak terasa membebani Tidak dianggap sebagai sekadar kewajiban untuk tetap up to date 10%: riset internal Waktu ini dipakai untuk mempelajari lebih jauh produk lain di dalam tim atau perusahaan, serta mencari tahu bagaimana tim kami bisa membantu atau teknik/metode apa yang bisa kami pinjam dari mereka Waktu ini juga dipakai untuk menuliskan insight yang didapat saat meninjau kembali pekerjaan selama 6 bulan/1 tahun terakhir

(news.ycombinator.com)

36 poin oleh xguru 2024-06-10 | 4 komentar | Bagikan ke WhatsApp

Ringkasan dari jawaban orang-orang di thread tersebut

schmookeeg

Bagian yang paling disukai dari pekerjaannya sebagai insinyur machine learning saat ini adalah berkolaborasi dengan orang-orang tanpa latar belakang teknis
- Bahkan orang yang tidak bisa membuka MS Outlook lebih dari 3 dari 5 kali pun punya kedalaman dan wawasan yang luar biasa tentang bidang keahlian mereka sendiri
- Hal ini sangat merendahkan hati
Orang tanpa latar belakang teknis memandang saya seperti penyihir, dan saya memandang mereka seperti pendeta voodoo
- Saat kami melatih sesuatu yang kami sukai dan membuat prediksi, hasilnya sangat memuaskan bagi kedua belah pihak
Sebagian besar pemodelan berkaitan dengan bidang kesehatan
- Menarik insight dari data lake yang sangat besar berisi klaim, resep, catatan dokter, tanda vital, pencitraan diagnostik, dan sebagainya
- Fakta bahwa informasi ini bisa diakses dengan sangat mudah juga luar biasa (terlepas dari HIPAA)
Realitas pembagian waktu
- Sekitar 3 jam per minggu habis untuk rapat
- Sekitar 3 jam digunakan untuk persiapan pekerjaan, menyelesaikan masalah ETL, dan menjalankan query sekali pakai untuk kebutuhan bisnis
- Sisa waktunya dihabiskan untuk menjelajahi data demi mencari sedikit keunggulan dalam memprediksi pendapatan bernilai jutaan dolar
  - Rasanya seperti mencari Wally dengan matematika
  - Dan adegan tempat Wally itu berukuran sekitar 50TB :D

burnedout_dc4e3

Sudah berkecimpung di machine learning sejak pertengahan 2000-an
Separuh waktunya dihabiskan untuk menjaga "pipeline data tetap berjalan" dengan merapikan data agar bisa dipakai untuk pelatihan dan penggunaan model
Separuh waktu lainnya habis untuk dukungan teknis bagi "ilmuwan AI" yang hampir tidak punya kemampuan coding
- Mereka menghabiskan waktu dengan copy-paste konten ke berbagai layanan chatbot
  - Pekerjaan utamanya adalah mengajari mereka cara memasang paket Python dan menggunakan Git
- Tidak ada rencana tentang bagaimana pekerjaan mereka akan diterapkan pada proyek yang sedang dikerjakan
  - Namun mereka bersikeras bahwa model transformer akan menyelesaikan semua masalah pemrosesan data kami
Sedang mempertimbangkan berhenti dan tidak mengambil pekerjaan baru sampai siklus hype ini berakhir

tambourineman88

Realitasnya berlawanan dengan dugaan saat dulu mempelajari machine learning
- 95% pekerjaan ini adalah merapikan data, menggabungkan dataset, dan feature engineering
- Fitting dan pengujian model hanya 5%
Balasan #1 untuk komentar ini
- Sudah begitu dari awal, masih begitu sekarang, dan akan terus begitu, amin
- Hal penting di level staf/penanggung jawab
  - Penting untuk menjaga "impedansi data" antara fitur produk yang bergantung pada model inferensi dan penangkapan data
  - Tujuannya agar perubahan pada produk atau fitur tidak merusak instrumentasi serta granularitas data yang memasok repositori data dan korpus pelatihan
- Hal penting pada masalah reinforcement learning (RL)
  - Penting untuk memastikan variabel yang benar telah ditangkap untuk tuple ruang state dan action
  - Setelah itu, yang penting adalah menemukan cara menyesuaikan antarmuka atau model lingkungan untuk umpan balik reward

davedx

Menjalankan pip install pytorch
Environment rusak
Menghabiskan 4 jam untuk memperbaiki environment Python
Menjalankan pip install Pillow
Muncul error bahwa itu tidak cocok dengan arsitektur CPU MacBook
Menghapus semua yang berhubungan dengan Python lalu menginstal ulang dari nol, menghabiskan 4 jam lagi
Baru mau menjalankan pip install ..., eh sudah jam pulang kerja!

Xenoamorphous

Seorang software developer biasa yang terpaksa harus mengerjakan ML karena kebutuhan
Penasaran bagaimana para ahli ML "sungguhan" menangani hasil probabilistik/berbasis gradient descent dan ekspektasi orang
Dalam pekerjaan software biasa, sesuatu itu bekerja atau tidak, dan jika tidak bekerja biasanya bisa dijelaskan alasannya dan semoga bisa diperbaiki
Tetapi dalam ML, orang bertanya, "Mengapa classifier teks ini tidak mengklasifikasikan teks ini dengan benar?"
- Dan yang bisa dijawab hanya hal seperti "skornya kurang 0,004 untuk memenuhi threshold" atau "pilihan kata atau urutannya membuatnya tidak lolos"
- Rasanya itu membuat semua orang tidak puas

angarg12

Jabatannya ML engineer, tetapi pekerjaan nyatanya jauh lebih dekat ke software engineering murni
Tugas utamanya adalah membangun sistem yang mendukung sistem ML di lingkungan production
- Seperti yang disebut orang lain, ini terutama mencakup transformasi data, pelatihan model, model serving, dan sebagainya
Pekerjaannya juga mencakup membangun alat atau memodifikasi sistem yang ada agar para scientist bisa melakukan pekerjaan mereka
Namun dari luar, tampaknya perusahaan penulis cukup tidak biasa
Di industri, ekspektasi terhadap ML engineer tampaknya lebih selaras dengan pekerjaan data/applied scientist (misalnya membangun dan menguji model)
- Ini menimbulkan banyak ambiguitas dalam ekspektasi untuk tiap peran di tiap perusahaan

runban

Tukang bersih-bersih bergaji tinggi
- Dari data kotor, Anda tidak akan mendapat hasil yang benar
- Sebagai catatan, untuk pekerjaan ini Perl jauh lebih baik daripada Python
Pemecah masalah motherboard bergaji tinggi
- H100 benar-benar panas bahkan dengan pendingin cair
- Karena tidak ada orang hardware khusus
Seperti semua orang, bertarung melawan dependency pihak ketiga yang bertingkah semaunya

primaprashant

Sudah bekerja sebagai MLE selama 5 tahun terakhir, dan seperti yang disebut komentar lain, sebagian besar pekerjaannya mirip SWE
Tugas harian bervariasi tergantung tahap proyek, tetapi biasanya termasuk salah satu dari berikut ini:
- Berkolaborasi dengan stakeholder dan TPM, serta mengembangkan hipotesis untuk memecahkan masalah bisnis berprioritas tinggi melalui analisis data
- Membingkai masalah bisnis sebagai masalah ML, lalu membuat metrik yang sesuai untuk model ML dan masalah bisnisnya
- Membangun PoC dan prototipe untuk memvalidasi kelayakan teknis fitur dan ide baru
- Menulis dokumen desain untuk arsitektur dan pengambilan keputusan teknis
- Bekerja sama dengan tim platform untuk menyiapkan dan memelihara pipeline data sesuai kebutuhan proyek ML baru maupun yang sudah ada
- Membangun, menerapkan, dan memelihara microservice ML untuk inferensi
- Menjalankan A/B test dan menulis dokumen desain untuk analisis pasca-pengujian
- Menyiapkan pipeline untuk retraining model ML

jackspawn

Menghabiskan lebih dari 50% waktu untuk backend engineering
- Karena ML digunakan di dalam API yang lebih besar
Bertanggung jawab atas pengalaman end-to-end dari API tersebut
- Jadi melakukan apa pun yang memberikan nilai terbaik dibanding waktu yang dikeluarkan
- Dan itu sering kali tidak ada hubungannya sama sekali dengan model ML

mardifoufs

Bekerja pada optimasi kode inferensi dan "memprodukkan" model yang sudah dilatih
Saat ini bekerja pada pelatihan dan inferensi lokal karena berada di industri yang layanan cloud-nya belum umum digunakan
- Menarik karena ini bukan LLM, jadi tidak banyak alat siap pakai
- Banyak hal harus dibuat sendiri
Mengerjakan banyak hal, dari evaluasi kualitas data (bagian lokalnya cukup menantang) sampai menggunakan CUDA secara langsung
- Karena ada library pemrosesan sinyal yang sudah dibangun di atas CUDA dan bisa dimanfaatkan
Kadang juga membangun alat internal untuk tim (tim campuran researcher/MLE)
- Karena bidangnya sangat niche, kami harus membangunnya sendiri untuk memvisualisasikan data dan inferensi
Punya kebebasan penuh terkait alat dan desain software internal, sehingga bisa memberi banyak pengaruh di dalam organisasi
Salah satu alat yang dibuat secara improvisasi kini akan dimasukkan ke produk andalan mereka

hirako2000

Bukan tugas utamanya, tetapi sebagian besar waktu dihabiskan untuk "menyatukan ini-itu"
- Menyesuaikan open source yang sudah ada
- Mencari cara mengoptimalkan resource
- Melatih ulang model pada dataset lain
- Mencoba menjalankan kode Python yang ditulis asal-asalan
- Menambahkan file requirements yang hilang
- Membersihkan data
Memikirkan apa saja yang benar-benar bisa diselesaikan secara berguna dengan ML, yang belum dilakukan beberapa tahun lalu
Mengecek harga GPU terbaru dan menghitung apakah lebih layak membeli GPU daripada menyewa waktu mahal dari penyedia hosting
Membaca paper sampai kepala terasa sakit
- Menghabiskan waktu membaca abstrak dan menelusuri beberapa diagram di tengah

tenache

Mempelajari machine learning dan awalnya direkrut untuk peran itu, tetapi perusahaan berganti arah dan sekarang bekerja pada LLM
Sebagian besar waktu dihabiskan untuk hal-hal seperti berikut:
- Memahami cara kerja berbagai LLM
- Mencari parameter terbaik
- Cara melakukan RAG (Retrieval-Augmented Generation)
- Cara mengintegrasikannya dengan bot lain

trybackprop

Dalam minggu kerja biasa, umumnya melakukan hal-hal berikut:
15%: rapat diskusi teknis atau meeting 1:1
- Biasanya membahas ide, rencana, atau dukungan untuk produk ML
40%: pengembangan ML
- Pada tahap awal proyek, memahami requirement produk
- Mendiskusikan dengan tim model atau algoritma ML yang dapat membantu mencapai tujuan produk/bisnis
- Mengumpulkan dataset yang ada dari analis dan data scientist
- Membuat pipeline yang menggunakan dataset ini untuk menghasilkan dataset pelatihan dan validasi
- Sambil menunggu dataset pelatihan/validasi terisi (bisa sampai 2 minggu), mengerjakan proyek lain yang tahap pengembangannya lebih maju atau lebih tertinggal secara paralel
- Juga mengerjakan model baru (ditulis dengan PyTorch), mengujinya dengan sejumlah kecil data untuk menilai performa offline, dan mengevaluasi apakah hasilnya sesuai harapan
- Menjalankan beberapa tes manual dengan model untuk mengisi informasi produk guna memeriksa kewajaran model (tanpa eksperimen skala besar, mau tak mau mengandalkan intuisi sendiri dan rekan tim)
- Setelah dataset pelatihan/validasi terisi, melatih model pada data dalam jumlah besar, memeriksa hasil offline, lalu menyesuaikan model atau mengubah arsitekturnya jika ada masalah
- Jika hasil offline bagus atau terlihat menjanjikan, model diterapkan ke production untuk eksperimen
- Pada saat yang sama, mungkin mengubah kode produk/infrastruktur untuk menguji model baru yang dibangun
- Menjalankan eksperimen dan perlahan meningkatkan traffic hingga alokasinya mencapai 1-5%, lalu membiarkannya berjalan selama beberapa minggu atau sebulan
- Sementara itu, mengamati hasil dan memantau semua pipeline terkait agar model terlatih dengan semestinya, sehingga hasil eksperimen tidak berubah karena faktor infrastruktur/bug/produk yang tak terduga
- Jika hasilnya tampak sesuai ekspektasi dan sejalan dengan hipotesis awal, mendiskusikan dengan tim apakah akan dirilis, dan jika diputuskan ya, maka dirilis!
  - (Catatan: pengembangan model mencakup penulisan feature, persiapan dataset, analisis, pembuatan model ML itu sendiri, serta implementasi perubahan pada kode produk/infrastruktur)
20%: pemeliharaan
- Hanya karena sedang mengembangkan model baru bukan berarti model yang lama diabaikan
- Dicek setiap hari untuk memastikan performanya tidak menurun atau berubah dengan cara yang tidak terduga
- Juga memperbaiki pipeline dan membuatnya lebih efisien
15%: membaca paper riset dan mempelajari teknologi
- Dunia AI/ML berubah cepat, jadi terus membaca paper riset baru dan menguji teknologi baru di rumah untuk tetap mengikuti perkembangan
- Karena menyenangkan, ini tidak terasa membebani
- Tidak dianggap sebagai sekadar kewajiban untuk tetap up to date
10%: riset internal
- Waktu ini dipakai untuk mempelajari lebih jauh produk lain di dalam tim atau perusahaan, serta mencari tahu bagaimana tim kami bisa membantu atau teknik/metode apa yang bisa kami pinjam dari mereka
- Waktu ini juga dipakai untuk menuliskan insight yang didapat saat meninjau kembali pekerjaan selama 6 bulan/1 tahun terakhir

4 komentar

ohyecloudy 2024-06-17

Ungkapan 'orang-orang tanpa latar belakang teknis memandang saya sebagai penyihir, dan saya memandang mereka sebagai dukun voodoo' lucu juga.

nutella 2024-06-12

Data... data... sangat relate.

halfenif 2024-06-10

Kurang lebih memang persis seperti yang saya bayangkan secara samar.

tttttaa 2024-06-10

Menarik sekali!