Applying a Requirements-Focused Agile Management Approach for Machine Learning-Enabled Systems
यह शोध पत्र RefineML के व्यावहारिक अनुप्रयोग और मूल्यांकन को प्रस्तुत करता है, जो मशीन लर्निंग-सक्षम प्रणालियों के लिए विशेष रूप से तैयार किया गया एक आवश्यकताओं-केंद्रित एजाइल दृष्टिकोण है, जिसे एक उद्योग-अकादमिक सहयोग में संचार में सुधार करने, प्रारंभिक व्यवहार्यता आकलन को सुगम बनाने और दोहरी-ट्रैक शासन को सक्षम करने के लिए प्रदर्शित किया गया था, बावजूद इसके कि एमएल संबंधी चिंताओं को संचालित करने और प्रयास का अनुमान लगाने में चुनौतियां बनी हुई हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक कस्टम कार बनाने की कोशिश कर रहे हैं, लेकिन एक मानक इंजन के बजाय, आप एक "सीखने वाला" (learning) इंजन बनाने की कोशिश कर रहे हैं जो सड़कों की लाखों तस्वीरों को देखकर खुद गाड़ी चलाना सीख सके। मशीन लर्निंग (ML) सिस्टम बनाना बिल्कुल ऐसा ही महसूस होता है। यह अव्यवस्थित, अप्रत्याशित और सामान्य सॉफ्टवेयर बनाने से बहुत अलग है।
यह पेपर एक कहानी है एक टीम की (एक ब्राज़ीलियाई विश्वविद्यालय लैब और EXA नामक एक साइबर सुरक्षा कंपनी) जिन्होंने ऑनलाइन घोटालों को रोकने के लिए एक "स्मार्ट गार्ड" बनाने की कोशिश की। उन्हें इस प्रोजेक्ट को मैनेज करने के लिए एक नए तरीके की आवश्यकता थी क्योंकि पुराने नियम काम नहीं कर रहे थे। उन्होंने RefineML नामक एक पद्धति विकसित की।
इसे सरल भाषा में यहाँ समझाया गया है:
समस्या: "ब्लैक बॉक्स" बनाम "असेंबली लाइन"
आमतौर पर, सॉफ्टवेयर बनाना एक असेंबली लाइन की तरह होता है: आप जानते हैं कि आपको किन पुर्जों की आवश्यकता है, आप उन्हें बनाते हैं, और फिर उन्हें जोड़ देते हैं।
लेकिन AI बनाना एक कुत्ते को चीज़ लाना सिखाने जैसा है। आप यह नहीं जानते कि उसे सीखने में कितना समय लगेगा, या क्या वह वास्तव में काम भी करेगा, जब तक कि आप उसे डेटा के साथ प्रशिक्षित (train) करना शुरू नहीं करते।
- संघर्ष: बिजनेस के लोग एक निश्चित समय सीमा के भीतर तैयार उत्पाद चाहते थे। AI विशेषज्ञों को प्रयोग करने, विफल होने और फिर से प्रयास करने के लिए समय चाहिए था। वे अलग-अलग भाषाएँ बोल रहे थे, और प्रोजेक्ट अटक रहा था।
समाधान: RefineML (एक "दोहरी-ट्रैक" वाली निर्माण साइट)
टीम ने RefineML का आविष्कार किया, जो एक प्रबंधन शैली है जो दो समानांतर ट्रैक वाली एक निर्माण साइट की तरह कार्य करती है।
1. ब्लूप्रिंट चरण (प्रारंभिक विनिर्देश/Initial Specification)
खुदाई शुरू करने से पहले, उन्होंने PerSpecML नामक एक विशेष चेकलिस्ट का उपयोग किया। इसे एक "मास्टर ब्लूप्रिंट" के रूप में सोचें जो सभी को इन बातों पर सहमत होने के लिए मजबूर करता है:
- हम क्या बना रहे हैं? (लक्ष्य)
- उपयोगकर्ता को क्या देखना चाहिए? (अनुभव)
- क्या हमारे पास पर्याप्त "ईंटें" (डेटा) हैं?
- क्या नींव पर्याप्त मजबूत है? (इन्फ्रास्ट्रक्चर)
- उपमा: केवल "एक घर बनाएं" कहने के बजाय, वे इस बात पर सहमत हुए कि "3 बेडरूम, एक सोलर छत और एक ट्रक के अनुकूल गैरेज वाला घर बनाएं।"
2. "दो-ट्रैक" प्रणाली (संकल्पना और व्यवहार्यता/Conception & Feasibility)
यह उनके नवाचार का मुख्य हिस्सा है। उन्होंने काम को दो अलग-अलग लेकिन जुड़े हुए लाइनों में विभाजित किया:
- ट्रैक A (सॉफ्टवेयर टीम): वे कार की बॉडी, डैशबोर्ड और दरवाजे बनाते हैं। उन्हें यह परीक्षण करने के लिए कि डैशबोर्ड काम करता है या नहीं, एक "नकली इंजन" की आवश्यकता होती है।
- ट्रैक B (AI टीम): वे "सीखने वाले इंजन" को प्रशिक्षित करने में व्यस्त हैं। इसमें समय लगता है और यह अप्रत्याशित है।
जादुई ट्रिक: "डेमो API" (डमी इंजन)
ट्रैक A को चलते रहने देने के लिए, जबकि ट्रैक B अभी भी प्रशिक्षण ले रहा है, AI टीम ने एक डमी इंजन (जिसे डेमो API कहा जाता है) बनाया। यह अभी असली सीखने वाला दिमाग नहीं था, लेकिन यह दिखावा कर रहा था।
- उपमा: कल्पना करें कि सॉफ्टवेयर टीम कार का इंटीरियर बना रही है। वे इंजन के रूप में एक कार्डबोर्ड बॉक्स लगा देते हैं। वे असली इंजन के तैयार होने का इंतज़ार किए बिना स्टीयरिंग व्हील और पेडल का परीक्षण कर सकते हैं। यह पूरे प्रोजेक्ट को रुकने से रोकता है।
3. "दो स्प्रिंट आगे" का नियम
AI टीम हमेशा सॉफ्टवेयर टीम से दो कदम आगे रहती है।
- उपमा: AI टीम एक केक बना रही है। वे सॉफ्टवेयर टीम को केक को बॉक्स में रखने की आवश्यकता होने से दो दिन पहले ही बैटर (घोल) बनाना शुरू कर देते हैं। इससे बेकर्स को बिना डिलीवरी में देरी किए जले हुए केक को ठीक करने का समय मिल जाता है।
4. "पूर्णता की परतें" (Layers of Done - LoD)
एक "परफेक्ट" AI की प्रतीक्षा करने के बजाय, उन्होंने परतों में संस्करण (versions) वितरित किए:
- लेयर 0: डमी इंजन (डेमो API)।
- लेयर 1: एक "न्यूनतम व्यवहार्य मॉडल" (Minimum Viable Model - MVM) – एक ऐसा मॉडल जो इतना अच्छा काम करता है कि उपयोगी हो सके, भले ही वह पूर्ण न हो।
- लेयर 2+: निरंतर सुधार।
- उपमा: फेरारी का इंतज़ार करने के बजाय, उन्होंने पहले एक काम करने वाली साइकिल दी। फिर एक स्कूटर। फिर एक कार। ग्राहक को तुरंत मूल्य मिला और टीम ने सुधार जारी रखा।
वास्तविक दुनिया में क्या हुआ?
उन्होंने इसे घोटाले रोकने के लिए एक साइबर सुरक्षा प्रोजेक्ट पर लागू किया।
- परिणाम: उन्होंने घोटाले वाले संदेशों, असुरक्षित वेबसाइटों और यहाँ तक कि घोटालों के स्क्रीनशॉट का विश्लेषण करने वाले टूल को सफलतापूर्वक बनाया।
- जीत: उनके द्वारा जल्दी दिए गए "न्यूनतम व्यवहार्य मॉडल" ने कंपनी के पुराने समाधान से बेहतर प्रदर्शन किया। उन्हें पूर्ण AI के लिए वर्षों तक इंतजार नहीं करना पड़ा; उन्होंने तुरंत मूल्य प्रदान किया और उसमें सुधार करते रहे।
क्या अच्छा रहा?
- संचार: "ब्लूप्रिंट" (PerSpecML) ने बिजनेस के लोगों और AI विशेषज्ञों को एक-दूसरे की बात समझने में मदद की। सभी को पता था कि "सफलता" का अर्थ क्या है।
- कोई रुकावट नहीं: "डमी इंजन" के कारण, सॉफ्टवेयर टीम को AI टीम के प्रयोग करने के दौरान खाली बैठने के लिए इंतज़ार नहीं करना पड़ा।
- जल्दी वास्तविकता की जाँच: उन्होंने शुरू करने से पहले ही जांच लिया कि क्या उनके पास पर्याप्त डेटा है। इसने उन्हें उन प्रोजेक्ट्स पर समय बर्बाद करने से बचाया जो शुरुआत से ही असंभव थे।
क्या कठिन रहा?
इस बेहतरीन प्रणाली के बावजूद, दो बड़ी समस्याएं बनी रहीं:
- "अनुवाद" का अंतर: उच्च-स्तरीय "ब्लूप्रिंट" को विशिष्ट दैनिक कार्यों में बदलना अभी भी कठिन था। इसके लिए एक अनुभवी मार्गदर्शक (एक फैसिलिटेटर) की आवश्यकता थी जो बड़े विचारों को छोटे चरणों में अनुवादित करने में मदद कर सके।
- अनुमान लगाने का "जुआ": आप अभी भी पूरी तरह से भविष्यवाणी नहीं कर सकते कि AI को प्रशिक्षित करने में कितना समय लगेगा। कभी-कभी आप दो सप्ताह तक प्रयास करते हैं और मॉडल और खराब हो जाता है। पेपर स्वीकार करता है कि प्रयास का अनुमान लगाना (estimating effort) अभी भी एक रहस्य है जिसे कोई भी प्रबंधन उपकरण पूरी तरह से हल नहीं कर सकता।
निचोड़ (The Bottom Line)
RefineML AI प्रोजेक्ट्स को प्रबंधित करने का एक तरीका है जो यह स्वीकार करता है कि AI अप्रत्याशित है। यह बिजनेस को चलते रहने देने के लिए "दोहरी-ट्रैक" प्रणाली का उपयोग करता है, सभी को जोड़े रखने के लिए "डमी" संस्करणों का उपयोग करता है, और पूर्णता की प्रतीक्षा करने के बजाय छोटे, सुधरते हुए चरणों में मूल्य प्रदान करता है। इसने इस रहस्य को तो हल नहीं किया कि AI को सीखने में कितना समय लगता है, लेकिन इसने इस समस्या को हल किया कि एक टीम को बिना अटके एक साथ कैसे काम करने दिया जाए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।