組織構(gòu)建一個可行的、可靠的、敏捷的機器學(xué)習模型來簡化操作和支持其業(yè)務(wù)計劃需要耐心、準備以及毅力。各種組織都在為各行業(yè)中的眾多應(yīng)用實施人工智能項目。這些應(yīng)用包括預(yù)測分析、模式識別系統(tǒng)、自主系統(tǒng)、會話系統(tǒng)、超個性化活動和目標驅(qū)動系統(tǒng)。每一個項目都有一個共同點：它們都基于對業(yè)務(wù)問題的理解，并且數(shù)據(jù)和機器學(xué)習算法必須應(yīng)用于解決問題，從而構(gòu)建一個能夠滿足項目需求的機器學(xué)習模型。部署和管理機器學(xué)習項目通常遵循相同的模式。然而，現(xiàn)有的應(yīng)用程序開發(fā)方法并不適用，因為人工智能項目是由數(shù)據(jù)驅(qū)動的，而不是編程代碼。學(xué)習來源于數(shù)據(jù)，因此正確的機器學(xué)習方法源于以數(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)建和迭代階段的項目。對于許多組織來說，機器學(xué)習模型開發(fā)是一項新活動，但是在某種程度上已經(jīng)建立了以數(shù)據(jù)為中心的項目構(gòu)建方法。大約 25 年前，一個由五家供應(yīng)商組成的聯(lián)盟開發(fā)了跨行業(yè)的數(shù)據(jù)挖掘標準流程（CRISP－DM），該流程專注于數(shù)據(jù)挖掘項目中各種數(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)開始。接下來是數(shù)據(jù)準備和數(shù)據(jù)建模之間的迭代循環(huán)的切換，然后是評估階段，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、準備和評估。但跨行業(yè)的數(shù)據(jù)挖掘標準流程（CRISP－DM）的進一步開發(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)布其第二個版本。IBM 公司和微軟公司對這種方法進行了更新和迭代，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)添加了更多細節(jié)，并提供了在此過程中產(chǎn)生的工件和可交付成果的更多細節(jié)。此外，這種方法由于并不敏捷或不適用于人工智能和機器學(xué)習項目而受到質(zhì)疑。因此需要增強諸如人工智能的認知項目管理之類的方法，以滿足人工智能特定的要求，并且可以在具有現(xiàn)有敏捷開發(fā)團隊和數(shù)據(jù)組織的組織中實施這些方法。這些方法論以及大型公司及其數(shù)據(jù)科學(xué)團隊的學(xué)習，因此采用了一種更強大、更靈活的分步方法來進行機器學(xué)習模型開發(fā)，以滿足認知項目的特定需求。