机器学习 MLNG
开发从数据和经验中习得的系统，提高动态环境中的性能、准确性和适应性。
指导说明
活动可能包括但不限于：
- 评估机器学习对业务问题的适用性
- 选择并应用适当的机器学习技术、算法和工具来解决业务问题
- 为机器学习准备数据，包括清理、转换和特征工程
- 使用监督学习、无监督学习或强化学习来设计、训练、优化和再训练模型
- 管理 MLOps 以进行模型部署、监控和生命周期管理
- 评估模型的性能、稳健性、公平性和偏差，并选择指标来评估结果
- 在部署前后诊断并解决问题
- 预测组织影响，包括道德、偏差、隐私、可持续性和数据保护
- 建立机器学习系统产出结果的可追溯性
- 实施持续学习机制，以确保模型适应新数据和不断变化的环境，包括实时适应新的输入和不断变化的条件。
了解此技能的责任级别
在未定义较低级别的情况下...
- 没有定义具体的任务和职责，因为该技能需要比这些级别的通常预期的更高的自主性、影响力和决策复杂性。您可以使用本质语句来了解与这些级别相关的一般职责。
如果未定义更高的级别...
- 职责和问责制没有定义，因为这些更高层次涉及战略领导和更广泛的组织影响力，超出了这一特定技能的范围。请参阅本质陈述。
发展技能并展示与该技能相关的责任
定义的级别显示了技能和责任的增量进展。
在未定义较低级别的情况下...
您可以通过以下方式发展您的知识并支持在该领域负有责任的其他人：
- 学习与此技能相关的关键概念和原则及其对您的角色的影响
- 执行相关技能（请参阅相关的 SFIA 技能）
- 支持他人执行更高级别的任务和活动
如果未定义更高的级别...
- 你可以通过发展更适合更高层次组织领导的相关技能来取得进步。
单击以了解为什么 SFIA 技能没有在所有 7 个级别中定义。
显示/隐藏额外的描述和级别。
该技能的责任级别
| 2 | 3 | 4 | 5 | 6 |
机器学习: 级别 2
在日常监督下协助数据准备、模型训练和评估任务。使用标准的机器学习框架和工具为定义明确的问题开发基本模型。记录结果并协助维护机器学习解决方案。
机器学习: 级别 3
应用既定的机器学习技术和算法来解决业务问题。选择并准备用于模型训练和评估的数据。使用标准工具和框架训练、优化和验证机器学习模型。将模型部署到生产环境中并监控其性能。将结果和限制传达给利益相关者。
机器学习: 级别 4
评估机器学习的适用性，并为一系列业务问题设计和开发解决方案。根据数据特征和业务需求选择并应用适当的技术和算法。为他人提供指导。设计功能并优化模型性能。实施算法并为开发、评估、监控和部署做出贡献。应用特定于行业的规则和指南，预测风险和影响。与跨职能团队合作，将机器学习模型集成到生产系统中。进行深入的性能分析并解决问题。
机器学习: 级别 5
领导机器学习解决方案的开发和实施，以解决复杂的具有重大影响的业务问题。构建端到端机器学习管道和系统，并结合 MLOps 实践。评估和选择机器学习项目的工具、框架和基础设施。建立机器学习开发和运营的实践和标准。提供有关机器学习技术和应用的专家建议和指导。与利益相关者合作，使机器学习计划与组织目标保持一致。
机器学习: 级别 6
为组织内的机器学习采用和创新设定战略方向和路线图。建立治理框架并推荐协议，以负责任、合乎道德和可持续的方式开发和使用机器学习。领导机器学习的组织能力、政策、标准和指南的开发。与高级利益相关者合作，确定机器学习的高影响力机会并推动其实施。跟踪研究和行业趋势，并将其整合到组织实践中。