Всем привет! С вами Данил Лесоводский. В прошлом блоке мы говорили о том, как создается модель машинного обучения. Эта неделя посвящена команде проекта. Конкретно в этом видео мы подробнее поговорим о ключевых ролях. Команда ML-проекта во многом похожа на команду обычного IT-проекта. В ней могут быть такие роли, как владелец продукта, скрам-мастер, разработчики фронтенда, разработчики бэкенда, бизнес-аналитики и так далее. Но раз мы говорим про ML-проекты, давайте сфокусируемся на членах команды, которых нет в IT-проектах. Состав команды. Итак, аналитик данных. Аналитик данных, он же специалист по анализу данных, data scientist, ML expert, или AI expert. Его не следует путать с программистом на Python. Программист на Python может решать иные задачи, в то же время как аналитик данных сфокусирован на использовании языка Python конкретно применимо к работе с данными. Также аналитика данных не следует путать с бизнес-аналитиком, задачами которого является анализ бизнес-процессов или бизнес-моделей организаций. А аналитик данных анализирует непосредственно данные. Также не следует путать аналитика данных со статистиком, потому что задача статистика — это поиск опровержения или доказательства некоторых гипотез, в то же время как задачей аналитика данных является создание моделей, которые бы предсказывали некоторую переменную с высоким качеством. Кроме этого, следует отличать аналитика данных от математиков и просто от ученых. Второй член команды — это инженер данных, или инженер по большим данным, по-английски — "data engineer". Его не следует путать с DevOps-ом, с программистом или с архитектором. Инженер данных объединяет эти три компетенции. Третий член команды — это менеджер ML-проекта. Собственно, это вы — человек, который должен добиться результата за понятное время, управляя командой и ресурсами. В чем отличие от менеджера IT-проекта? Вам нужно знать специфику machine learning, потому что именно эта специфика определяет график проекта, то, что можно сделать, то, что нельзя сделать, и состав команды. Как это работает? У вас есть инженер данных. Его задача — это настроить железо, установить софт и прокачать данные в эту систему. Аналитик данных строит модель, используя железо, софт и данные. Менеджер ML-проекта ставит цели, планирует, контролирует, корректирует действия, выстраивает коммуникации внутри и снаружи команды. Итак, сегодня мы поговорили о типовом составе команды проекта по машинному обучению, выяснили, что по сравнению с обычным IT проектом вам потребуются: аналитик данных, инженер данных и менеджер ML-проекта. В следующем видео я расскажу о задачах и требованиях к каждой из этих ролей. Спасибо.