Qual a fun\u00e7\u00e3o do ML Canvas?<\/strong><\/h2>\n\n\n\n\n- Validar a viabilidade das suas ideias de casos de uso de Machine Learning j\u00e1 no come\u00e7o do projeto<\/li>\n\n\n\n
- Melhorar a colabora\u00e7\u00e3o dentro da equipe que esteja alocada para execu\u00e7\u00e3o do projeto<\/li>\n\n\n\n
- Antecipar problemas que, de outra forma, surgiriam no projeto durante as fases de implementa\u00e7\u00e3o ou at\u00e9 mesmo de produ\u00e7\u00e3o.<\/li>\n<\/ul>\n\n\n\n
Quais as premissas do ML Canvas?<\/strong><\/h2>\n\n\n\nDorard, ao propor a organiza\u00e7\u00e3o do projeto de Machine Learning em um Canvas, assumiu que os sistemas de Machine Learning s\u00e3o complexos. <\/strong>Definr o dado certo, no formato certo, dentro de um modelo bem escolhido e que seja capaz de realizar predi\u00e7\u00f5es de acordo com a especifica\u00e7\u00e3o inicial n\u00e3o \u00e9 um esfor\u00e7o trivial e a presen\u00e7a da incerteza contribuiu bastante para a complexidade.<\/p>\n\n\n\nUma outra preocupa\u00e7\u00e3o diz respento ao esfor\u00e7o necess\u00e1rio para avan\u00e7ar com qualquer iniciativa de Machine Learning. Como o esfor\u00e7o pode ser alto, n\u00e3o deve-se gastar tempo resolvendo problemas errados<\/strong>, ainda mais em cen\u00e1rios de projeto que existe a presen\u00e7a restri\u00e7\u00f5es de custos ou de recursos.<\/p>\n\n\n\nO ML Canvas \u00e9 uma abordagem visual que permite uma melhor conex\u00e3o entre as equipes de neg\u00f3cio<\/strong>, que tem preocupa\u00e7\u00f5es direcionadas ao uso efetivo do sistema a ser desenvolvido, e as equipes de desenvolvimento e implanta\u00e7\u00e3o deste mesmo sistema.<\/strong><\/p>\n\n\n\nPor fim, um cuidado presente na abordagem do ML Canvas \u00e9 o efetivo uso das predi\u00e7\u00f5es realizadas. Para Dorard, as predi\u00e7\u00f5es se tornam valiosas somente quando elas s\u00e3o usadas para a tomada de decis\u00f5es. <\/p>\n\n\n\n![\"\"](\"https:\/\/netproject.com.br\/blog\/wp-content\/uploads\/2024\/05\/ml_canvas-700x538.png\")
<\/figure>\n\n\n\nGrupos de Blocos do ML Canvas<\/h2>\n\n\n\n\n- Objetivo<\/strong>: Proposta de valor( Value Proposition )<\/li>\n\n\n\n
- Aprendizagem<\/strong>: Fontes de Dados (Data Sources), Cole\u00e7\u00f5a de Dados (Data Collection), Vari\u00e1veis (Features), Constru\u00e7\u00e3o do Modelo (Building Models)<\/li>\n\n\n\n
- Predi\u00e7\u00f5es<\/strong>: Tarefa de Predi\u00e7\u00e3o (Prediction Task), Decis\u00f5es( Decisions), Simua\u00e7\u00e3o de Impacto(Impact Simulation), Fazendo Predi\u00e7\u00f5es(Making Predictions)<\/li>\n\n\n\n
- Avalia\u00e7\u00e3o:<\/strong> Monitoring<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
Grupo: Objetivo – Qual a Proposta de Valor do Projeto?<\/h2>\n\n\n\n
Esse grupo \u00e9 o cora\u00e7\u00e3o do modelo. Dele vamos desdobrar os demais blocos. Basicamente devemos definir o que estamos tentando fazer, explicar a import\u00e2ncia e identificar quem ser\u00e1 o usu\u00e1rio final. Apesar de conter apenas um bloco, \u00e9 de suma import\u00e2ncia para o correto preenchimento dos demais blocos.<\/p>\n\n\n\n
\n- Proposta de Valor:<\/strong> Concentre-se no O qu\u00ea<\/strong> – O que estamos tentando fazer? Por qu\u00ea<\/strong> – Por qu\u00ea \u00e9 importante? Quem<\/strong> – Quem ir\u00e1 usar o projeto \/ usu\u00e1rio final? Quais s\u00e3o seus objetivos? Como eles se beneficiar\u00e3o do sistema de ML? Mencione o fluxo de trabalho\/interfaces.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
Grupo: Predi\u00e7\u00f5es – Qual a tarefa de ML e como vamos execut\u00e1-la?<\/h2>\n\n\n\n
O preenchimento desse grupo j\u00e1 necessita de algum conhecimento pr\u00e9vio superficial sobre Machine Learning, vamos l\u00e1!<\/p>\n\n\n\n
\n- ML task: <\/strong>Qual \u00e9 o tipo do problema (ex. classifica\u00e7\u00e3o, regress\u00e3o…), qual \u00e9 o input, e qual \u00e9 o output da predi\u00e7\u00e3o?\u00a0 Qual a entidade sobre a qual s\u00e3o feitas as previs\u00f5es? Quais os Resultados poss\u00edveis? <\/li>\n\n\n\n
- Decis\u00f5es:<\/strong> Como as predi\u00e7\u00f5es ser\u00e3o usadas para tomada de decis\u00f5es ou seja como as previs\u00f5es s\u00e3o transformadas em valor proposto para o usu\u00e1rio final?P<\/li>\n\n\n\n
- Fazendo<\/strong> Predi\u00e7\u00f5es:<\/strong> Quando fazer novas predi\u00e7\u00f5es? De quanto em quanto tempo?<\/li>\n\n\n\n
- Avalia\u00e7\u00e3o Offline: <\/strong>Quais m\u00e9todos e m\u00e9tricas devem ser usadas para avaliar as predi\u00e7\u00f5es antes do envio para produ\u00e7ao?\u00a0<\/li>\n<\/ul>\n\n\n\n
Grupo: Aprendizagem – Como vamos aprender?<\/h2>\n\n\n\n
Nesse grupo \u00e9 importante definir as fontes de dados, como os mesmos ser\u00e3o coletados, quais vari\u00e1veis ser\u00e3o consideradas:<\/p>\n\n\n\n
\n- Fontes de dados: <\/strong>Quais fontes de dados ser\u00e3o usadas (Internas e Externas). Onde podemos obter informa\u00e7\u00f5es (brutas) sobre entidades e resultados observados? Mencione tabelas de banco de dados, m\u00e9todos de API, sites para raspagem, etc.<\/li>\n\n\n\n
- Coletando os dados: <\/strong>Como obter novos dados para o modelo continuar aprendendo? Estrat\u00e9gia para conjunto de treinamento inicial e atualiza\u00e7\u00e3o cont\u00ednua.<\/li>\n\n\n\n
- Features (vari\u00e1veis): <\/strong>Quais as poss\u00edveis vari\u00e1veis podem ser importantes para resolver o problema proposto? Vari\u00e1veis s\u00e3o representa\u00e7\u00f5es de entrada dispon\u00edveis no momento da previs\u00e3o, extra\u00eddas de fontes de dados brutas.<\/li>\n\n\n\n
- Construindo o modelo: <\/strong>Quantos modelos de produ\u00e7\u00e3o s\u00e3o necess\u00e1rios? Quando dever\u00edamos atualizar? Tempo dispon\u00edvel para isso (incluindo cria\u00e7\u00e3o de caracter\u00edsticas e an\u00e1lise)?<\/li>\n<\/ul>\n\n\n\n
Grupo: Avalia\u00e7\u00e3o – Como o sistema ser\u00e1 monitorado?<\/h2>\n\n\n\n
Hora de monitorar o sistema de Machine Learning desenvolvimento. Grupo com apenas um bloco, como a Proposta de Valor, mas n\u00e3o menos importante que os demais.<\/p>\n\n\n\n
\n- Monitoramento<\/strong>: Quais M\u00e9tricas para quantificar a cria\u00e7\u00e3o de valor e medir o impacto do sistema de ML em produ\u00e7\u00e3o (nos usu\u00e1rios finais e nos neg\u00f3cios)?<\/li>\n<\/ul>\n\n\n\n
Conclus\u00f5es<\/h2>\n\n\n\n
O ML Canvas, ou Canvas de Aprendizado de M\u00e1quina, \u00e9 um modelo visual que o ajudar\u00e1 a refinar sua avalia\u00e7\u00e3o de viabilidade t\u00e9cnica e econ\u00f4mica do projeto, especificar os requisitos do seu sistema de ML e antecipar custos. Use-o de forma combinada <\/strong>com as demais t\u00e9cnicas e ferramentas para gest\u00e3o de projetos, como Cronogramas, Quadros Kanban, Canvas de Projeto e outras.<\/p>\n","protected":false},"excerpt":{"rendered":" 5 minutos<\/small> O Machine Learning Canvas, ou ML Canvas, \u00e9 uma abordagem visual criada por Louis Dorard para propor, planejar e desenhar aplica\u00e7\u00f5es de Machine Learning. O ML Canvas \u00e9 baseado no Business Generation de Alex Osterwalder e difundido pela Strategyzer. Qual a fun\u00e7\u00e3o do ML Canvas? Validar a viabilidade das suas ideias de casos de uso de Machine Learning j\u00e1 no come\u00e7o do projeto Melhorar a colabora\u00e7\u00e3o dentro da equipe que esteja alocada para execu\u00e7\u00e3o do projeto Antecipar problemas que, de outra forma, Continue<\/span>\u2192<\/a><\/p>\n","protected":false},"author":1,"featured_media":6019,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013"}],"collection":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/comments?post=6013"}],"version-history":[{"count":3,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013\/revisions"}],"predecessor-version":[{"id":6020,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013\/revisions\/6020"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/media\/6019"}],"wp:attachment":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/media?parent=6013"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/categories?post=6013"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/tags?post=6013"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Quais as premissas do ML Canvas?<\/strong><\/h2>\n\n\n\nDorard, ao propor a organiza\u00e7\u00e3o do projeto de Machine Learning em um Canvas, assumiu que os sistemas de Machine Learning s\u00e3o complexos. <\/strong>Definr o dado certo, no formato certo, dentro de um modelo bem escolhido e que seja capaz de realizar predi\u00e7\u00f5es de acordo com a especifica\u00e7\u00e3o inicial n\u00e3o \u00e9 um esfor\u00e7o trivial e a presen\u00e7a da incerteza contribuiu bastante para a complexidade.<\/p>\n\n\n\nUma outra preocupa\u00e7\u00e3o diz respento ao esfor\u00e7o necess\u00e1rio para avan\u00e7ar com qualquer iniciativa de Machine Learning. Como o esfor\u00e7o pode ser alto, n\u00e3o deve-se gastar tempo resolvendo problemas errados<\/strong>, ainda mais em cen\u00e1rios de projeto que existe a presen\u00e7a restri\u00e7\u00f5es de custos ou de recursos.<\/p>\n\n\n\nO ML Canvas \u00e9 uma abordagem visual que permite uma melhor conex\u00e3o entre as equipes de neg\u00f3cio<\/strong>, que tem preocupa\u00e7\u00f5es direcionadas ao uso efetivo do sistema a ser desenvolvido, e as equipes de desenvolvimento e implanta\u00e7\u00e3o deste mesmo sistema.<\/strong><\/p>\n\n\n\nPor fim, um cuidado presente na abordagem do ML Canvas \u00e9 o efetivo uso das predi\u00e7\u00f5es realizadas. Para Dorard, as predi\u00e7\u00f5es se tornam valiosas somente quando elas s\u00e3o usadas para a tomada de decis\u00f5es. <\/p>\n\n\n\n<\/figure>\n\n\n\nGrupos de Blocos do ML Canvas<\/h2>\n\n\n\n\n- Objetivo<\/strong>: Proposta de valor( Value Proposition )<\/li>\n\n\n\n
- Aprendizagem<\/strong>: Fontes de Dados (Data Sources), Cole\u00e7\u00f5a de Dados (Data Collection), Vari\u00e1veis (Features), Constru\u00e7\u00e3o do Modelo (Building Models)<\/li>\n\n\n\n
- Predi\u00e7\u00f5es<\/strong>: Tarefa de Predi\u00e7\u00e3o (Prediction Task), Decis\u00f5es( Decisions), Simua\u00e7\u00e3o de Impacto(Impact Simulation), Fazendo Predi\u00e7\u00f5es(Making Predictions)<\/li>\n\n\n\n
- Avalia\u00e7\u00e3o:<\/strong> Monitoring<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
Grupo: Objetivo – Qual a Proposta de Valor do Projeto?<\/h2>\n\n\n\n
Esse grupo \u00e9 o cora\u00e7\u00e3o do modelo. Dele vamos desdobrar os demais blocos. Basicamente devemos definir o que estamos tentando fazer, explicar a import\u00e2ncia e identificar quem ser\u00e1 o usu\u00e1rio final. Apesar de conter apenas um bloco, \u00e9 de suma import\u00e2ncia para o correto preenchimento dos demais blocos.<\/p>\n\n\n\n
\n- Proposta de Valor:<\/strong> Concentre-se no O qu\u00ea<\/strong> – O que estamos tentando fazer? Por qu\u00ea<\/strong> – Por qu\u00ea \u00e9 importante? Quem<\/strong> – Quem ir\u00e1 usar o projeto \/ usu\u00e1rio final? Quais s\u00e3o seus objetivos? Como eles se beneficiar\u00e3o do sistema de ML? Mencione o fluxo de trabalho\/interfaces.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
Grupo: Predi\u00e7\u00f5es – Qual a tarefa de ML e como vamos execut\u00e1-la?<\/h2>\n\n\n\n
O preenchimento desse grupo j\u00e1 necessita de algum conhecimento pr\u00e9vio superficial sobre Machine Learning, vamos l\u00e1!<\/p>\n\n\n\n
\n- ML task: <\/strong>Qual \u00e9 o tipo do problema (ex. classifica\u00e7\u00e3o, regress\u00e3o…), qual \u00e9 o input, e qual \u00e9 o output da predi\u00e7\u00e3o?\u00a0 Qual a entidade sobre a qual s\u00e3o feitas as previs\u00f5es? Quais os Resultados poss\u00edveis? <\/li>\n\n\n\n
- Decis\u00f5es:<\/strong> Como as predi\u00e7\u00f5es ser\u00e3o usadas para tomada de decis\u00f5es ou seja como as previs\u00f5es s\u00e3o transformadas em valor proposto para o usu\u00e1rio final?P<\/li>\n\n\n\n
- Fazendo<\/strong> Predi\u00e7\u00f5es:<\/strong> Quando fazer novas predi\u00e7\u00f5es? De quanto em quanto tempo?<\/li>\n\n\n\n
- Avalia\u00e7\u00e3o Offline: <\/strong>Quais m\u00e9todos e m\u00e9tricas devem ser usadas para avaliar as predi\u00e7\u00f5es antes do envio para produ\u00e7ao?\u00a0<\/li>\n<\/ul>\n\n\n\n
Grupo: Aprendizagem – Como vamos aprender?<\/h2>\n\n\n\n
Nesse grupo \u00e9 importante definir as fontes de dados, como os mesmos ser\u00e3o coletados, quais vari\u00e1veis ser\u00e3o consideradas:<\/p>\n\n\n\n
\n- Fontes de dados: <\/strong>Quais fontes de dados ser\u00e3o usadas (Internas e Externas). Onde podemos obter informa\u00e7\u00f5es (brutas) sobre entidades e resultados observados? Mencione tabelas de banco de dados, m\u00e9todos de API, sites para raspagem, etc.<\/li>\n\n\n\n
- Coletando os dados: <\/strong>Como obter novos dados para o modelo continuar aprendendo? Estrat\u00e9gia para conjunto de treinamento inicial e atualiza\u00e7\u00e3o cont\u00ednua.<\/li>\n\n\n\n
- Features (vari\u00e1veis): <\/strong>Quais as poss\u00edveis vari\u00e1veis podem ser importantes para resolver o problema proposto? Vari\u00e1veis s\u00e3o representa\u00e7\u00f5es de entrada dispon\u00edveis no momento da previs\u00e3o, extra\u00eddas de fontes de dados brutas.<\/li>\n\n\n\n
- Construindo o modelo: <\/strong>Quantos modelos de produ\u00e7\u00e3o s\u00e3o necess\u00e1rios? Quando dever\u00edamos atualizar? Tempo dispon\u00edvel para isso (incluindo cria\u00e7\u00e3o de caracter\u00edsticas e an\u00e1lise)?<\/li>\n<\/ul>\n\n\n\n
Grupo: Avalia\u00e7\u00e3o – Como o sistema ser\u00e1 monitorado?<\/h2>\n\n\n\n
Hora de monitorar o sistema de Machine Learning desenvolvimento. Grupo com apenas um bloco, como a Proposta de Valor, mas n\u00e3o menos importante que os demais.<\/p>\n\n\n\n
\n- Monitoramento<\/strong>: Quais M\u00e9tricas para quantificar a cria\u00e7\u00e3o de valor e medir o impacto do sistema de ML em produ\u00e7\u00e3o (nos usu\u00e1rios finais e nos neg\u00f3cios)?<\/li>\n<\/ul>\n\n\n\n
Conclus\u00f5es<\/h2>\n\n\n\n
O ML Canvas, ou Canvas de Aprendizado de M\u00e1quina, \u00e9 um modelo visual que o ajudar\u00e1 a refinar sua avalia\u00e7\u00e3o de viabilidade t\u00e9cnica e econ\u00f4mica do projeto, especificar os requisitos do seu sistema de ML e antecipar custos. Use-o de forma combinada <\/strong>com as demais t\u00e9cnicas e ferramentas para gest\u00e3o de projetos, como Cronogramas, Quadros Kanban, Canvas de Projeto e outras.<\/p>\n","protected":false},"excerpt":{"rendered":" 5 minutos<\/small> O Machine Learning Canvas, ou ML Canvas, \u00e9 uma abordagem visual criada por Louis Dorard para propor, planejar e desenhar aplica\u00e7\u00f5es de Machine Learning. O ML Canvas \u00e9 baseado no Business Generation de Alex Osterwalder e difundido pela Strategyzer. Qual a fun\u00e7\u00e3o do ML Canvas? Validar a viabilidade das suas ideias de casos de uso de Machine Learning j\u00e1 no come\u00e7o do projeto Melhorar a colabora\u00e7\u00e3o dentro da equipe que esteja alocada para execu\u00e7\u00e3o do projeto Antecipar problemas que, de outra forma, Continue<\/span>\u2192<\/a><\/p>\n","protected":false},"author":1,"featured_media":6019,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013"}],"collection":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/comments?post=6013"}],"version-history":[{"count":3,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013\/revisions"}],"predecessor-version":[{"id":6020,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013\/revisions\/6020"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/media\/6019"}],"wp:attachment":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/media?parent=6013"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/categories?post=6013"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/tags?post=6013"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Uma outra preocupa\u00e7\u00e3o diz respento ao esfor\u00e7o necess\u00e1rio para avan\u00e7ar com qualquer iniciativa de Machine Learning. Como o esfor\u00e7o pode ser alto, n\u00e3o deve-se gastar tempo resolvendo problemas errados<\/strong>, ainda mais em cen\u00e1rios de projeto que existe a presen\u00e7a restri\u00e7\u00f5es de custos ou de recursos.<\/p>\n\n\n\n O ML Canvas \u00e9 uma abordagem visual que permite uma melhor conex\u00e3o entre as equipes de neg\u00f3cio<\/strong>, que tem preocupa\u00e7\u00f5es direcionadas ao uso efetivo do sistema a ser desenvolvido, e as equipes de desenvolvimento e implanta\u00e7\u00e3o deste mesmo sistema.<\/strong><\/p>\n\n\n\n Por fim, um cuidado presente na abordagem do ML Canvas \u00e9 o efetivo uso das predi\u00e7\u00f5es realizadas. Para Dorard, as predi\u00e7\u00f5es se tornam valiosas somente quando elas s\u00e3o usadas para a tomada de decis\u00f5es. <\/p>\n\n\n\n <\/p>\n\n\n\n Esse grupo \u00e9 o cora\u00e7\u00e3o do modelo. Dele vamos desdobrar os demais blocos. Basicamente devemos definir o que estamos tentando fazer, explicar a import\u00e2ncia e identificar quem ser\u00e1 o usu\u00e1rio final. Apesar de conter apenas um bloco, \u00e9 de suma import\u00e2ncia para o correto preenchimento dos demais blocos.<\/p>\n\n\n\n <\/p>\n\n\n\n O preenchimento desse grupo j\u00e1 necessita de algum conhecimento pr\u00e9vio superficial sobre Machine Learning, vamos l\u00e1!<\/p>\n\n\n\n Nesse grupo \u00e9 importante definir as fontes de dados, como os mesmos ser\u00e3o coletados, quais vari\u00e1veis ser\u00e3o consideradas:<\/p>\n\n\n\n Hora de monitorar o sistema de Machine Learning desenvolvimento. Grupo com apenas um bloco, como a Proposta de Valor, mas n\u00e3o menos importante que os demais.<\/p>\n\n\n\n O ML Canvas, ou Canvas de Aprendizado de M\u00e1quina, \u00e9 um modelo visual que o ajudar\u00e1 a refinar sua avalia\u00e7\u00e3o de viabilidade t\u00e9cnica e econ\u00f4mica do projeto, especificar os requisitos do seu sistema de ML e antecipar custos. Use-o de forma combinada <\/strong>com as demais t\u00e9cnicas e ferramentas para gest\u00e3o de projetos, como Cronogramas, Quadros Kanban, Canvas de Projeto e outras.<\/p>\n","protected":false},"excerpt":{"rendered":" 5 minutos<\/small> O Machine Learning Canvas, ou ML Canvas, \u00e9 uma abordagem visual criada por Louis Dorard para propor, planejar e desenhar aplica\u00e7\u00f5es de Machine Learning. O ML Canvas \u00e9 baseado no Business Generation de Alex Osterwalder e difundido pela Strategyzer. Qual a fun\u00e7\u00e3o do ML Canvas? Validar a viabilidade das suas ideias de casos de uso de Machine Learning j\u00e1 no come\u00e7o do projeto Melhorar a colabora\u00e7\u00e3o dentro da equipe que esteja alocada para execu\u00e7\u00e3o do projeto Antecipar problemas que, de outra forma, Continue<\/span>\u2192<\/a><\/p>\n","protected":false},"author":1,"featured_media":6019,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013"}],"collection":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/comments?post=6013"}],"version-history":[{"count":3,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013\/revisions"}],"predecessor-version":[{"id":6020,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/posts\/6013\/revisions\/6020"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/media\/6019"}],"wp:attachment":[{"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/media?parent=6013"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/categories?post=6013"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.netproject.com.br\/blog\/wp-json\/wp\/v2\/tags?post=6013"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}<\/figure>\n\n\n\nGrupos de Blocos do ML Canvas<\/h2>\n\n\n\n
\n
Grupo: Objetivo – Qual a Proposta de Valor do Projeto?<\/h2>\n\n\n\n
\n
Grupo: Predi\u00e7\u00f5es – Qual a tarefa de ML e como vamos execut\u00e1-la?<\/h2>\n\n\n\n
\n
Grupo: Aprendizagem – Como vamos aprender?<\/h2>\n\n\n\n
\n
Grupo: Avalia\u00e7\u00e3o – Como o sistema ser\u00e1 monitorado?<\/h2>\n\n\n\n
\n
Conclus\u00f5es<\/h2>\n\n\n\n