組織構建一個可行的、可靠的、敏捷的機器學習模型來簡化操作和支持其業(yè)務計劃需要耐心、準備以及毅力。各種組織都在為各行業(yè)中的眾多應用實施人工智能項目。這些應用包括預測分析、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)務問題的理解，并且數據和機器學習算法必須應用于解決問題，從而構建一個能夠滿足項目需求的機器學習模型。部署和管理機器學習項目通常遵循相同的模式。然而，現有的應用程序開發(fā)方法并不適用，因為人工智能項目是由數據驅動的，而不是編程代碼。學習來源于數據，因此正確的機器學習方法源于以數據為中心的需求，并產生專注于數據發(fā)現、清理、培訓、模型構建和迭代階段的項目。對于許多組織來說，機器學習模型開發(fā)是一項新活動，但是在某種程度上已經建立了以數據為中心的項目構建方法。大約 25 年前，一個由五家供應商組成的聯(lián)盟開發(fā)了跨行業(yè)的數據挖掘標準流程（CRISP－DM），該流程專注于數據挖掘項目中各種數據密集型步驟的連續(xù)迭代方法。該方法從業(yè)務理解和數據理解之間的迭代循環(huán)開始。接下來是數據準備和數據建模之間的迭代循環(huán)的切換，然后是評估階段，它將結果分解到部署和業(yè)務理解。這種循環(huán)的、迭代的循環(huán)導致了連續(xù)的數據建模、準備和評估。但跨行業(yè)的數據挖掘標準流程（CRISP－DM）的進一步開發(fā)似乎已經停滯在近 20 年前完全生產的 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，這些變體為數據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習項目而受到質疑。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，并且可以在具有現有敏捷開發(fā)團隊和數據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據科學團隊的學習，因此采用了一種更強大、更靈活的分步方法來進行機器學習模型開發(fā)，以滿足認知項目的特定需求。