Especificação da Pespectiva
Perspectiva de objetivos de ML
Um bom sistema de software habilitado em ML conecta as saídas do modelo com experiência para alcançar os resultados desejados
Conheça o cliente
- Qual é o problema para o qual o ML é direcionado?
Classificação automática de um cliente para saber se o cliente irá pagar um empréstimo e decidir sobre a sua concessão
- Qual é o contexto em que o sistema habilitado em ML vai operar?
Começa na Jornada "Concessão de credito" e continua na jornada "Acompanhar situação do Cliente".Com base na classificação do cliente informada pelo aplicativo ao Gerente, decidirá a concessão de novos empréstimos ou renogociação.
Defina os objetivos do sistema habilitado em ML.
- Como ML contribuirá para atingir os objetivos organizacionais?
Reduzindo o número de inadiplencia 3 meses após a concessão do emprestimo de 20% para 10%.
- Quais métricas de desempenho do modelo serão usadas para medir a qualidade das predições do modelo?
Quantidadede clientes inadiplentes após 3 meses da concessão de emprestimo. Quantidade total de clientes que pediram empréstimos.
- Quais objetivos do usuário medirão o sucesso do sistema habilitado em ML? (Exemplo: se o seu sistema é sobre ajudar os usuários a encontrar conteúdo que eles gostam, então eles estão encontrando conteúdo que acabam gostando?)
A inadiplência reduziu de 20% para 10%?
Defina os indicadores de sucesso do sistema habilitado em ML
- Quais indicadores de sucesso medirão o sucesso do sistema habilitado em ML? (por exemplo, sentimento do usuário, envolvimento do usuário).
Número de inandiplentes após 3 meses= Quantidade de clentes Inadiplentes após 3 meses / Quantidade total de clentes.
Defina a funcionalidade de ML
- Qual é a funcionalidade de ML?.
Classificação automática na concessão.
Defina o balance das expectativas do cliente
- Qual tipo de características de ML deverão ser priorizadas / compensadas? (por exemplo: um falso positivo é melhor do que um falso negativo? É melhor perder precisão que ganhar desempenho?)
1.Fairness/Ética 2.Explicabilidade 3.Qualidade dos dados 4.Acuracia 5. Desempenho.