Eine der besten Praktiken, die wir von großartigen Ingenieuren kennen, ist die "Back-of-the-envelope"-Kalkulation, um Kosten und Ressourcen abzuschätzen. Machine Learning Engineering würde von einer solchen "Back-of-the-envelope"-Kalkulation enorm profitieren. Denn wir müssen – so kostengünstig wie möglich – sicherstellen, dass unser zukünftiges ML-Projekt lohnenswert ist, dass es einen Mehrwert bringt und dass die Kosten und Ressourcen transparent und somit abschätzbar sind.

In diesem Vortrag stelle ich ein Design-Toolkit für ML-Projekte vor, um ein solches Prototyping mithilfe von drei Canvas-Typen durchzuführen: Machine Learning Canvas, Data Landscape Canvas und MLOps Stack Canvas.