Ein Stakeholder fordert ein Machine-Learning-Modell, du glaubst aber, eine einfache Regel täte es auch. Wie gehst du damit um?

Einigt euch zuerst auf die Entscheidung und die Erfolgsmetrik, dann schlag die Regel als Baseline vor, die das Modell schlagen muss. Bau die Heuristik in ein, zwei Tagen, miss sie und zeig die Zahl. Schlägt ein Modell sie deutlich genug, um den Wartungsaufwand zu rechtfertigen, bau das Modell. Wenn nicht, hast du in einer Woche Wert geliefert und die Option offen gehalten.

Ich würde nicht darüber streiten, ob es Machine Learning braucht, denn das ist ein Streit über Geschmack. Ich würde fragen, welche Entscheidung das treibt und woran wir merken, dass es funktioniert. Dann würde ich sagen: Machen wir die Regel zur Baseline. Gib mir zwei Tage, ich baue die Heuristik, wir messen sie an derselben Metrik, und wenn ein Modell sie deutlich genug schlägt, baue ich das Modell gern. Damit wird aus meinem Nein ein gemeinsamer Test. Genau das habe ich bei einer Lead-Scoring-Anfrage gemacht. Die Regel waren drei Bedingungen zu Unternehmensgröße, Seitenaufrufen und Demo-Anfragen. Sie hat den Großteil des erreichbaren Lifts eingefangen, und die Gradient-Boosted-Version, die ich danach gebaut habe, hat ein paar Punkte Precision draufgelegt. Das Team hat das gegen die Kosten einer Retraining-Pipeline, Monitoring und einer verantwortlichen Person abgewogen und sich für ein Jahr für die Regel entschieden. Sie ging in einer Woche live statt in einem Quartal. Ich weise außerdem darauf hin, dass ein Modell eine dauerhafte Verpflichtung ist: Es driftet, es braucht Monitoring, jemand wird nachts angepiept. Eine Regel nicht.