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務計劃需要耐心、準備以及毅力。各種組織都在為各行業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、自主系統、會話系統、超個性化活動和目標驅動系統。每一個項目都有一個共同點：它們都基于對業務問題的理解，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盟開發了跨行業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迭代方法。該方法從業務理解和數據理解之間的迭代循環開始。接下來是數據準備和數據建模之間的迭代循環的切換，然后是評估階段，它將結果分解到部署和業務理解。這種循環的、迭代的循環導致了連續的數據建模、準備和評估。但跨行業的數據挖掘標準流程（CRISP－DM）的進一步開發似乎已經停滯在近 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添加了更多細節，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。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，以滿足認知項目的特定需求。