广州市福利彩票中心电话号码|永川区福利彩票中心

如何設計和管理AI產品?

幾遇多歡 2019-11-26 16:39

編者按:本文來自“人人都是產品經理”(公眾號ID:woshipm),作者:Bastiane,找邦企頭條經授權發布。

在《AI 開發指南:機器學習產品是什么?》文章當中,我們討論了管理AI產品所需要的基礎認識和挑戰。

對產品經理(PM)來說,AI或ML(機器學習)產品管理比一般軟件更具挑戰性,因為它涉及更多的不確定性。不僅需要技術上的改變,還需要組織上的改變。

簡單舉例說明,如果你想教機器識別貓。

透過軟件工程,你可能會列出像是「一只貓有四條腿和兩個尖尖的耳朵」這樣的規則。規則越明確,越完整越好,因為機器必須依賴這些規則來做出判斷。

相反,如果你使用深度學習,要做的就不是提供明確的規則。而是要為機器提供一堆照片(事先標記好哪些是貓,哪些不是),然后建立ML模型或神經網絡,讓機器自行學習,摸索出規則。

如何設計和管理AI產品?

(source: IBM Research Blog)

你和你的團隊要做的是:定義問題,準備數據,建立機器學習模型,反復測試和調整,直到你擁有可以提供所需結果的模型為止。

正因為開發ML產品需要更多的反復試驗,作為一個PM,你需要給工程師和數據科學家更多的空間和時間去探索。

但是你如何幫助你的團隊應對不確定性?如何在明確定義問題和衡量成功標準的同時,又給團隊足夠彈性進行實驗探索?

以下這幾件事很重要:

一、規劃:從明確定義問題開始

ML是一種工具,是達到目標的方法之一。如果你要解決的問題不需要ML,就不應該使用ML。

我們要從確定問題開始:找到有市場需求,技術上可行的客戶痛點。先進行市場評估,找出客戶需求,接下來則是判斷ML是否可以幫助我們解決用戶的問題。

機器學習有許多可能的應用,但原則上,機器學習最適合用來進行決策或預測。

我們可以將ML應用分為幾種類型:

  • 檢測/檢查(detection/inspection):幫助用戶識別缺陷或異常,例如銀行或保險的欺詐檢測,或生產在線的產品缺陷檢測。

  • 模式識別(pattern recognition):幫助用戶篩選大量數據。包括推薦,排序,個人化,分類,預測維護,以及人機互動;例如針對Alexa或Google Home等智能音箱進行自然語言處理(NLP)。

  • 高維認知(high dimension cognition):幫助用戶篩選,處理大量高維感官數據。例如:人工智能機器人、自動駕駛汽車

在以下情況下,你應該避免在產品中使用機器學習:

  • 可以用更簡單的規則解決問題。

  • 正在構建的解決方案不需要因應新數據而改變。

  • 無法取得訓練ML模型所需的數據。

  • 產品要求高精度,不能容許任何一點出錯。

  • 產品需要信息完全透明。

找到正確的問題后,下一個重要任務就是明確定義需求。

開發ML產品是一個需要迅速迭代(iterative)的過程,常會聽到有人說「我們先建一個ML模型,再看看結果如何」。但如果跳過了「事前計劃」和「定義問題」的步驟,最后可能反而會浪費整個團隊大量的時間,而得不到具體結果。

二、定義「目標函數」和「指針」,保留更多空間和彈性

ML產品不需要我們事先編寫規則,而是由機器自動從大量的數據中分析規則。

與一般的軟件工程相比,它更具實驗性及不確定性,所以很難預測哪些方法有效、哪些無效。這就是為什么在決定最終解決方案之前,必須給工程師和數據科學家更多的空間和時間去探索。

作為產品經理,你可以藉由以下方法,幫助團隊在廣泛的探索過程中保持專注:

定義一個目標函數(objective function)

你的ML模型試圖預測的期望結果是什么?或者你還在嘗試辨識出數據中的固定模式?有什么「已知事實」(ground truth)可以用來比較模型的結果、并判斷準確性?

例如,你設計了一個模型來預測天氣,就可以比較預測結果與實際天氣數據,來驗證模型的性能。

定義性能指針(performance metrics)

如何衡量產品的成敗?設置驗收標準并不總是那么容易。你會如何比較「翻譯模型」和「人工翻譯」的準確度?

有時需要先查看模型的初步結果,才能確定標準為何;但最重要的,是盡早開始思考測試標準、并且不斷測試模型,直到找出預測結果令人滿意的ML模型為止。

盡早并頻繁地測試ML模型(end to end testing)

你可以將ML模型看作一個黑盒子;定義模型的輸入和輸出,但不一定了解盒子里的神經網絡如何運作,這就是為什么盡早、并且盡可能頻繁測試很重要。

從簡單的原型(prototype)開始測試關鍵功能,然后進行修改。重點是盡量避免在驗證好模型的關鍵功能前,就試圖建構太復雜的解決方案。

但需要注意的是,模型本身的準確性通常并不是最好的衡量標準。

我們必須同時考慮測量精確度Precision(true positives/all positive predictions)和召回率Recall(positive predictions/all true positives);精確度是「多少個選定項目的相關性」,而召回率則是「選定多少個相關項目的相關性」 。

這沒有適用于所有情況的經驗法則,所以你需要根據用戶的案例來決定權衡。

三、從第一天就開始規劃你的數據策略

訓練ML模型需要大量高質量的數據,在使用大量數據進行訓練時,深度學習的性能會優于舊的算法。因此,從第一天就開始計劃取得數據的策略和途徑就非常重要。

數據可以來自購買、與其他公司合作、從客戶那里收集、在內部生成、或是雇用第三方來生成或標記數據。同時,你也需要考慮競爭對手在做什么、客戶和監管機構在想什么、以及每種策略的相應可行性和成本。

擬定數據策略的責任不在于數據科學家,而在于產品經理,而且公司高層也需要經過清楚定義的競爭策略。

如果你是一家新創公司,更需要三思而后行:你想進入的市場,是否有產業巨頭掌握了大多數數據?

你可能不想在電子商務上與Amazon競爭、或是在位置數據方面與Google地圖匹敵。所以,你必須找到目前還沒有一家公司能主導客戶數據的藍海市場。

你是否能夠建立可防御且可持續的數據管道(data pipeline)?如何遵守用戶的隱私政策?如果你的公司在歐盟和其他數據保護法規范圍內營運,則必須熟悉GDPR(通用數據保護法規)的規定。

例如,根據GDPR,公司需要確保個人資料不僅是合法收集的,而且要防止他人濫用。 因此,作為PM,你需要從產品開發的早期階段就考慮數據保護措施。

PM必須與ML團隊討論,以確定未來需要什么數據、需要多少數據;同時,也必須讓法務和營運部門等其他相關單位參與。

為機器人和自動駕駛汽車等現實世界應用開發ML產品,帶來了更大的挑戰;所以必須充分利用仿真(simulation)方法、并且注意相關研究領域,包括轉移學習(Transfer Learning)和元學習(Meta Learning),以降低對大量數據的需求、并加快模型訓練過程。

四、不能只考慮ML

構建ML產品的過程,其實是跨領域的;而且在大多數情況下,我們開發的并不只是ML模型而已。

為了做出完整、可立即投入生產的產品,我們還需要用戶接口(UI)、執行模型預測的軟件、以及硬件的搭配組合。

如果過度專注于ML模型上,而忽略了用戶體驗(UX),產品就不會成功。你需要一個不僅包括ML工程師和數據科學家,還包括數據工程師、軟件工程師、UI/UX設計專家和硬件工程師的跨領域的團隊。此外,還需要與后端工程師合作,以打造出支持ML產品的基礎結構。

作為PM,必須盡量減少不同職能或團隊之間的相互依賴和沖突。如前所述,ML的性質與一般軟件開發完全不同,因此在組織上也應該有所改變。

例如,雖然每日的站立會議(stand-up meetings)可能有助于保持軟件工程團隊的生產力,但對于ML團隊而言,這可能不是最好的時間利用方式。

所以,ML開發不僅僅是技術上的改變,還牽涉到組織變革。

作為產品經理,你可以幫助其他團隊了解ML產品在本質上的不同、并協助解決潛在的沖突。

PM與內部團隊和客戶的溝通也很重要。ML產品的性能,會隨著時間的推移而提高。

但這也代表著,客戶可能無法在一開始就獲得最好的結果——用戶可以接受這一點嗎?

如何減輕用戶的風險、并保證可接受的最低性能?如何設計產品,以降低不確定性、并獲得最好的使用體驗?

五、投資ML產品的理由

改善用戶體驗或產品功能

ML可以用來讓產品更個人化、或是客制化;例如讓用戶更容易找到最相關的結果,或是應用ML來提高預測的準確性。 這些都是對公司內部或外部用戶(客戶)潛在需求應用的考慮。

將流程或重復性任務自動化

公司同仁或客戶是否需要重復執行一些可以自動化的流程?透過自動執行重復性工作,可以節省時間、成本、資源,甚至創造更好的使用體驗。如果流程太復雜,是否可以將部分流程自動化、或幫助用戶更有效率地完成工作?Gmail的「Smart Compose」(字句建議)是一個很好的例子:現在,Gmail可以自動幫用戶完成句子,不需要每次都手動輸入「你好」這類重復的單詞或句子。

開創新的商機

是否有新的商機或用戶問題,是以往無法解決、但現在可以用ML完成的?例如在倉庫中,貨物分揀通常需要人工完成,因為很難幫機器手臂編寫程序,讓它們識別和處理數百萬種產品。但是有了ML,機器人可以在最少的人工幫助下,自行學會識別各種物體。ML與人工智能的這種能力,為倉庫機器人打開了龐大的商機。

六、有些好的PM直覺反而不適用于ML產品

有時管理軟件產品的方法不一定適用于ML產品。

我常會提醒自己以下幾點:

  • 必須清楚認知開發ML和軟件產品之間的區別,要讓單一組織流程適用于所有產品,是不太可能的;必要的時候,你必須調整產品計劃流程(sprint planning)、產品藍圖、甚至整個組織。

  • 不需要太詳細列出產品需求書(Product Requirement Document)上的所有需求,而要著重于定義目標功能和衡量標準,讓ML團隊有更多探索和試驗的空間。

  • 與其在開發過程開始時向ML團隊詢問可能結果,不如與團隊密切合作,盡早開發和測試產品原型。

  • ML只是方法之一,并不一定非用不可。

七、總結

關于管理AI產品,我認為最重要的幾件事包括:

  • ML產品管理比一般軟件更具挑戰性,因為它涉及更多的不確定;不僅需要技術上的改變,還需要組織上的改變。

  • ML最適合用于協助決策或預測。

  • ML產品經理最重要的工作:明確定義問題,確定需求,設定衡量成功的標準,并為ML工程師提供足夠的空間和時間探索解決方案。

  • 從第一天就開始計劃數據策略。

  • 構建ML產品是跨領域的,牽涉到的職能并不只是機器學習而已。

作者:Bastiane Huang,擁有近10年產品及市場開發管理經驗,目前在舊金山擔任 AI/Robotics新創公司產品經理,專注于開發機器學習軟件,用于機器人視覺和控制。

封面圖來自pexels

聲明:以上文章或轉稿中文字或圖片涉及版權等問題,請作者在及時聯系本站,我們會盡快和您對接處理。

公司注冊流程_3天快速公司注冊_無地址注冊公司費用 廣告
相關推薦

Copyright ? 2019 找邦企版權所有:廈門奇兔網絡科技有限公司

網站:http://www.yfqagv.tw

地址:廈門市湖里區高新技術園紅豆杉科技大廈A棟9D室

備案號:閩ICP備19005698號

广州市福利彩票中心电话号码 出彩速配 一本道丝袜av快播 俊升配资 mba考试科目及题型 展鹏配资 上证上证新浪财经 股票行情大盘走势湖南黄金 嘉盛投资 内蒙古快三 南宁专业股票配资 上海时时彩 浙江11选5 日本sm恋足 4场进球 同花顺开放接口api 电竞比分网