為什麼管理機器學習（ML）産品比一般軟件困難？ 「實驗」是關鍵！

關于管理AI産品，我認為最重要的幾件事：

1. 機器學習（ML）産品管理比一般軟件更具挑戰性，因為它涉及更多的不确定性。 不僅需要技術上的改變，還需要組織上的改變。
2. ML最适合做出決策或預測。
3. ML産品經理最重要的工作：明确定義問題，确定需求，設定衡量成功的标準，并為ML工程師提供足夠的空間和時間探索解決方案。
4. 從第一天就開始計劃數據策略（Data Strategy）。
5. 構建ML産品是跨領域的，不隻是數據科學。

在《AI重新定義機器人》文章中，我提到了ML帶來的最大不同是：

讓機器從依賴人工編寫程序，轉向真正的自主學習。

機器不需要人工指示，而是自行根據數據中識别出的模式，進行預測和改進。 這就是為什麼ML特别适用于那些，以往難以明确解釋定義的問題。 這也代表ML可以使你的産品更個人化，更自動化，和更精确。

先進的算法，大數據，和硬件價格下降，成為ML成長的主要驅動力。

AI已在各個領域逐漸被采用。麥肯錫（Mckinsey）最近的報告中顯示，近一半的公司在其研發流程中整合了AI，另外有30％的公司正在試驗AI項目。

不難看出為什麼，許多人預期ML将比移動技術帶來更巨大的産業變革。但是，與此同時，公司引進ML的難度，也可能比當年采用移動技術更高數倍以上。 為什麼呢？ 在讨論具體原因之前，讓我們先一起聊聊什麼是ML。

機器學習（ML）三大類型：監督學習、無監督學習、強化學習

AI人工智能并沒有一個普遍被認同的定義，而且它的定義不斷在改變。 一旦某項任務能夠成功被機器執行，該任務就不再屬于AI的範圍。

ML是AI的一部分。 Carnegie Mellon大學教授湯姆· 米切爾（Tom M.Mitchell）将機器學習定義為對一種，「允許程序根據經驗自動進行改進」的算法。

機器學習有三種主要類型：

1. 監督學習（Supervised Learning）：最常見和最被廣泛使用的類型。 這些算法從被事先标記好的數據（labeled data）中學習，大多時候被用以預測結果。 例如，給予機器大量标記好的動物圖片，讓機器學習判斷貓和狗。
2. 無監督學習（Unsupervised Learning）：無監督學習算法不需要事先标示，而是直接從數據學習判讀模式。 它可以用于聚類（clustering），關聯（association） 和異常檢測（anomaly detection）問題。 另外還有半監督學習，是監督學習與非監督學習之間的混合體。
3. 強化學習（Reinforcement Learning）：算法藉由得到環境中的反饋而學習。 RL通常用于機器人技術，或自動駕駛汽車等控制領域。 例如将目标函數（Objective Funcion）設定為「成功從A點移動到B點」，每次機器人成功到達B點，就會得到正面響應（reward），一直到重複直到機器人學會執行這項任務為止。

機器學習産品的類型

根據産品的類型和核心價值的來源，你将需要不同技能，并且專注于産品的不同面向。

用戶是企業，還是一般消費者？

像Alexa或Google Assistant這樣的消費性ML産品，具有更強的社交互動成分。因此，用戶體驗（User Experience）在設計消費類ML産品中扮演着極關鍵的角色，而ML技術則往往是達成更好用戶體驗的方式之一。

例如，NLP（自然語言處理）被用于達成Alexa及用戶之間更自然的溝通。 另一方面，B2B的ML産品對應的是企業，甚至是工業用戶（例如用于預測工廠儀器維護時程的算法），其核心價值往往來自預測的準确性，而非UX。

這并不是說UX對面向企業的ML産品不重要。 而是，當你的資源有限，并且需要集中精力優化産品的某些部分時，就需要考慮這個問題。

你要設計的是ML産品？ 或是将ML應用到你的産品中？

如果你産品的核心價值來自ML模型，那麼你很可能正在設計一個ML産品。 相反的，如果ML僅用于增強産品的用戶體驗或部分性能，那麼你很可能正在将ML應用于産品上。

在第二種情況下，身為産品經理，你不應該花太多時間顧慮技術細節；像是「ML模型是以CNN（卷積神經網絡）還是R-CNN為基礎」，而是應該花時間了解模型的輸入（input）和輸出（output）。

舉例來說，你要使用的這個ML模型，采用用戶的人口統計數據（input）來預測用戶在平台上的每月支出（output）？ 另一方面，設計ML産品通常需要PM具備更高的技術能力，以幫助團隊确定關鍵決策和權衡取舍。

産品類型也會影響組織結構。 對于研發機器學習産品的公司，或像Facebook和Google這類在ML上投入大量資金的的大型公司，通常會雇用機器學習研究人員或數據科學家，并将他們與機器學習工程師組成團隊。

相反的，對于想将ML應用于其産品的公司，或資源有限的小型公司，最好的策略是雇用跨領域的ML工程師，或培訓軟件工程師學習ML，而不是雇用ML研究人員。

構建ML産品通常是跨領域的

研發機器學習産品很少會隻涉及ML。 它通常是跨領域的，不僅涉及ML模型設計及訓練，還涉及軟件工程，後端結構，數據分析，UX / UI設計，甚至是軟硬件整合等等。

産品經理需要能夠管理跨職能的團隊，并處理團隊之間的相互依賴和潛在沖突。 ML從根本上不同于其他學科，這點會在下一段進一步說明。 如果你要設計和現實世界互動的ML産品（例如機器人技術或自動駕駛汽車），情況将變得更加複雜。

PM需要知道使用ML可以做什麼，和不能做什麼，何時應該使用ML和何時不應該使用ML。

其他需要理解的關鍵ML概念

過拟合（Overfit）

是一種常見的錯誤類型，當機器學習模型過于匹配特定的數據集時發生。 可靠的ML模型不僅在「訓練數據集」（training dataset），也在「驗證數據集」（validation dataset）上表現良好。 但是，在過拟合的情況下，訓練數據的表現會變好，但對于沒有看過的，驗證數據的表現卻反而會變差。

深度學習（Deep Learning）

主要用于圖像分類。 DL使用深度神經網絡，并以卷标圖像作為輸入。 神經網絡的每一層，都會将輸入轉換為稍微抽象和複合的表示形式。 最終，模型将能學會識别圖像中的内容。

自然語言處理（Natural Language Processing）

這是計算機科學中的一個領域，目的是使機器可以理解人類語言，但不一定涉及ML。 NLP通常用于聊天機器人、語音助手、或是預處理數據。

管理機器學習産品的挑戰

實驗是機器學習的關鍵部分

ML也會用到程序代碼和數據，但若因此就認為ML與軟件工程本質相同，那就大錯特錯了。

與軟件工程不同，開發ML産品需要進行更多的實驗，涉及更多的不确定性和可變性。 軟件工程是一個為機器編寫規則的确定性過程，而機器學習則具有更高的機率性，因為它可以自行學習，而不需要我們來編寫規則。

例如，如果你想教機器識别貓。 透過軟件工程，你可能會想出「一隻貓有四隻腿和兩個尖尖的耳朵」這樣的明确規則。

但如果使用深度學習，要做的就不是提供明确的規則。

而是為機器提供一堆貓的照片（事先标記好這些是貓的圖像），然後讓機器自行學習，摸索出規則。

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，測試和叠代，直到你擁有可以提供所需結果的模型為止。

這就是為什麼在開發ML産品時通常需要承擔更多的風險。 對于産品經理而言，重要的是要幫團隊建立正确的期望，以避免團隊之間可能發生的沖突。

例如，軟件工程師可能會覺得，ML團隊沒有給他們足夠明确的需求。 但這并不一定是ML團隊的問題，在實驗階段，就連ML團隊也很難預測最後模型的表現是好是壞。 這時讓其他團隊了解ML産品的實驗本質就很重要。

讓工程師與研究人員，數據科學家緊密合作也很重要，這樣他們才能彼此平衡，不讓産品研究失焦。 更重要的是，最好早點開發出可供測試的産品，定期測試，以确保ML團隊所用的算法與産品目标一緻。

開發ML是一個高度叠代的（iterative）過程

正如前面提到的，ML非常适合解決人類無法明确定義的複雜問題。 模型需要訓練，測試和調整。 通常，數據科學家在選擇令人滿意的方法之前，必須先測試好幾種方法。 這就是為什麼通常很難定義ML産品的裡程碑和時間表。

也因此，對于産品經理來說，明确定義需求，設定産品成功标準，并确保團隊經常根據所需标準來測試ML模型，都是相當重要的。

除技術挑戰外，還有更多的組織結構挑戰

因為ML與軟件工程本質截然不同，所以更需要進行一些根本性的組織變革：例如尊重實驗文化，數據分析驅動的思維方式，以及對不确定性的包容。

如果将機器學習視為純粹的技術問題，而忽略了相關的組織變革，公司很可能會面臨所謂「創新者的困境」（The Innovator’s Dilemma）。 這對機器人制造商等硬件公司來說尤其具有挑戰，因為它們對于過去一直追求高精度，然而，ML雖然會随着數據增加而進步，卻通常無法在一開始就達到100%精準。 此外，機器學習産品需要大量的數據，所以業者必須建立自己的數據管道和基礎架構，以支持ML産品的擴展。 對大多數的公司來說，這也是一個全新的課題。

機器學習仍然是一個新領域，并且會不斷發展

「軟件工程」一詞最早于1965年出現，也就是程序語言出現15年後。 大約20年後，軟件工程學院才成立，以管理軟件工程開發流程。 今天，我們已經找到了軟件工程的最佳實踐（best practice）。

反觀機器學習，在1990年才開始作為一個單獨的領域而蓬勃發展。 深度學習是ML的一部分，它在圖像識别和NLP等領域創造了新的記錄，但直到2012年AlexNet出現之後，才被大衆廣泛讨論。

與軟件工程相比，ML仍處于起步階段，因此仍缺乏行業标準，衡量指針，基礎架構和開發工具。 因此，相關企業仍在探索最佳作法和熱門應用。

機器學習産品的可解釋性和透明度

機器學習算法就像一個黑盒子，它接受輸入（例如圖像）并輸出預測（例如圖像中的人物是什麼）。 這使得産品經理很難解釋ML模型是如何運作的，也很難從用戶和相關單位得到全面支持。

尤其是在醫療保健等關鍵領域，責任歸屬和信息透明度至關重要。 在沒有清楚地了解算法實際工作原理的情況下，确保ML模型與産品目标之間的一緻性是一項艱巨的挑戰。

面對這些挑戰，我們應該如何管理機器學習産品？ 在第二部分中，我将分享我所學習到的最佳作法。

作者：Bastiane Huang。目前在舊金山擔任 AI/Robotics新創公司産品經理，專注于開發機器學習軟件，用于機器人視覺和控制。

本文由@Bastiane 原創發布于人人都是産品經理，未經許可，禁止轉載

題圖來自Unsplash，基于 CC0 協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部