編者按：本文來自“人人都是產(chǎn)品經(jīng)理”（公眾號(hào)ID：woshipm），作者：Bastiane，36氪經(jīng)授權(quán)發(fā)布。

在《AI 開發(fā)指南：機(jī)器學(xué)習(xí)產(chǎn)品是什么？》文章當(dāng)中，我們討論了管理AI產(chǎn)品所需要的基礎(chǔ)認(rèn)識(shí)和挑戰(zhàn)。

對(duì)產(chǎn)品經(jīng)理(PM)來說，AI或ML(機(jī)器學(xué)習(xí))產(chǎn)品管理比一般軟件更具挑戰(zhàn)性，因?yàn)樗婕案嗟牟淮_定性。不僅需要技術(shù)上的改變，還需要組織上的改變。

簡(jiǎn)單舉例說明，如果你想教機(jī)器識(shí)別貓。

透過軟件工程，你可能會(huì)列出像是「一只貓有四條腿和兩個(gè)尖尖的耳朵」這樣的規(guī)則。規(guī)則越明確，越完整越好，因?yàn)闄C(jī)器必須依賴這些規(guī)則來做出判斷。

相反，如果你使用深度學(xué)習(xí)，要做的就不是提供明確的規(guī)則。而是要為機(jī)器提供一堆照片（事先標(biāo)記好哪些是貓，哪些不是），然后建立ML模型或神經(jīng)網(wǎng)絡(luò)，讓機(jī)器自行學(xué)習(xí)，摸索出規(guī)則。

（source: IBM Research Blog）

你和你的團(tuán)隊(duì)要做的是：定義問題，準(zhǔn)備數(shù)據(jù)，建立機(jī)器學(xué)習(xí)模型，反復(fù)測(cè)試和調(diào)整，直到你擁有可以提供所需結(jié)果的模型為止。

正因?yàn)殚_發(fā)ML產(chǎn)品需要更多的反復(fù)試驗(yàn)，作為一個(gè)PM，你需要給工程師和數(shù)據(jù)科學(xué)家更多的空間和時(shí)間去探索。

但是你如何幫助你的團(tuán)隊(duì)?wèi)?yīng)對(duì)不確定性？如何在明確定義問題和衡量成功標(biāo)準(zhǔn)的同時(shí)，又給團(tuán)隊(duì)足夠彈性進(jìn)行實(shí)驗(yàn)探索？

以下這幾件事很重要：

一、規(guī)劃：從明確定義問題開始

ML是一種工具，是達(dá)到目標(biāo)的方法之一。如果你要解決的問題不需要ML，就不應(yīng)該使用ML。

我們要從確定問題開始：找到有市場(chǎng)需求，技術(shù)上可行的客戶痛點(diǎn)。先進(jìn)行市場(chǎng)評(píng)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(jī)器學(xué)習(xí)有許多可能的應(yīng)用，但原則上，機(jī)器學(xué)習(xí)最適合用來進(jìn)行決策或預(yù)測(cè)。

我們可以將ML應(yīng)用分為幾種類型：

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

• 模式識(shí)別（pattern recognition）：幫助用戶篩選大量數(shù)據(jù)。包括推薦，排序，個(gè)人化，分類，預(yù)測(cè)維護(hù)，以及人機(jī)互動(dòng)；例如針對(duì)Alexa或Google Home等智能音箱進(jìn)行自然語言處理（NLP）。

• 高維認(rèn)知（high dimension cognition）：幫助用戶篩選，處理大量高維感官數(shù)據(jù)。例如：人工智能機(jī)器人、自動(dòng)駕駛汽車。

在以下情況下，你應(yīng)該避免在產(chǎn)品中使用機(jī)器學(xué)習(xí)：

• 可以用更簡(jiǎn)單的規(guī)則解決問題。

• 正在構(gòu)建的解決方案不需要因應(yīng)新數(shù)據(jù)而改變。

• 無法取得訓(xùn)練ML模型所需的數(shù)據(jù)。

• 產(chǎn)品要求高精度，不能容許任何一點(diǎn)出錯(cuò)。

• 產(chǎn)品需要信息完全透明。

找到正確的問題后，下一個(gè)重要任務(wù)就是明確定義需求。

開發(fā)ML產(chǎn)品是一個(gè)需要迅速迭代（iterative）的過程，常會(huì)聽到有人說「我們先建一個(gè)ML模型，再看看結(jié)果如何」。但如果跳過了「事前計(jì)劃」和「定義問題」的步驟，最后可能反而會(huì)浪費(fèi)整個(gè)團(tuán)隊(duì)大量的時(shí)間，而得不到具體結(jié)果。

二、定義「目標(biāo)函數(shù)」和「指針」，保留更多空間和彈性

ML產(chǎn)品不需要我們事先編寫規(guī)則，而是由機(jī)器自動(dòng)從大量的數(shù)據(jù)中分析規(guī)則。

與一般的軟件工程相比，它更具實(shí)驗(yàn)性及不確定性，所以很難預(yù)測(cè)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(shù)據(jù)科學(xué)家更多的空間和時(shí)間去探索。

作為產(chǎn)品經(jīng)理，你可以藉由以下方法，幫助團(tuán)隊(duì)在廣泛的探索過程中保持專注：

定義一個(gè)目標(biāo)函數(shù)（objective function）

你的ML模型試圖預(yù)測(cè)的期望結(jié)果是什么？或者你還在嘗試辨識(shí)出數(shù)據(jù)中的固定模式？有什么「已知事實(shí)」（ground truth）可以用來比較模型的結(jié)果、并判斷準(zhǔn)確性？

例如，你設(shè)計(jì)了一個(gè)模型來預(yù)測(cè)天氣，就可以比較預(yù)測(cè)結(jié)果與實(shí)際天氣數(shù)據(jù)，來驗(yàn)證模型的性能。

定義性能指針（performance metrics）

如何衡量產(chǎn)品的成??？設(shè)置驗(yàn)收標(biāo)準(zhǔn)并不總是那么容易。你會(huì)如何比較「翻譯模型」和「人工翻譯」的準(zhǔn)確度？

有時(shí)需要先查看模型的初步結(jié)果，才能確定標(biāo)準(zhǔn)為何；但最重要的，是盡早開始思考測(cè)試標(biāo)準(zhǔn)、并且不斷測(cè)試模型，直到找出預(yù)測(cè)結(jié)果令人滿意的ML模型為止。

盡早并頻繁地測(cè)試ＭＬ模型（end to end testing）

你可以將ML模型看作一個(gè)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(jīng)網(wǎng)絡(luò)如何運(yùn)作，這就是為什么盡早、并且盡可能頻繁測(cè)試很重要。

從簡(jiǎn)單的原型（prototype）開始測(cè)試關(guān)鍵功能，然后進(jìn)行修改。重點(diǎn)是盡量避免在驗(yàn)證好模型的關(guān)鍵功能前，就試圖建構(gòu)太復(fù)雜的解決方案。

但需要注意的是，模型本身的準(zhǔn)確性通常并不是最好的衡量標(biāo)準(zhǔn)。

我們必須同時(shí)考慮測(cè)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(gè)選定項(xiàng)目的相關(guān)性」，而召回率則是「選定多少個(gè)相關(guān)項(xiàng)目的相關(guān)性」 。

這沒有適用于所有情況的經(jīng)驗(yàn)法則，所以你需要根據(jù)用戶的案例來決定權(quán)衡。

三、從第一天就開始規(guī)劃你的數(shù)據(jù)策略

訓(xùn)練ML模型需要大量高質(zhì)量的數(shù)據(jù)，在使用大量數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，深度學(xué)習(xí)的性能會(huì)優(yōu)于舊的算法。因此，從第一天就開始計(jì)劃取得數(shù)據(jù)的策略和途徑就非常重要。

數(shù)據(jù)可以來自購買、與其他公司合作、從客戶那里收集、在內(nèi)部生成、或是雇用第三方來生成或標(biāo)記數(shù)據(jù)。同時(shí)，你也需要考慮競(jìng)爭(zhēng)對(duì)手在做什么、客戶和監(jiān)管機(jī)構(gòu)在想什么、以及每種策略的相應(yīng)可行性和成本。

擬定數(shù)據(jù)策略的責(zé)任不在于數(shù)據(jù)科學(xué)家，而在于產(chǎn)品經(jīng)理，而且公司高層也需要經(jīng)過清楚定義的競(jìng)爭(zhēng)策略。

如果你是一家新創(chuàng)公司，更需要三思而后行：你想進(jìn)入的市場(chǎng)，是否有產(chǎn)業(yè)巨頭掌握了大多數(shù)數(shù)據(jù)？

你可能不想在電子商務(wù)上與Amazon競(jìng)爭(zhēng)、或是在位置數(shù)據(jù)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(dǎo)客戶數(shù)據(jù)的藍(lán)海市場(chǎng)。

你是否能夠建立可防御且可持續(xù)的數(shù)據(jù)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(shù)據(jù)保護(hù)法規(guī)范圍內(nèi)營(yíng)運(yùn)，則必須熟悉GDPR（通用數(shù)據(jù)保護(hù)法規(guī)）的規(guī)定。

例如，根據(jù)GDPR，公司需要確保個(gè)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(chǎn)品開發(fā)的早期階段就考慮數(shù)據(jù)保護(hù)措施。

PM必須與ML團(tuán)隊(duì)討論，以確定未來需要什么數(shù)據(jù)、需要多少數(shù)據(jù)；同時(shí)，也必須讓法務(wù)和營(yíng)運(yùn)部門等其他相關(guān)單位參與。

為機(jī)器人和自動(dòng)駕駛汽車等現(xiàn)實(shí)世界應(yīng)用開發(fā)ML產(chǎn)品，帶來了更大的挑戰(zhàn)；所以必須充分利用仿真（simulation）方法、并且注意相關(guān)研究領(lǐng)域，包括轉(zhuǎn)移學(xué)習(xí)（Transfer Learning）和元學(xué)習(xí)（Meta Learning），以降低對(duì)大量數(shù)據(jù)的需求、并加快模型訓(xùn)練過程。

四、不能只考慮ML

構(gòu)建ML產(chǎn)品的過程，其實(shí)是跨領(lǐng)域的；而且在大多數(shù)情況下，我們開發(fā)的并不只是ML模型而已。

為了做出完整、可立即投入生產(chǎn)的產(chǎn)品，我們還需要用戶接口（UI）、執(zhí)行模型預(yù)測(cè)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(yàn)（UX），產(chǎn)品就不會(huì)成功。你需要一個(gè)不僅包括ML工程師和數(shù)據(jù)科學(xué)家，還包括數(shù)據(jù)工程師、軟件工程師、UI/UX設(shè)計(jì)專家和硬件工程師的跨領(lǐng)域的團(tuán)隊(duì)。此外，還需要與后端工程師合作，以打造出支持ML產(chǎn)品的基礎(chǔ)結(jié)構(gòu)。

作為PM，必須盡量減少不同職能或團(tuán)隊(duì)之間的相互依賴和沖突。如前所述，ML的性質(zhì)與一般軟件開發(fā)完全不同，因此在組織上也應(yīng)該有所改變。

例如，雖然每日的站立會(huì)議（stand-up meetings）可能有助于保持軟件工程團(tuán)隊(duì)的生產(chǎn)力，但對(duì)于ML團(tuán)隊(duì)而言，這可能不是最好的時(shí)間利用方式。

所以，ML開發(fā)不僅僅是技術(shù)上的改變，還牽涉到組織變革。

作為產(chǎn)品經(jīng)理，你可以幫助其他團(tuán)隊(duì)了解ML產(chǎn)品在本質(zhì)上的不同、并協(xié)助解決潛在的沖突。

PM與內(nèi)部團(tuán)隊(duì)和客戶的溝通也很重要。ML產(chǎn)品的性能，會(huì)隨著時(shí)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(jié)果——用戶可以接受這一點(diǎn)嗎？

如何減輕用戶的風(fēng)險(xiǎn)、并保證可接受的最低性能？如何設(shè)計(jì)產(chǎn)品，以降低不確定性、并獲得最好的使用體驗(yàn)？

五、投資ML產(chǎn)品的理由

改善用戶體驗(yàn)或產(chǎn)品功能

ML可以用來讓產(chǎn)品更個(gè)人化、或是客制化；例如讓用戶更容易找到最相關(guān)的結(jié)果，或是應(yīng)用ML來提高預(yù)測(cè)的準(zhǔn)確性。 這些都是對(duì)公司內(nèi)部或外部用戶（客戶）潛在需求應(yīng)用的考慮。

將流程或重復(fù)性任務(wù)自動(dòng)化

公司同仁或客戶是否需要重復(fù)執(zhí)行一些可以自動(dòng)化的流程？透過自動(dòng)執(zhí)行重復(fù)性工作，可以節(jié)省時(shí)間、成本、資源，甚至創(chuàng)造更好的使用體驗(yàn)。如果流程太復(fù)雜，是否可以將部分流程自動(dòng)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(gè)很好的例子：現(xiàn)在，Gmail可以自動(dòng)幫用戶完成句子，不需要每次都手動(dòng)輸入「你好」這類重復(fù)的單詞或句子。

開創(chuàng)新的商機(jī)

是否有新的商機(jī)或用戶問題，是以往無法解決、但現(xiàn)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?yàn)楹茈y幫機(jī)器手臂編寫程序，讓它們識(shí)別和處理數(shù)百萬種產(chǎn)品。但是有了ML，機(jī)器人可以在最少的人工幫助下，自行學(xué)會(huì)識(shí)別各種物體。ML與人工智能的這種能力，為倉庫機(jī)器人打開了龐大的商機(jī)。

六、有些好的PM直覺反而不適用于ML產(chǎn)品

有時(shí)管理軟件產(chǎn)品的方法不一定適用于ML產(chǎn)品。

我常會(huì)提醒自己以下幾點(diǎn)：

• 必須清楚認(rèn)知開發(fā)ML和軟件產(chǎn)品之間的區(qū)別，要讓單一組織流程適用于所有產(chǎn)品，是不太可能的；必要的時(shí)候，你必須調(diào)整產(chǎn)品計(jì)劃流程（sprint planning）、產(chǎn)品藍(lán)圖、甚至整個(gè)組織。

• 不需要太詳細(xì)列出產(chǎn)品需求書（Product Requirement Document）上的所有需求，而要著重于定義目標(biāo)功能和衡量標(biāo)準(zhǔn)，讓ML團(tuán)隊(duì)有更多探索和試驗(yàn)的空間。

• 與其在開發(fā)過程開始時(shí)向ML團(tuán)隊(duì)詢問可能結(jié)果，不如與團(tuán)隊(duì)密切合作，盡早開發(fā)和測(cè)試產(chǎn)品原型。

• ML只是方法之一，并不一定非用不可。

七、總結(jié)

關(guān)于管理AI產(chǎn)品，我認(rèn)為最重要的幾件事包括：

• ML產(chǎn)品管理比一般軟件更具挑戰(zhàn)性，因?yàn)樗婕案嗟牟淮_定；不僅需要技術(shù)上的改變，還需要組織上的改變。

• ML最適合用于協(xié)助決策或預(yù)測(cè)。

• ML產(chǎn)品經(jīng)理最重要的工作：明確定義問題，確定需求，設(shè)定衡量成功的標(biāo)準(zhǔn)，并為ML工程師提供足夠的空間和時(shí)間探索解決方案。

• 從第一天就開始計(jì)劃數(shù)據(jù)策略。

• 構(gòu)建ML產(chǎn)品是跨領(lǐng)域的，牽涉到的職能并不只是機(jī)器學(xué)習(xí)而已。

作者：Bastiane Huang，擁有近10年產(chǎn)品及市場(chǎng)開發(fā)管理經(jīng)驗(yàn)，目前在舊金山擔(dān)任 AI/Robotics新創(chuàng)公司產(chǎn)品經(jīng)理，專注于開發(fā)機(jī)器學(xué)習(xí)軟件，用于機(jī)器人視覺和控制。

封面圖來自pexels