為什么管理機(jī)器學(xué)習(xí)（ML）產(chǎn)品比一般軟件困難？ 「實(shí)驗(yàn)」是關(guān)鍵！

關(guān)于管理AI產(chǎn)品，我認(rèn)為最重要的幾件事：

1. 機(jī)器學(xué)習(xí)（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_定性。 不僅需要技術(shù)上的改變，還需要組織上的改變。
2. ML最適合做出決策或預(yù)測(cè)。
3. 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。
4. 從第一天就開始計(jì)劃數(shù)據(jù)策略（Data Strategy）。
5. 構(gòu)建ML產(chǎn)品是跨領(lǐng)域的，不只是數(shù)據(jù)科學(xué)。

在《AI重新定義機(jī)器人》文章中，我提到了ML帶來的最大不同是：

讓機(jī)器從依賴人工編寫程序，轉(zhuǎn)向真正的自主學(xué)習(xí)。

機(jī)器不需要人工指示，而是自行根據(jù)數(shù)據(jù)中識(shí)別出的模式，進(jìn)行預(yù)測(cè)和改進(jìn)。 這就是為什么ML特別適用于那些，以往難以明確解釋定義的問題。 這也代表ML可以使你的產(chǎn)品更個(gè)人化，更自動(dòng)化，和更精確。

先進(jìn)的算法，大數(shù)據(jù)，和硬件價(jià)格下降，成為ML成長的主要驅(qū)動(dòng)力。

AI已在各個(gè)領(lǐng)域逐漸被采用。麥肯錫（Mckinsey）最近的報(bào)告中顯示，近一半的公司在其研發(fā)流程中整合了AI，另外有30％的公司正在試驗(yàn)AI項(xiàng)目。

不難看出為什么，許多人預(yù)期ML將比移動(dòng)技術(shù)帶來更巨大的產(chǎn)業(yè)變革。但是，與此同時(shí)，公司引進(jìn)ML的難度，也可能比當(dāng)年采用移動(dòng)技術(shù)更高數(shù)倍以上。 為什么呢？ 在討論具體原因之前，讓我們先一起聊聊什么是ML。

機(jī)器學(xué)習(xí)（ML）三大類型：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)

AI人工智能并沒有一個(gè)普遍被認(rèn)同的定義，而且它的定義不斷在改變。 一旦某項(xiàng)任務(wù)能夠成功被機(jī)器執(zhí)行，該任務(wù)就不再屬于AI的范圍。

ML是AI的一部分。 ?Carnegie Mellon大學(xué)教授湯姆· 米切爾（Tom M.Mitchell）將機(jī)器學(xué)習(xí)定義為對(duì)一種，「允許程序根據(jù)經(jīng)驗(yàn)自動(dòng)進(jìn)行改進(jìn)」的算法。

機(jī)器學(xué)習(xí)有三種主要類型：

1. 監(jiān)督學(xué)習(xí)（Supervised Learning）：最常見和最被廣泛使用的類型。 這些算法從被事先標(biāo)記好的數(shù)據(jù)（labeled data）中學(xué)習(xí)，大多時(shí)候被用以預(yù)測(cè)結(jié)果。 例如，給予機(jī)器大量標(biāo)記好的動(dòng)物圖片，讓機(jī)器學(xué)習(xí)判斷貓和狗。
2. 無監(jiān)督學(xué)習(xí)（Unsupervised Learning）：無監(jiān)督學(xué)習(xí)算法不需要事先標(biāo)示，而是直接從數(shù)據(jù)學(xué)習(xí)判讀模式。 它可以用于聚類（clustering），關(guān)聯(lián)（association） 和異常檢測(cè)（anomaly detection）問題。 另外還有半監(jiān)督學(xué)習(xí)，是監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)之間的混合體。
3. 強(qiáng)化學(xué)習(xí)（Reinforcement Learning）：算法藉由得到環(huán)境中的反饋而學(xué)習(xí)。 RL通常用于機(jī)器人技術(shù)，或自動(dòng)駕駛汽車等控制領(lǐng)域。 例如將目標(biāo)函數(shù)（Objective Funcion）設(shè)定為「成功從A點(diǎn)移動(dòng)到B點(diǎn)」，每次機(jī)器人成功到達(dá)B點(diǎn)，就會(huì)得到正面響應(yīng)（reward），一直到重復(fù)直到機(jī)器人學(xué)會(huì)執(zhí)行這項(xiàng)任務(wù)為止。

機(jī)器學(xué)習(xí)產(chǎn)品的類型

根據(jù)產(chǎn)品的類型和核心價(jià)值的來源，你將需要不同技能，并且專注于產(chǎn)品的不同面向。

用戶是企業(yè)，還是一般消費(fèi)者？

像Alexa或Google Assistant這樣的消費(fèi)性ML產(chǎn)品，具有更強(qiáng)的社交互動(dòng)成分。因此，用戶體驗(yàn)（User Experience）在設(shè)計(jì)消費(fèi)類ML產(chǎn)品中扮演著極關(guān)鍵的角色，而ML技術(shù)則往往是達(dá)成更好用戶體驗(yàn)的方式之一。

例如，NLP（自然語言處理）被用于達(dá)成Alexa及用戶之間更自然的溝通。 另一方面，B2B的ML產(chǎn)品對(duì)應(yīng)的是企業(yè)，甚至是工業(yè)用戶（例如用于預(yù)測(cè)工廠儀器維護(hù)時(shí)程的算法），其核心價(jià)值往往來自預(yù)測(cè)的準(zhǔn)確性，而非UX。

這并不是說UX對(duì)面向企業(yè)的ML產(chǎn)品不重要。 而是，當(dāng)你的資源有限，并且需要集中精力優(yōu)化產(chǎn)品的某些部分時(shí)，就需要考慮這個(gè)問題。

你要設(shè)計(jì)的是ML產(chǎn)品？ 或是將ML應(yīng)用到你的產(chǎn)品中？

如果你產(chǎn)品的核心價(jià)值來自ML模型，那么你很可能正在設(shè)計(jì)一個(gè)ML產(chǎn)品。 相反的，如果ML僅用于增強(qiáng)產(chǎn)品的用戶體驗(yàn)或部分性能，那么你很可能正在將ML應(yīng)用于產(chǎn)品上。

在第二種情況下，身為產(chǎn)品經(jīng)理，你不應(yīng)該花太多時(shí)間顧慮技術(shù)細(xì)節(jié)；像是「ML模型是以CNN（卷積神經(jīng)網(wǎng)絡(luò)）還是R-CNN為基礎(chǔ)」，而是應(yīng)該花時(shí)間了解模型的輸入（input）和輸出（output）。

舉例來說，你要使用的這個(gè)ML模型，采用用戶的人口統(tǒng)計(jì)數(shù)據(jù)（input）來預(yù)測(cè)用戶在平臺(tái)上的每月支出（output）？ 另一方面，設(shè)計(jì)ML產(chǎn)品通常需要PM具備更高的技術(shù)能力，以幫助團(tuán)隊(duì)確定關(guān)鍵決策和權(quán)衡取舍。

產(chǎn)品類型也會(huì)影響組織結(jié)構(gòu)。 對(duì)于研發(fā)機(jī)器學(xué)習(xí)產(chǎn)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(huì)雇用機(jī)器學(xué)習(xí)研究人員或數(shù)據(jù)科學(xué)家，并將他們與機(jī)器學(xué)習(xí)工程師組成團(tuán)隊(duì)。

相反的，對(duì)于想將ML應(yīng)用于其產(chǎn)品的公司，或資源有限的小型公司，最好的策略是雇用跨領(lǐng)域的ML工程師，或培訓(xùn)軟件工程師學(xué)習(xí)ML，而不是雇用ML研究人員。

構(gòu)建ML產(chǎn)品通常是跨領(lǐng)域的

研發(fā)機(jī)器學(xué)習(xí)產(chǎn)品很少會(huì)只涉及ML。 它通常是跨領(lǐng)域的，不僅涉及ML模型設(shè)計(jì)及訓(xùn)練，還涉及軟件工程，后端結(jié)構(gòu)，數(shù)據(jù)分析，UX / UI設(shè)計(jì)，甚至是軟硬件整合等等。

產(chǎn)品經(jīng)理需要能夠管理跨職能的團(tuán)隊(duì)，并處理團(tuán)隊(duì)之間的相互依賴和潛在沖突。 ML從根本上不同于其他學(xué)科，這點(diǎn)會(huì)在下一段進(jìn)一步說明。 如果你要設(shè)計(jì)和現(xiàn)實(shí)世界互動(dòng)的ML產(chǎn)品（例如機(jī)器人技術(shù)或自動(dòng)駕駛汽車），情況將變得更加復(fù)雜。

PM需要知道使用ML可以做什么，和不能做什么，何時(shí)應(yīng)該使用ML和何時(shí)不應(yīng)該使用ML。

其他需要理解的關(guān)鍵ML概念

過擬合（Overfit）

是一種常見的錯(cuò)誤類型，當(dāng)機(jī)器學(xué)習(xí)模型過于匹配特定的數(shù)據(jù)集時(shí)發(fā)生。 可靠的ML模型不僅在「訓(xùn)練數(shù)據(jù)集」（training dataset），也在「驗(yàn)證數(shù)據(jù)集」（validation dataset）上表現(xiàn)良好。 但是，在過擬合的情況下，訓(xùn)練數(shù)據(jù)的表現(xiàn)會(huì)變好，但對(duì)于沒有看過的，驗(yàn)證數(shù)據(jù)的表現(xiàn)卻反而會(huì)變差。

深度學(xué)習(xí)（Deep Learning）

主要用于圖像分類。 DL使用深度神經(jīng)網(wǎng)絡(luò)，并以卷標(biāo)圖像作為輸入。 神經(jīng)網(wǎng)絡(luò)的每一層，都會(huì)將輸入轉(zhuǎn)換為稍微抽象和復(fù)合的表示形式。 最終，模型將能學(xué)會(huì)識(shí)別圖像中的內(nèi)容。

自然語言處理（Natural Language Processing）

這是計(jì)算機(jī)科學(xué)中的一個(gè)領(lǐng)域，目的是使機(jī)器可以理解人類語言，但不一定涉及ML。 NLP通常用于聊天機(jī)器人、語音助手、或是預(yù)處理數(shù)據(jù)。

管理機(jī)器學(xué)習(xí)產(chǎn)品的挑戰(zhàn)

實(shí)驗(yàn)是機(jī)器學(xué)習(xí)的關(guān)鍵部分

ML也會(huì)用到程序代碼和數(shù)據(jù)，但若因此就認(rèn)為ML與軟件工程本質(zhì)相同，那就大錯(cuò)特錯(cuò)了。

與軟件工程不同，開發(fā)ML產(chǎn)品需要進(jìn)行更多的實(shí)驗(yàn)，涉及更多的不確定性和可變性。 軟件工程是一個(gè)為機(jī)器編寫規(guī)則的確定性過程，而機(jī)器學(xué)習(xí)則具有更高的機(jī)率性，因?yàn)樗梢宰孕袑W(xué)習(xí)，而不需要我們來編寫規(guī)則。

例如，如果你想教機(jī)器識(shí)別貓。 透過軟件工程，你可能會(huì)想出「一只貓有四只腿和兩個(gè)尖尖的耳朵」這樣的明確規(guī)則。

但如果使用深度學(xué)習(xí)，要做的就不是提供明確的規(guī)則。

而是為機(jī)器提供一堆貓的照片（事先標(biāo)記好這些是貓的圖像），然后讓機(jī)器自行學(xué)習(xí)，摸索出規(guī)則。

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，測(cè)試和迭代，直到你擁有可以提供所需結(jié)果的模型為止。

這就是為什么在開發(fā)ML產(chǎn)品時(shí)通常需要承擔(dān)更多的風(fēng)險(xiǎn)。 對(duì)于產(chǎn)品經(jīng)理而言，重要的是要幫團(tuán)隊(duì)建立正確的期望，以避免團(tuán)隊(duì)之間可能發(fā)生的沖突。

例如，軟件工程師可能會(huì)覺得，ML團(tuán)隊(duì)沒有給他們足夠明確的需求。 但這并不一定是ML團(tuán)隊(duì)的問題，在實(shí)驗(yàn)階段，就連ML團(tuán)隊(duì)也很難預(yù)測(cè)最后模型的表現(xiàn)是好是壞。 這時(shí)讓其他團(tuán)隊(duì)了解ML產(chǎn)品的實(shí)驗(yàn)本質(zhì)就很重要。

讓工程師與研究人員，數(shù)據(jù)科學(xué)家緊密合作也很重要，這樣他們才能彼此平衡，不讓產(chǎn)品研究失焦。 更重要的是，最好早點(diǎn)開發(fā)出可供測(cè)試的產(chǎn)品，定期測(cè)試，以確保ML團(tuán)隊(duì)所用的算法與產(chǎn)品目標(biāo)一致。

開發(fā)ML是一個(gè)高度迭代的（iterative）過程

正如前面提到的，ML非常適合解決人類無法明確定義的復(fù)雜問題。 模型需要訓(xùn)練，測(cè)試和調(diào)整。 通常，數(shù)據(jù)科學(xué)家在選擇令人滿意的方法之前，必須先測(cè)試好幾種方法。 這就是為什么通常很難定義ML產(chǎn)品的里程碑和時(shí)間表。

也因此，對(duì)于產(chǎn)品經(jīng)理來說，明確定義需求，設(shè)定產(chǎn)品成功標(biāo)準(zhǔn)，并確保團(tuán)隊(duì)經(jīng)常根據(jù)所需標(biāo)準(zhǔn)來測(cè)試ML模型，都是相當(dāng)重要的。

除技術(shù)挑戰(zhàn)外，還有更多的組織結(jié)構(gòu)挑戰(zhàn)

因?yàn)镸L與軟件工程本質(zhì)截然不同，所以更需要進(jìn)行一些根本性的組織變革：例如尊重實(shí)驗(yàn)文化，數(shù)據(jù)分析驅(qū)動(dòng)的思維方式，以及對(duì)不確定性的包容。

如果將機(jī)器學(xué)習(xí)視為純粹的技術(shù)問題，而忽略了相關(guān)的組織變革，公司很可能會(huì)面臨所謂「創(chuàng)新者的困境」（The Innovator’s Dilemma）。 這對(duì)機(jī)器人制造商等硬件公司來說尤其具有挑戰(zhàn)，因?yàn)樗鼈儗?duì)于過去一直追求高精度，然而，ML雖然會(huì)隨著數(shù)據(jù)增加而進(jìn)步，卻通常無法在一開始就達(dá)到100%精準(zhǔn)。 此外，機(jī)器學(xué)習(xí)產(chǎn)品需要大量的數(shù)據(jù)，所以業(yè)者必須建立自己的數(shù)據(jù)管道和基礎(chǔ)架構(gòu)，以支持ML產(chǎn)品的擴(kuò)展。 對(duì)大多數(shù)的公司來說，這也是一個(gè)全新的課題。

機(jī)器學(xué)習(xí)仍然是一個(gè)新領(lǐng)域，并且會(huì)不斷發(fā)展

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

反觀機(jī)器學(xué)習(xí)，在1990年才開始作為一個(gè)單獨(dú)的領(lǐng)域而蓬勃發(fā)展。 深度學(xué)習(xí)是ML的一部分，它在圖像識(shí)別和NLP等領(lǐng)域創(chuàng)造了新的記錄，但直到2012年AlexNet出現(xiàn)之后，才被大眾廣泛討論。

與軟件工程相比，ML仍處于起步階段，因此仍缺乏行業(yè)標(biāo)準(zhǔn)，衡量指針，基礎(chǔ)架構(gòu)和開發(fā)工具。 因此，相關(guān)企業(yè)仍在探索最佳作法和熱門應(yīng)用。

機(jī)器學(xué)習(xí)產(chǎn)品的可解釋性和透明度

機(jī)器學(xué)習(xí)算法就像一個(gè)黑盒子，它接受輸入（例如圖像）并輸出預(yù)測(cè)（例如圖像中的人物是什么）。 這使得產(chǎn)品經(jīng)理很難解釋ML模型是如何運(yùn)作的，也很難從用戶和相關(guān)單位得到全面支持。

尤其是在醫(yī)療保健等關(guān)鍵領(lǐng)域，責(zé)任歸屬和信息透明度至關(guān)重要。 在沒有清楚地了解算法實(shí)際工作原理的情況下，確保ML模型與產(chǎn)品目標(biāo)之間的一致性是一項(xiàng)艱巨的挑戰(zhàn)。

面對(duì)這些挑戰(zhàn)，我們應(yīng)該如何管理機(jī)器學(xué)習(xí)產(chǎn)品？ 在第二部分中，我將分享我所學(xué)習(xí)到的最佳作法。

作者：Bastiane Huang。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。

本文由@Bastiane 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于 CC0 協(xié)議。