精品国产综合区久久久久久,久久久久人妻一区精品色欧美,欧美日韩国产综合草草

搜索

APP

起點課堂會員權(quán)益

職業(yè)體系課特權(quán)

線下行業(yè)大會特權(quán)

個人IP打造特權(quán)

30+門專項技能課

1300+專題課程

12場職場軟技能直播

12場求職輔導直播

12場專業(yè)技能直播

會員專屬社群

榮耀標識

發(fā)布

注冊 | 登錄

AI 開發(fā)指南：機器學習產(chǎn)品是什么？

Bastiane

2019-11-24

1 評論 9045 瀏覽 30 收藏

15 分鐘

為什么管理機器學習（ML）產(chǎn)品比一般軟件困難？「實驗」是關(guān)鍵！

關(guān)于管理AI產(chǎn)品，我認為最重要的幾件事：

機器學習（ML）產(chǎn)品管理比一般軟件更具挑戰(zhàn)性，因為它涉及更多的不確定性。不僅需要技術(shù)上的改變，還需要組織上的改變。
ML最適合做出決策或預測。
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(shù)據(jù)策略（Data Strategy）。
構(gòu)建ML產(chǎn)品是跨領(lǐng)域的，不只是數(shù)據(jù)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(zhuǎn)向真正的自主學習。

機器不需要人工指示，而是自行根據(jù)數(shù)據(jù)中識別出的模式，進行預測和改進。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)品更個人化，更自動化，和更精確。

先進的算法，大數(shù)據(jù)，和硬件價格下降，成為ML成長的主要驅(qū)動力。

AI已在各個領(lǐng)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(fā)流程中整合了AI，另外有30％的公司正在試驗AI項目。

不難看出為什么，許多人預期ML將比移動技術(shù)帶來更巨大的產(chǎn)業(yè)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(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。

機器學習（ML）三大類型：監(jiān)督學習、無監(jiān)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(wù)能夠成功被機器執(zhí)行，該任務(wù)就不再屬于AI的范圍。

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

機器學習有三種主要類型：

監(jiān)督學習（Supervised Learning）：最常見和最被廣泛使用的類型。這些算法從被事先標記好的數(shù)據(jù)（labeled data）中學習，大多時候被用以預測結(jié)果。例如，給予機器大量標記好的動物圖片，讓機器學習判斷貓和狗。
無監(jiān)督學習（Unsupervised Learning）：無監(jiān)督學習算法不需要事先標示，而是直接從數(shù)據(jù)學習判讀模式。它可以用于聚類（clustering），關(guān)聯(lián)（association）和異常檢測（anomaly detection）問題。另外還有半監(jiān)督學習，是監(jiān)督學習與非監(jiān)督學習之間的混合體。
強化學習（Reinforcement Learning）：算法藉由得到環(huán)境中的反饋而學習。 RL通常用于機器人技術(shù)，或自動駕駛汽車等控制領(lǐng)域。例如將目標函數(shù)（Objective Funcion）設(shè)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），一直到重復直到機器人學會執(zhí)行這項任務(wù)為止。

機器學習產(chǎn)品的類型

根據(jù)產(chǎn)品的類型和核心價值的來源，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)，還是一般消費者？

像Alexa或Google Assistant這樣的消費性ML產(chǎn)品，具有更強的社交互動成分。因此，用戶體驗（User Experience）在設(shè)計消費類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產(chǎn)品對應的是企業(yè)，甚至是工業(yè)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確性，而非UX。

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

你要設(shè)計的是ML產(chǎn)品？或是將ML應用到你的產(chǎn)品中？

如果你產(chǎn)品的核心價值來自ML模型，那么你很可能正在設(shè)計一個ML產(chǎn)品。相反的，如果ML僅用于增強產(chǎn)品的用戶體驗或部分性能，那么你很可能正在將ML應用于產(chǎn)品上。

在第二種情況下，身為產(chǎn)品經(jīng)理，你不應該花太多時間顧慮技術(shù)細節(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(tǒng)計數(shù)據(jù)（input）來預測用戶在平臺上的每月支出（output）？另一方面，設(shè)計ML產(chǎn)品通常需要PM具備更高的技術(shù)能力，以幫助團隊確定關(guān)鍵決策和權(quán)衡取舍。

產(chǎn)品類型也會影響組織結(jié)構(gòu)。對于研發(fā)機器學習產(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，通常會雇用機器學習研究人員或數(shù)據(jù)科學家，并將他們與機器學習工程師組成團隊。

相反的，對于想將ML應用于其產(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，或培訓軟件工程師學習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)機器學習產(chǎn)品很少會只涉及ML。它通常是跨領(lǐng)域的，不僅涉及ML模型設(shè)計及訓練，還涉及軟件工程，后端結(jié)構(gòu)，數(shù)據(jù)分析，UX / UI設(shè)計，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(shè)計和現(xiàn)實世界互動的ML產(chǎn)品（例如機器人技術(shù)或自動駕駛汽車），情況將變得更加復雜。

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

其他需要理解的關(guān)鍵ML概念

過擬合（Overfit）

是一種常見的錯誤類型，當機器學習模型過于匹配特定的數(shù)據(jù)集時發(fā)生。可靠的ML模型不僅在「訓練數(shù)據(jù)集」（training dataset），也在「驗證數(shù)據(jù)集」（validation dataset）上表現(xiàn)良好。但是，在過擬合的情況下，訓練數(shù)據(jù)的表現(xiàn)會變好，但對于沒有看過的，驗證數(shù)據(jù)的表現(xiàn)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(jīng)網(wǎng)絡(luò)，并以卷標圖像作為輸入。神經(jīng)網(wǎng)絡(luò)的每一層，都會將輸入轉(zhuǎn)換為稍微抽象和復合的表示形式。最終，模型將能學會識別圖像中的內(nèi)容。

自然語言處理（Natural Language Processing）

這是計算機科學中的一個領(lǐng)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(shù)據(jù)。

管理機器學習產(chǎn)品的挑戰(zhàn)

實驗是機器學習的關(guān)鍵部分

ML也會用到程序代碼和數(shù)據(jù)，但若因此就認為ML與軟件工程本質(zhì)相同，那就大錯特錯了。

與軟件工程不同，開發(fā)ML產(chǎn)品需要進行更多的實驗，涉及更多的不確定性和可變性。軟件工程是一個為機器編寫規(guī)則的確定性過程，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(guī)則。

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

但如果使用深度學習，要做的就不是提供明確的規(guī)則。

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

你和你的團隊要做的是：定義問題，準備數(shù)據(jù)，建立機器學習模型，測試和迭代，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)品時通常需要承擔更多的風險。對于產(chǎn)品經(jīng)理而言，重要的是要幫團隊建立正確的期望，以避免團隊之間可能發(fā)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確的需求。但這并不一定是ML團隊的問題，在實驗階段，就連ML團隊也很難預測最后模型的表現(xiàn)是好是壞。這時讓其他團隊了解ML產(chǎn)品的實驗本質(zhì)就很重要。

讓工程師與研究人員，數(shù)據(jù)科學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，最好早點開發(fā)出可供測試的產(chǎn)品，定期測試，以確保ML團隊所用的算法與產(chǎn)品目標一致。

開發(fā)ML是一個高度迭代的（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雜問題。模型需要訓練，測試和調(diào)整。通常，數(shù)據(jù)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。這就是為什么通常很難定義ML產(chǎn)品的里程碑和時間表。

也因此，對于產(chǎn)品經(jīng)理來說，明確定義需求，設(shè)定產(chǎn)品成功標準，并確保團隊經(jīng)常根據(jù)所需標準來測試ML模型，都是相當重要的。

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

因為ML與軟件工程本質(zhì)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(shù)據(jù)分析驅(qū)動的思維方式，以及對不確定性的包容。

如果將機器學習視為純粹的技術(shù)問題，而忽略了相關(guān)的組織變革，公司很可能會面臨所謂「創(chuàng)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(zhàn)，因為它們對于過去一直追求高精度，然而，ML雖然會隨著數(shù)據(jù)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)品的擴展。對大多數(shù)的公司來說，這也是一個全新的課題。