如何设计和管理AI产品?-和记娱乐 - h88平台官网 

设为首页   |   联系我们


当前位置:和记娱乐主页 > 智能设备 >

快速导航

新闻中心

如何设计和管理AI产品?

更新时间:2019-11-27 07:11发布人:和记娱乐 来源:和记h88点击次数:字号:T|T

  在《AI 开发指南:机器学习产品是什么?》文章当中,我们讨论了管理AI产品所需要的基础认识和挑战。

  对产品经理(PM)来说,AI或ML(机器学习)产品管理比一般软件更具挑战性,因为它涉及更多的不确定性。不仅需要技术上的改变,还需要组织上的改变。

  透过软件工程,你可能会列出像是「一只猫有四条腿和两个尖尖的耳朵」这样的规则。规则越明确,越完整越好,因为机器必须依赖这些规则来做出判断。

  相反,如果你使用深度学习,要做的就不是提供明确的规则。而是要为机器提供一堆照片(事先标记好哪些是猫,哪些不是),然后建立ML模型或神经网络,让机器自行学习,摸索出规则。

  你和你的团队要做的是:定义问题,准备数据,建立机器学习模型,反复测试和调整,直到你拥有可以提供所需结果的模型为止。

  正因为开发ML产品需要更多的反复试验,作为一个PM,你需要给工程师和数据科学家更多的空间和时间去探索。

  但是你如何帮助你的团队应对不确定性?如何在明确定义问题和衡量成功标准的同时,又给团队足够弹性进行实验探索?

  我们要从确定问题开始:找到有市场需求,技术上可行的客户痛点。先进行市场评估,找出客户需求,接下来则是判断ML是否可以帮助我们解决用户的问题。

  检测/检查(detection/inspection):帮助用户识别缺陷或异常,例如银行或保险的欺诈检测,或生产在线的产品缺陷检测。

  模式识别(pattern recognition):帮助用户筛选大量数据。包括推荐,排序,个人化,分类,预测,以及人机互动;例如针对Alexa或Google Home等智能音箱进行自然语言处理(NLP)。

  高维认知(high dimension cognition):帮助用户筛选,处理大量高维感官数据。例如:人工智能机器人、自动驾驶汽车。

  开发ML产品是一个需要迅速迭代(iterative)的过程,常会听到有人说「我们先建一个ML模型,再看看结果如何」。但如果跳过了「事前计划」和「定义问题」的步骤,最后可能反而会浪费整个团队大量的时间,而得不到具体结果。

  与一般的软件工程相比,它更具实验性及不确定性,所以很难预测哪些方法有效、哪些无效。这就是为什么在决定最终解决方案之前,必须给工程师和数据科学家更多的空间和时间去探索。

  你的ML模型试图预测的期望结果是什么?或者你还在尝试辨识出数据中的固定模式?有什么「已知事实」(ground truth)可以用来比较模型的结果、并判断准确性?

  如何衡量产品的成败?设置验收标准并不总是那么容易。你会如何比较「翻译模型」和「人工翻译」的准确度?

  有时需要先查看模型的初步结果,才能确定标准为何;但最重要的,是尽早开始思考测试标准、并且不断测试模型,直到找出预测结果令人满意的ML模型为止。

  你可以将ML模型看作一个黑盒子;定义模型的输入和输出,但不一定了解盒子里的神经网络如何运作,这就是为什么尽早、并且尽可能频繁测试很重要。

  从简单的原型(prototype)开始测试关键功能,然后进行修改。重点是尽量避免在验证好模型的关键功能前,就试图建构太复杂的解决方案。

  训练ML模型需要大量高质量的数据,在使用大量数据进行训练时,深度学习的性能会优于旧的算法。因此,从第一天就开始计划取得数据的策略和途径就非常重要。

  数据可以来自购买、与其他公司合作、从客户那里收集、在内部生成、或是雇用第三方来生成或标记数据。同时,你也需要考虑竞争对手在做什么、客户和监管机构在想什么、以及每种策略的相应可行性和成本。

  拟定数据策略的责任不在于数据科学家,而在于产品经理,而且公司高层也需要经过清楚定义的竞争策略。

  你可能不想在电子商务上与Amazon竞争、或是在数据方面与Google地图匹敌。所以,你必须找到目前还没有一家公司能主导客户数据的蓝海市场。

  你是否能够建立可防御且可持续的数据管道(data pipeline)?如何遵守用户的隐私政策?如果你的公司在欧盟和其他数据保规范围内营运,则必须熟悉PR(通用数据保规)的。

  例如,根据PR,公司需要确保个人资料不仅是收集的,而且要防止他人。 因此,作为PM,你需要从产品开发的早期阶段就考虑数据措施。

  PM必须与ML团队讨论,以确定未来需要什么数据、需要多少数据;同时,也必须让法务和营运部门等其他相关单位参与。

  为机器人和自动驾驶汽车等现实世界应用开发ML产品,带来了更大的挑战;所以必须充分利用仿真(simulation)方法、并且注意相关研究领域,包括转移学习(Transfer Learning)和元学习(Meta Learning),以降低对大量数据的需求、并加快模型训练过程。

  为了做出完整、可立即投入生产的产品,我们还需要用户接口(UI)、执行模型预测的软件、以及硬件的搭配组合。

  如果过度专注于ML模型上,而忽略了用户体验(UX),产品就不会成功。你需要一个不仅包括ML工程师和数据科学家,还包括数据工程师、软件工程师、UI/UX设计专家和硬件工程师的跨领域的团队。此外,还需要与后端工程师合作,以打造出支持ML产品的基础结构。

  作为PM,必须尽量减少不同职能或团队之间的相互依赖和冲突。如前所述,ML的性质与一般软件开发完全不同,因此在组织上也应该有所改变。

  例如,虽然每日的站立会议(stand-up meetings)可能有助于保持软件工程团队的生产力,但对于ML团队而言,这可能不是最好的时间利用方式。

  如何减轻用户的风险、并可接受的最低性能?如何设计产品,以降低不确定性、并获得最好的使用体验?

  ML可以用来让产品更个人化、或是客制化;例如让用户更容易找到最相关的结果,或是应用ML来提高预测的准确性。 这些都是对公司内部或外部用户(客户)潜在需求应用的考虑。

  公司同仁或客户是否需要重复执行一些可以自动化的流程?透过自动执行重复性工作,可以节省时间、成本、资源,甚至创造更好的使用体验。如果流程太复杂,是否可以将部分流程自动化、或帮助用户更有效率地完成工作?Gmail的「Smart Compose」(字句)是一个很好的例子:现在,Gmail可以自动帮用户完成句子,不需要每次都手动输入「你好」这类重复的单词或句子。

  是否有新的商机或用户问题,是以往无决、但现在可以用ML完成的?例如在仓库中,货物分拣通常需要人工完成,因为很难帮机器手臂编写程序,让它们识别和处理数百万种产品。但是有了ML,机器人可以在最少的人工帮助下,自行学会识别各种物体。ML与人工智能的这种能力,为仓库机器人打开了庞大的商机。

  必须清楚认知开发ML和软件产品之间的区别,要让单一组织流程适用于所有产品,是不太可能的;必要的时候,你必须调整产品计划流程(sprint planning)、产品蓝图、甚至整个组织。

  不需要太详细列出产品需求书(Product Requirement Document)上的所有需求,而要着重于定义目标功能和衡量标准,让ML团队有更多探索和试验的空间。

  作者:Bastiane Huang,拥有近10年产品及市场开发管理经验,目前在担任 AI/Robotics新创公司产品经理,专注于开发机器学习软件,用于机器人视觉和控制。

      和记娱乐,和记h88,h88平台官网
(编辑:和记娱乐网)

地址:济南市高新区高端人才实训基地26楼 电话:0531-88475911 400-009-8475 网址:http://www.hengzhikuwei.com
版权所有 Copyright(C)2015 济南市和记娱乐软件科技有限公司 京ICP备14021958号-1   和记娱乐,和记h88,h88平台官网