Tactics for Empowering a Product with AI

「欸桂冠，我們現在有一個這樣這樣的產品，那妳會怎麼用 AI 來讓我們的產品變更好？」

因為實在是太常遇到這問題了，來源有同學、朋友、甚至是面試官，於是在得知有到 Women in Data Science Taipei 分享的機會時，我毫不猶豫地選了這個題目。

謝謝 WiDS 的錄影，一共是 40 分鐘的分享與 20 分鐘的問答

7 個 Tactics 分別是（標題沒有寫 7 個是因為我當時報名題目時不太確定整理出來後會是幾個哈哈哈）

• AI is a Tool to Use, Not a Goal to Reach
  AI 近來幫助了很多公司並有許多成功的案例，但如果為了使用 AI 而使用 AI 可能會造成花了許多人力卻沒有相對的收穫。與其把導入 AI 列為一個目標，不如把它當成一個工具，幫助公司達到現有的目標。
• Find the Balance between AI and Business
  一個好的題目，同時要對公司有商業價值（增進客戶滿意度、增加營收、減少成本 …），並且要是技術上可以達到的。
• Define One Clear Goal
  在產品的不同階段可能有不同目標，但是在每個時間點請專注單一目標，多個目標可能造成精力分散，並且難以在多個模型中選擇出最好的。
• Design Carefully on Which Data to Collect
  題目決定了之後，值得多花一些時間設計要收集哪些資料。如果在開始 develop AI model 時才發現有資料沒收集到，跟工程師溝通、上線、累積到足夠的資料，又會是好一陣子的時間。所以建議在一開始就先完整設計、驗證、檢查所需資料。
• Input Domain Knowledge into AI Models
  AI 可以自己學、甚至做得比人更好，但它受限於資料的量。在一般產品應用中通常沒有足夠資料支撐，建議把 domain expert 的經驗作為 feature engineering 加入 model 中，可以把這步驟想成累積很多經驗的前輩把知識教給新人 AI model。
• Deploy Once It Beats Baseline
  先找一個比較的 baseline，可能是目前的解法、上一版的 model、或是專家經驗。當現在比較和 baseline 相比不會比較爛，就值得上線 A/B test 了，因為線上的環境跟線下不一樣，有時候會有意想不到的驚喜唷。
• Building AI is Iterative, Non-stopping
  AI 上線後需要不斷的精進，發掘新的好用資料，評估是否要修正目標，或是使用者是否有新的需求。一個 AI 如果上線後放著，也會因為世界在變而慢慢的效果越來越差，要跟上產業的變化就要不斷地汲取新知。

當天分享的投影片

這是我第一次的公眾分享（在學校及公司外），是個難得的經驗，很感謝 WiDS 的邀請，以及當天參與的朋友們都超級熱情的跟我互動，提了很棒的問題，還有人私下給我回饋跟鼓勵，暖心極了 ❤

雖說是分享，但獲得最多的是我自己。以前想法散亂在腦中，有這個機會把它整理變成一個完整的故事，雖然花了不少時間但是挺有成就感的；另外在跟大家的互動中，其實也發現一些很重要但被我遺忘沒有列上去的內容。

是不是時候該開始多寫一些 AI/ML 相關的東西了？（懶）