給產品經理的 AI 開發指南

為什麼管理機器學習(ML)產品比一般軟體困難？「實驗」是關鍵！

關於管理AI產品，我認為最重要的幾件事：

1. 機器學習(ML)產品管理比一般軟體更具挑戰性，因為它涉及更多的不確定性。不僅需要技術上的改變，還需要組織上的改變。
2. ML最適合做出決策或預測。
3. ML產品經理最重要的工作：明確定義問題，確定需求，設定衡量成功的標準，並為ML工程師提供足夠的空間和時間探索解決方案。
4. 從第一天就開始計畫數據策略(Data Strategy)。
5. 構建ML產品是跨領域的，不只是資料科學。

想看更多文章嗎？點這裡追蹤我！

在先前的<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式，轉向真正的自主學習。

機器不需要人工指示，而是自行根據數據中識別出的模式，進行預測和改進。這就是為什麼ML特別適用於那些，以往難以明確解釋定義的問題。這也代表ML可以使你的產品更個人化，更自動化，和更精確。

先進的演算法，大數據，和硬體價格下降，成為ML成長的主要驅動力。

AI已在各個領域逐漸被採用。麥肯錫(Mckinsey)最近的報告中顯示，近一半的公司在其研發流程中整合了AI，另外有30％的公司正在試驗AI項目。

不難看出為什麼，許多人預期ML將比移動技術帶來更巨大的產業變革。但是，與此同時，公司引進ML的難度，也可能比當年採用移動技術更高數倍以上。為什麼呢？在討論具體原因之前，讓我們先一起聊聊什麼是ML。

機器學習(ML)三大類型：監督學習、無監督學習、強化學習

AI人工智能並沒有一個普遍被認同的定義，而且它的定義不斷在改變。一旦某項任務能夠成功被機器執行，該任務就不再屬於AI的範圍。

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，「允許程式根據經驗自動進行改進」的演算法。

機器學習有三種主要類型：

• 監督學習(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據(labeled data)中學習，大多時候被用以預測結果。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。
• 無監督學習(Unsupervised Learning)：無監督學習算法不需要事先標示，而是直接從數據學習判讀模式。它可以用於聚類(clustering)，關聯(association) 和異常檢測(anomaly detection)問題。另外還有半監督學習，是監督學習與非監督學習之間的混合體。
• 強化學習(Reinforcement Learning)：演算法藉由得到環境中的反饋而學習。 RL通常用於機器人技術，或自動駕駛汽車等控制領域。例如將目標函數(Objective Funcion)設定為「成功從A點移動到B點」，每次機器人成功到達B點，就會得到正面回應(reward)，一直到重複直到機器人學會執行這項任務為止。

機器學習產品的類型

根據產品的類型和核心價值的來源，你將需要不同技能，並且專注於產品的不同面向。

• 使用者是企業，還是一般消費者？

像Alexa或Google Assistant這樣的消費性ML產品，具有更強的社交互動成分。因此，用戶體驗（UX）在設計消費類ML產品中扮演著極關鍵的角色，而ML技術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）被用於達成Alexa及用戶之間更自然的溝通。另一方面，B2B的ML產品對應的是企業，甚至是工業用戶（例如用於預測工廠儀器維護時程的演算法），其核心價值往往來自預測的準確性，而非UX。

這並不是說UX對面向企業的ML產品不重要。而是，當你的資源有限，並且需要集中精力優化產品的某些部分時，就需要考慮這個問題。

• 你要設計的是ML產品？或是將ML應用到你的產品中？

如果你產品的核心價值來自ML模型，那麼你很可能正在設計一個ML產品。相反的，如果ML僅用於增強產品的用戶體驗或部分性能，那麼你很可能正在將ML應用於產品上。

在第二種情況下，身為產品經理，你不應該花太多時間顧慮技術細節；像是「ML模型是以CNN（卷積神經網路）還是R-CNN為基礎」，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，採用用戶的人口統計數據(input)來預測用戶在平台上的每月支出(output)？另一方面，設計ML產品通常需要PM具備更高的技術能力，以幫助團隊確定關鍵決策和權衡取捨。

產品類型也會影響組織結構。對於研發機器學習產品的公司，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資料科學家，並將他們與機器學習工程師組成團隊。

相反的，對於想將ML應用於其產品的公司，或資源有限的小型公司，最好的策略是雇用跨領域的ML工程師，或培訓軟體工程師學習ML，而不是僱用ML研究人員。

• 構建ML產品通常是跨領域的。

研發機器學習產品很少會只涉及ML。它通常是跨領域的，不僅涉及ML模型設計及訓練，還涉及軟體工程，後端結構，數據分析，UX / UI設計，甚至是軟硬體整合等等。

產品經理需要能夠管理跨職能的團隊，並處理團隊之間的相互依賴和潛在衝突。 ML從根本上不同於其他學科，這點會在下一段進一步說明。如果你要設計和現實世界互動的ML產品（例如機器人技術或自動駕駛汽車），情況將變得更加複雜。

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

其他需要理解的關鍵ML概念

• 過擬合 (Overfit)：是一種常見的錯誤類型，當機器學習模型過於匹配特定的數據集時發生。可靠的ML模型不僅在「訓練數據集」(training dataset)，也在「驗證數據集」(validation dataset)上表現良好。但是，在過擬合的情況下，訓練數據的表現會變好，但對於沒有看過的，驗證數據的表現卻反而會變差。
• 深度學習（DL）：主要用於圖像分類。 DL使用深度神經網絡，並以標籤圖像作為輸入。神經網絡的每一層，都會將輸入轉換為稍微抽象和複合的表示形式。最終，模型將能學會識別圖像中的內容。
• 自然語言處理（NLP）：這是電腦科學中的一個領域，目的是使機器可以理解人類語言，但不一定涉及ML。NLP通常用於聊天機器人、語音助手、或是預處理數據。

管理機器學習產品的挑戰

1. 實驗是機器學習的關鍵部分。

ML也會用到程式代碼和數據，但若因此就認為ML與軟體工程本質相同，那就大錯特錯了。

與軟體工程不同，開發ML產品需要進行更多的實驗，涉及更多的不確定性和可變性。軟體工程是一個為機器編寫規則的確定性過程，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則。

例如，如果你想教機器識別貓。透過軟體工程，你可能會想出「一隻貓有四隻腿和兩個尖尖的耳朵」這樣的明確規則。

但如果使用深度學習，要做的就不是提供明確的規則。

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），然後讓機器自行學習，摸索出規則。

你和你的團隊要做的是：定義問題，準備數據，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果的模型為止。

這就是為什麼在開發ML產品時通常需要承擔更多的風險。對於產品經理而言，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生的衝突。

例如，軟體工程師可能會覺得，ML團隊沒有給他們足夠明確的需求。但這並不一定是ML團隊的問題，在實驗階段，就連ML團隊也很難預測最後模型的表現是好是壞。這時讓其他團隊了解ML產品的實驗本質就很重要。

讓工程師與研究人員，資料科學家緊密合作也很重要，這樣他們才能彼此平衡，不讓產品研究失焦。更重要的是，最好早點開發出可供測試的產品，定期測試，以確保ML團隊所用的演算法與產品目標一致。

2. 開發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，測試和調整。通常，資料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。這就是為什麼通常很難定義ML產品的里程碑和時間表。

也因此，對於產品經理來說，明確定義需求，設定產品成功標準，並確保團隊經常根據所需標準來測試ML模型，都是相當重要的。

3. 除技術挑戰外，還有更多的組織結構挑戰。

因為ML與軟體工程本質截然不同，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，數據分析驅動的思維方式，以及對不確定性的包容。

如果將機器學習視為純粹的技術問題，而忽略了相關的組織變革，公司很可能會面臨所謂「創新者的困境」(The Innovator’s Dilemma)。這對機器人製造商等硬體公司來說尤其具有挑戰，因為它們對於過去一直追求高精度，然而，ML雖然會隨著數據增加而進步，卻通常無法在一開始就達到100%精準。此外，機器學習產品需要大量的數據，所以業者必須建立自己的數據管道和基礎架構，以支持ML產品的擴展。對大多數的公司來說，這也是一個全新的課題。

4. 機器學習仍然是一個新領域，並且會不斷發展。

「軟體工程」一詞最早於1965年出現，也就是程式語言出現15年後。大約20年後，軟體工程學院才成立，以管理軟體工程開發流程。今天，我們已經找到了軟體工程的最佳實踐(best practice)。

反觀機器學習，在1990年才開始作為一個單獨的領域而蓬勃發展。深度學習是ML的一部分，它在圖像識別和NLP等領域創造了新的記錄，但直到2012年AlexNet出現之後，才被大眾廣泛討論。

與軟體工程相比，ML仍處於起步階段，因此仍缺乏行業標準，衡量指標，基礎架構和開發工具。因此，相關企業仍在探索最佳作法和熱門應用。

5. 機器學習產品的可解釋性和透明度。

機器學習算法就像一個黑盒子，它接受輸入（例如圖像）並輸出預測（例如圖像中的人物是什麼）。這使得產品經理很難解釋ML模型是如何運作的，也很難從用戶和相關單位得到全面支持。

尤其是在醫療保健等關鍵領域，責任歸屬和資訊透明度至關重要。在沒有清楚地了解算法實際工作原理的情況下，確保ML模型與產品目標之間的一致性是一項艱鉅的挑戰。

面對這些挑戰，我們應該如何管理機器學習產品？在第二部分中，我將分享我所學習到的最佳作法。

在矽谷早期新創擔任產品經理，我學到的幾件事！

想看更多文章嗎？點這裡追蹤我！

感謝閱讀！如果希望看到其他相關的主題也歡迎留言！
如果你喜歡這篇文章，請給我 1–19 個拍手；
如果想看更多關於產品管理的文章，請給我 20–50 個拍手！
如果文章對你有一點啟發或幫助，請長按拍手按鈕（max50）讓我知道 👏每週我都會定期更新產品經理或機器學習相關文章，點這裡追蹤我！✨

Bastiane Huang 目前在舊金山擔任 AI/Robotics新創公司產品經理，專注於開發機器學習軟體，用於機器人視覺和控制。她擁有近10年產品及市場開發管理經驗，並在美國《機器人商業評論》及《哈佛商業評論》發表文章及個案研究。如果你也對Robotics 2.0（AI-Enabled Robotics）、產品管理、Future of Work有興趣，請點這裡追蹤她。