給產品經理的AI開發指南#2:如何管理機器學習產品?/Bastiane Huang

在設計機器學習相關產品與服務時,必須瞭解它和一般軟體開發的不同、以及過程中獨特的優先順序與需求。前一篇中探討了機器學習產品開發時,專案經理必須具有的基礎認識和挑戰,本文則延續討論相關的產品管理須知。

比起一般軟體,機器學習(ML)產品需要更多的反覆試驗;因此,作為PM(專案經理),你需要給工程師和資料科學家足夠的空間和時間去探索。

但要如何幫助團隊應對這些不確定性呢?如何在明確定義問題和衡量成功標準的同時,又給團隊足夠彈性進行實驗探索?

https://tuna.press/?p=13449

1. 規劃:從「明確定義問題」開始

ML是一種工具、也是達到目標的方法之一。如果你想解決的問題並不需要ML,就不應該使用它。

我們要從確定問題開始:找到有市場需求、技術上可行的客戶痛點;先進行市場評估,找出客戶需求。

接下來,則是判斷ML是否可以幫助我們解決使用者的問題。

機器學習有許多可能的應用,但最適合的是用來進行決策或預測。

我們可以將ML應用分為幾種類型:

  • 檢測/檢查(detection/inspection):幫助使用者識別缺陷或異常,例如銀行或保險的欺詐檢測、或是生產線上的產品缺陷檢測;

  • 模式識別(pattern recognition):幫助使用者篩選大量數據,包括推薦、排序、個人化、分類、預測維護、以及人機互動;例如針對Alexa或Google Home等智慧音箱進行自然語言處理(NLP);

  • 高維認知(high-dimension cognition):幫助使用者篩選、處理大量高維感官數據;例如人工智慧機器人、自動駕駛汽車。

在以下情況下,你應該避免在產品中使用機器學習功能:

  • 可以用更簡單的規則解決問題;

  • 正在構建的解決方案不需要因應新數據而改變;

  • 無法取得訓練ML模型所需的數據;

  • 產品要求高精度,不能容許任何一點出錯;

  • 產品需要資訊完全透明。

找到正確的問題之後,下一個關鍵任務就是「明確定義需求」。

開發ML產品是一個需要迅速迭代(iterative)的過程。常會聽到有人說「我們先建一個ML模型,再看看結果如何」,但如果跳過了「事前計劃」和「定義問題」的步驟,最後可能反而會浪費整個團隊大量的時間,而得不到具體結果。

2. 定義「目標函數」和「指標」,保留更多空間和彈性

ML產品不需要我們事先編寫規則,而是由機器自動從大量數據中分析出規則。

與一般的軟體工程相比,它更具實驗性及不確定性,所以很難預測哪些方法有效、哪些無效。這就是為什麼在決定最終解決方案之前,必須給工程師和資料科學家更多的空間和時間去探索。

作為產品經理,你可以藉由以下方法,幫助團隊在廣泛的探索過程中保持專注:

  • 定義一個目標函數(objective function):你的ML模型試圖預測的期望結果是什麼?或者你還在嘗試辨識出資料中的固定模式?有什麼「已知事實」(ground truth)可以用來比較模型的結果、並判斷準確性?例如你設計了一個模型來預測天氣,就可以比較預測結果與實際天氣數據,來驗證模型的性能。

  • 定義性能指標(performance metrics):如何衡量產品的成敗?設置驗收標準並不總是那麼容易。你會如何比較「翻譯模型」和「人工翻譯」的準確度?有時需要先查看模型的初步結果,才能確定標準為何;但最重要的,是儘早開始思考測試標準、並且不斷測試模型,直到找出預測結果令人滿意的ML模型為止。

  • 儘早並頻繁測試ML模型(end-to-end testing): 你可以將ML模型看作一個黑盒子;定義模型的輸入和輸出,但不一定瞭解盒子裡的神經網路如何運作。這就是為什麼儘早、並且儘可能頻繁測試很重要;從簡單的原型(prototype)開始測試關鍵功能,然後進行修改。重點是,盡量避免在驗證好模型的關鍵功能前,就試圖建構太複雜的解決方案。

但需要注意的是,模型本身的準確性通常並不是最好的衡量標準。

我們必須同時考慮測量精確度(true positives/all positive predictions)和召回率(positive predictions/all true positives);精確度是「多少個選定項目的相關性」,而召回率則是「選定多少個相關項目的相關性」。

這沒有適用於所有情況的經驗法則,所以你需要根據使用者的案例來決定權衡。

3. 從第一天就開始考量數據策略

訓練ML模型需要大量高品質的數據。在使用大量數據進行訓練時,深度學習的性能會優於舊的算法;因此,從第一天就開始計畫取得數據的策略和途徑就非常重要。

數據可以來自購買、與其他公司合作、從客戶那裡收集、在內部生成、或是僱用第三方來生成或標記數據。同時,你也需要考慮競爭對手在做什麼、客戶和監管機構在想什麼、以及每種策略的相應可行性和成本。

擬定數據策略的責任不在於資料科學家,而在於產品經理,而且公司高層也需要經過清楚定義的競爭策略。

如果你是一家新創公司, 更需要三思而後行:你想進入的市場,是否有產業巨頭掌握了大多數資料?你可能不想在電子商務上與Amazon競爭、或是在位置資料方面與Google地圖匹敵。

所以,你必須找到目前還沒有一家公司能主導客戶資料的藍海市場。

你是否能夠建立可以保護、而且可以持續的數據管道(data pipeline)?如何遵守使用者的隱私政策?如果你的公司在歐盟和其他數據保護法規範圍內營運,則必須熟悉GDPR(通用資料保護法規)的規定。

例如根據GDPR,公司需要確保個人資料不僅是合法收集的、也要能防止他人濫用;因此,PM必須從產品開發的早期階段就考慮資料保護措施。

PM必須與ML團隊討論,以確定未來需要什麼數據、需要多少數據;同時,也必須讓法務和營運部門等其他相關單位參與。

為機器人和自動駕駛汽車等現實世界應用開發ML產品,帶來了更大的挑戰;所以必須充分利用模擬(simulation)方法、並且注意相關研究領域,包括轉移學習(Transfer Learning)和元學習(Meta Learning),以降低對大量數據的需求、並加快模型訓練過程。

4. 不能只考慮ML

構建ML產品的過程,其實是跨領域的;而且在大多數情況下,我們開發的並不只是ML模型而已。為了做出完整、可立即投入生產的產品,我們還需要使用者介面(UI)、執行模型預測的軟體、以及硬體的搭配組合。

如果過度專注於ML模型上,而忽略了使用者體驗(UX),產品就不會成功。你需要一個不僅包括ML工程師和資料科學家,還包括數據工程師、軟體工程師、UI/UX設計專家和硬體工程師的跨領域的團隊;此外,還需要與後端工程師合作,以打造出支持ML產品的基礎結構。

作為PM,必須盡量減少不同職能或團隊之間的相互依賴和衝突。如前所述,ML的性質與一般軟體開發完全不同,因此在組織上也應該有所改變。

例如,雖然每日的站立會議(stand-up meetings)可能有助於保持軟體工程團隊的生產力,但對於ML團隊而言,這可能不是最好的時間利用方式。所以,ML開發不僅僅是技術上的改變,還牽涉到組織變革。

作為產品經理,你可以幫助其他團隊瞭解ML產品在本質上的不同、並協助解決潛在的衝突。

PM與內部團隊和客戶的溝通也很重要。ML產品的性能,會隨著時間的推移而提高;但這也代表著,客戶可能無法在一開始就獲得最好的結果。使用者可以接受這一點嗎?

如何減輕使用者的風險、並保證可接受的最低性能?如何設計產品,以降低不確定性、並獲得最好的使用體驗?

5. 投資ML產品的理由

  • 改善使用者體驗或產品功能:ML可以用來讓產品更個人化、或是客製化;例如讓使用者更容易找到最相關的結果,或是應用ML來提高預測的準確性。這些都是對公司內部或外部使用者(客戶)潛在需求應用的考量。

  • 將流程或重複性任務自動化:公司同仁或客戶是否需要重複執行一些可以自動化的流程?透過自動執行重複性工作,可以節省時間、成本、資源,甚至創造更好的使用體驗。如果流程太複雜,是否可以將部分流程自動化、或幫助使用者更有效率地完成工作?Gmail的「Smart Compose」(字句建議)是一個很好的例子:現在,Gmail可以自動幫使用者完成句子,不需要每次都手動輸入「你好」這類重複的單詞或句子。

  • 開創新的商機:是否有新的商機或使用者問題,是以往無法解決、但現在可以用ML完成的?例如在倉庫中,貨物分揀通常需要人工完成,因為很難幫機器手臂編寫程式,讓它們識別和處理數百萬種產品;但是有了ML,機器人可以在最少的人工幫助下,自行學會識別各種物體。ML與人工智慧的這種能力,為倉庫機器人打開了龐大的商機。

6. 有些好的PM直覺,反而不適用於ML產品

有時候,管理軟體產品的方法不一定適用於ML產品。我常會提醒自己以下幾點:

  • 必須清楚認知開發ML和軟體產品之間的區別。要讓單一組織流程適用於所有產品,是不太可能的;必要的時候,你必須調整產品計畫流程(sprint planning)、產品藍圖、甚至整個組織。

  • 不需要太詳細列出產品需求書(Product Requirement Document)上的所有需求,而要著重於定義目標功能和衡量標準,讓ML團隊有更多探索和試驗的空間。

  • 與其在開發過程開始時向ML團隊詢問可能結果,不如與團隊密切合作,儘早開發和測試產品原型。

  • ML只是方法之一,並不一定非用不可。

總結

關於管理AI產品,我認為最重要的幾件事包括:

  • 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;不僅需要技術上的改變,還需要組織上的改變。

  • ML最適合用於協助決策或預測。

  • 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。

  • 從第一天就開始計畫數據策略。

  • 構建ML產品是跨領域的,牽涉到的職能並不只是機器學習而已。