給產品經理的AI開發指南#1／Bastiane Huang
為什麼管理機器學習（ML）產品比一般軟體困難？因為開發ML產品的不確定性和可變性更高；而一般軟體工程則是為機器編寫規則，原本就有高度的確定性。而ML系統可以自行學習，所以並不需要人來編寫規則。總之，「實驗」就是開發ML產品的關鍵。
關於管理AI產品，我認為最重要的幾件事是：
不確定性：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。
最適合的用途：ML最適合做出決策或預測。
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。
數據策略：從第一天就開始計畫數據策略（Data Strategy）。
跨領域：構建ML產品是跨領域的，不止是資料科學。
在先前的〈AI重新定義機器人〉一文中，提到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特別適用於那些過去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、也更精確。
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）顧問公司最近的報告中顯示，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將比行動運算技術帶來更巨大的產業變革；但與此同時，企業引進ML的難度，也可能比當年採用行動運算技術更高上數倍。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。
ML的三大類型：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由機器執行，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，RL）：演算法藉由得到環境中的回饋而學習；通常用於機器人技術、或是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」；當每次機器人成功到達B點，就會得到正面回應，然後如此反覆，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，將會需要不同的技能、並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理想用戶體驗的方式之一。
例如NLP（自然語言處理）被用於Alexa及用戶之間更自然的溝通；另一方面，以B2B企業市場為主、特別是工業用的ML產品（例如用於預測工廠儀器維護時程的演算法），核心價值往往來自預測的準確性，而不是UX。
這並不是說UX對企業用的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。
在這種情況下，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」，而是應該花時間瞭解模型的輸入（input）和輸出（output）。
舉例來說，你要使用的這個ML模型，是否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產品通常需要技術能力更高的產品經理（PM），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，通常會雇用相關領域的研究人員或資料科學家，並將他們與ML工程師組成團隊。
相反的，對於想將ML應用於產品上的公司、或是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、或是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。
研發機器學習產品時，很少會只涉及ML，通常都是跨領域的；涉及的不僅是ML模型的設計及訓練，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（例如機器人或自動駕駛汽車），情況則會變得更加複雜。
PM需要知道使用ML可以做什麼、不能做什麼，何時應該使用ML、以及何時不應該使用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，但對於沒有看過的數據，驗證的表現卻反而會變差。
深度學習（DL）：主要用於圖像分類。DL使用深度神經網路，並以標籤圖像作為輸入；神經網路的每一層，都會將輸入轉換為稍微抽象和複合的表現形式。最後，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。
與軟體工程不同的是，開發ML產品需要進行更多實驗，也涉及更多的不確定性和可變性。至於軟體工程，則是一種為機器編寫規則的確定性過程；另一方面，ML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照片（事先標記好這是貓的圖像），然後讓機器自行學習，摸索出規則。
你和團隊要做的是：定義問題、準備數據、建立機器學習模型、測試、迭代，直到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，通常需要承擔更多風險的原因。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。
這並不一定是ML團隊的問題；因為在實驗階段，就連ML團隊也很難預測最後模型的表現是好是壞。所以，讓其他團隊瞭解ML產品的實驗本質就很重要。
此外，讓工程師與研究人員、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，並且定期測試，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（iterative）的過程。
正如前面提到的，ML非常適合解決人類無法明確定義的複雜問題；而模型則需要訓練、測試、和調整。
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；這也是為什麼通常很難定義ML產品的里程碑和時間表。
也因為如此，對於PM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. 除了技術挑戰外，還有更多的組織結構挑戰。
因為ML與軟體工程截然不同，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、以數據分析推動思維方式、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「創新者的困境」[footnote]編按：原文為「The Innovator’s Dilemma」，為提出「破壞性創新」理論的Clayton Christensen教授1997年出版的作品書名。[/footnote]。
這對機器人製造商等公司來說，尤其具有挑戰；因為它們過去一直追求產品的高精度；然而，ML技術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，ML產品需要大量數據，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」一詞最早在1965年出現，也就是程式語言出現的15之年後；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。如今，我們已經找到了軟體工程的最佳典範（best practice）。
反觀機器學習，在1990年才開始成為一個獨立的領域、並且蓬勃發展。深度學習是ML的一部分，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，因此仍缺乏產業標準、衡量指標、基礎架構、以及開發工具；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）；這可能會讓PM很難解釋ML模型如何運作、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，責任歸屬和透明度非常重要；在沒有清楚瞭解演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，會是一項艱鉅的挑戰。
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，筆者將分享自己所學習到的最佳作法。