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。