想當AI產業的產品經理，你得先了解「人工智慧」和「機器學習 ...

關於管理AI產品，我認為最重要的幾件事：. 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 ... 集團資訊關於我們集團介紹我們的團隊旗下媒體關鍵評論網everylittled.INSIDE運動視界Cool3c電影神搜未來大人物歐搜哇旗下節目多元服務Ad2Taketla拿票趣關鍵議題研究中心Cr.EDShareParty與我們合作內容行銷與廣告業務異業合作加入我們新聞中心日本版新上線EnglishEdition簡體/正體2019/12/02,科技PhotoCredit:APPhoto/達志影像 精選轉載TNL編輯精選好文轉載，感謝作者的熱情分享！ 看更多此作者文章...訂閱作者收藏本文文：BastianeHuang關於管理AI產品，我認為最重要的幾件事：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。

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。

從第一天就開始計畫數據策略（DataStrategy）。

構建ML產品是跨領域的，不只是資料科學。

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。

機器學習成長的主要驅動力，包括先進的演算法，大數據，和硬體價格下降，因此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。

CarnegieMellon大學教授湯姆·米切爾（TomM.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（SupervisedLearning）：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（labeleddata）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（UnsupervisedLearning）：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（anomalydetection）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（ReinforcementLearning）：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（ObjectiveFuncion）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。

PhotoCredit:Depositphotos_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GoogleAssistant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」（trainingdataset），也在「驗證數據集」（validationdataset）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。

PhotoCredit:Shutterstock/達志影像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。

12»全文閱讀 Tags：AI人工智慧機器學習深度學習deeplearning數據產品管理科技業More...成為會員，在關鍵評論網暢所欲言成為會員成為會員多數民眾明年3-4月可接種追加劑，什麼樣的疫苗三劑組合較為推薦？1則觀點無法「豚」圓：不應視為「害蟲」——昔日野豬管理的檔案啟示1則觀點謝謝王力宏提醒我們，結婚前一定要去對方家裡好好觀察1則觀點「口譯哥」趙怡翔提不在籍投票卻被炎上，不在籍投票分成哪幾種？台灣可能採用的是哪個？2則觀點3+11等防疫混亂讓年輕人憤怒，他們如何理解國民黨「用公投民意懲罰民進黨」？3則觀點索尼攜手台積電在熊本設廠，為何受到日本社會批評？學者：該補貼案使日本廠商更難以競爭1則觀點大同高層頻換人，王光祥接手董事長未來重點「活化土地」，研究員強調：公司並不會放棄電子本業1則觀點美、日晶片荒未獲改善，業內人士：白宮可能擴大查供應鍊囤貨，矛頭指向中國1則觀點【重啟核四公投QA】爭議超過20年，核四當初蓋到哪了？沒有它台灣會缺電嗎？1則觀點【公投民調】6成民眾會投票但所有人投票意願都降低，哪個黨的支持者「不跟著黨投」？2則觀點