方格精選
關於AI，每個產品經理都必須瞭解的三個問題／Bastiane Huang
閱讀時間約 7 分鐘
上個月，筆者在舊金山舉辦了第二次的AI與ML產品經理論壇；五位AI/ML產品經理分別來自矽谷新創、Google、YouTube等科技公司，橫跨醫療、製造業、App等產業與產品類型，和我們一起進行了豐富多元的討論。本文所節錄的，是會中獲得熱烈討論的三個重要議題。
Bastiane Huang
Bastiane Huang目前在舊金山的AI/Robotics新創公司擔任產品經理，擁有近10年產品行銷及市場開發管理經驗；曾在美國《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，歡迎追蹤她的最新訊息。
我們涵蓋了各種各樣的主題：從最適合ML（機器學習）的應用案例類型、管理ML產品的獨特挑戰、產品規劃以及優先順序、常見錯誤、與ML工程師的最佳合作方法，一直到作為成功ML產品經理所需要的基本技能等等。
以下節錄三個當晚討論到的重要問題。
ML模型難以解釋，該怎麼向用戶說明？
在先前的文章〈給產品經理的AI開發指南〉中，我談到了可解釋性問題對管理ML產品帶來的重大挑戰。ML與一般軟體不同的是，工程師不會為ML演算法定義一組規則，而是提供訓練數據，讓神經網路來自行學習。
開發ML也與其他軟體工程不同：ML產品需要更多實驗、也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大的彈性；因為它可以自行學習，而不需要我們來編寫規則。
ML產品需要更多實驗、也涉及更多的不確定性和可變性。
但是，這也意味著ML模型像是一個黑盒子，我們只知道輸入和輸出，卻不知道它內部的實際運作方式。為了解決這個問題，科學家們開始研究所謂「explainable AI」（可解釋的人工智慧），研究如何在ML模型開發之前、開發期間、或是開發之後解釋AI所做出的判斷。
然而，即使我們能夠將AI的判斷解釋得更好 ，相較於軟體程式，機器學習仍然涉及更多的機率與不確定性；因此，對於ML產品經理來說，更重要的問題是：我們如何向用戶說明這種不確定性、並且讓他們接受？
在AI時代，用戶體驗（UX）將比以往更加重要！
根據最新研究，有三分之一以AI技術為基礎的醫療保健軟體系統服務（SaaS）公司，都正在研究AI醫療診斷。但是，ML的不確定性和缺乏可解釋性，讓診斷結果更難獲得臨床醫生或病人家屬的信任。
Mike Ng是矽谷醫療新創公司「Remedy」的產品策略負責人、也是共同創辦人；這是一家利用可解釋的深度學習（deep learning）和強化學習（reinforcement learning）技術，來進行慢性疾病篩查的公司。他提供了將ML轉化為UX問題的有效方法：
我們選擇不直接陳述機器預測的結果，而是將預測描述為：由於A、B、和C原因，讓某位患者得到某種疾病的機率比一般人高出五倍。
這樣一來，我們將模型預測的有用資訊提供給醫生，以便醫生可以使用這些資訊來做出決策。
因為ML更具不確定性，因此顯示每個預測的可信程度（confidence level），也是引導使用者正確期望的一種方式；也就是說，與其為使用者提供決策，不如考慮呈現數據，讓使用者自己做出選擇。
鼓勵使用者提供回饋也相當重要。即使95%的時間模型能夠預測正確結果，但仍有5%的情況下模型可能出錯，我們需要能夠有效而順暢的的處理這些錯誤。
如何找出最適於用ML解決的用戶問題？
ML可用於解決各種問題，但就核心應用案例而言，ML最適合決策或預測。我們可以進一步將ML應用程式分為三種類型:
- 檢測／檢查（detection/inspection）：幫助使用者識別缺陷或異常，例如銀行或保險的詐欺檢測，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、以及人機互動等等。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）：幫助使用者篩選並處理大量高維感官數據；例如：人工智慧機器人、自動駕駛汽車等等。
作為產品經理，你需要知道什麼時候應該使用什麼ML技術；更重要的是「什麼時候不該使用ML」。例如，當你的產品需要高精度或可解釋性時，就可能需要考慮使用其他方法來解決用戶問題。
但是，瞭解ML的應用案例只是第一步。要實際開發客戶需要的解決方案，產品經理必須成為技術人員和使用者之間的溝通橋樑；因為技術人員瞭解ML，但並不太理解客戶需求，而使用者對產品應用案例有豐富經驗、也希望應用ML，但卻不知道從何開始。
這兩組人通常不會說同一種語言。作為產品經理，你需要花費大量時間與工程師或科學家合作，以瞭解ML的潛力和侷限性；你也應該經常與客戶交談，以確定他們的痛點、並思考團隊可以建構怎樣的解決方案，來解決客戶的問題。
與ML研究人員和工程師的最佳合作方法是什麼？
在回答這個問題之前，首先需要弄清楚的是：你的目標是什麼？公司的目標又是什麼？
如果你的公司想發表更多的論文，那麼擁有一個純粹的研究團隊是正確的；然而大多數公司想做的，都是設計解決使用者問題的產品，而不是單純做研究。所以，能將公司的目標說明清楚，你才能吸引到對的人。
將公司的目標說明清楚，你才能吸引到對的人。
其次，一旦你有合適的人才，要確保他們能與公司的其他部門保持聯繫，以瞭解我們的產品藍圖。例如可以把ML研究人員與工程師放在同一個團隊中，以便構建早期原型，來測試關鍵功能並改良產品，而不是花費大量時間做學術研究。
由於ML產品的不確定性，我們希望給ML科學家更多的時間和空間來探索和實驗；但我們必須讓團隊專注於客戶真正需要、並且願意付費使用的功能。這就是為什麼我們需要對實驗設定時間限制，並鼓勵團隊儘早、並且經常測試模型。
另一個有趣的觀點是，ML不僅需要技術變革，也需要組織變革。作為ML產品經理，你可以讓其他合作夥伴瞭解ML產品為何更具有挑戰性、同時幫忙解決潛在衝突。
就像我之前提到的：必須清楚認識開發ML產品、以及軟體產品之間的區別，因為沒有一個組織流程是可以一體適用的；無論是衝刺（sprint）流程、規劃、或是組織，都必須視需要隨時調整。
結語
「定義數據策略」並不是資料科學家的責任，因為這應該是一個策略決定；即使在構建ML產品之前，公司內部也必須對策略達成一致意見。在你想進入的市場之中，是否已經有產業巨頭掌握了大多數資料？你應該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。
光是讓工程和產品團隊理解這些問題是不夠的。公關或行銷人員是否瞭解ML產品的性質與利弊？做出錯誤預測的後果和代價是什麼？公司準備好回答所有這些問題了嗎？
如果您想獲得所有未來活動的通知、或是收到AI和ML產品經理的Facebook私密群組邀請，請在此處訂閱；如果您有任何建議，也歡迎聯繫作者。
為什麼會看到廣告
留言0
查看全部
你可能也想看
1.加權指數與櫃買指數
週五的加權指數在非農就業數據開出來後，雖稍微低於預期，但指數仍向上噴出，在美股開盤後於21500形成一個爆量假突破後急轉直下，就一路收至最低。 台股方面走勢需觀察週一在斷頭潮出現後，週二或週三開始有無買單進場支撐，在沒有明確的反轉訊號形成前，小夥伴盡量不要貿然抄底，或是追空
近期的「貼文發佈流程 & 版型大更新」功能大家使用了嗎？
新版式整體視覺上「更加凸顯圖片」，為了搭配這次的更新，我們推出首次貼文策展 ❤️
使用貼文功能並完成這次的指定任務，還有機會獲得富士即可拍，讓你的美好回憶都可以用即可拍珍藏！
今天的機器已不斷探索出那些隱藏在海量資訊中的相關性，以及萬事萬物間的隱蔽關係；這些人類無法感受也無法表達的「暗知識」，將徹底重塑世界。
— 《 AI背後的暗知識 》, 2020
而在非監督式學習裡面，有一個種類的學習應用場景非常的特殊，它能夠幫助我們尋找資料之間隱藏的規則，協助我們去做商業決策，這就是我們今天想來談談的主題─關聯規則學習（association rule learning）...
我看《在AI時代勝出：行銷自己的祕密》：打造獨特且關鍵的價值主張
我很愛看書，所以對某些書的印象非常深刻。
舉例來說，還記得之前剛開始接觸《在AI時代勝出：行銷自己的祕密》這本書的時候，其實我是對這個書名有點意見的！因為，人家原本的書名是《「あなた」という商品を高く売る方法―キャリア戦略をマーケティ
當AI機器人擁有自由意識那這個世界會變成甚麼樣子?1950年計算機科學家艾倫圖靈已經發明了圖靈測試以測試機器是否能夠表現出與人等價的智能。隨著科技革新，人工智能的開發對於人類生活影響力越發強大，人類享受著科技為生活帶來的便利，另一方面人類也開始懼怕起科技產物。
小時候看過 AI 人工智慧那部電影嗎? 對那個後來外型有點走鐘的小童星(演技超高)。我寫下去發現會落落長，分個兩篇好了XD
Why hasn’t AI changed the world yet?
為什麼人工智能AI還沒有帶來世界的改變？不是應該全交給機器人，現在有史帝夫，那我的哆啦A夢咧?
人資在進行人才招募，常以學歷作為錄取的門檻之一，但有時候就會忽略掉學歷不如人，但能力不錯的人才。來自加拿大的新創公司Plum 提出人工智慧招聘方案，不在看學經歷，而是專注於面試者的人格特質，例如: 領導力，利用機器學習技術，建立人才招聘特質資料庫，招聘流程是讓提出職缺的公司，填寫職位需求，讓Plum
1.加權指數與櫃買指數
週五的加權指數在非農就業數據開出來後，雖稍微低於預期，但指數仍向上噴出，在美股開盤後於21500形成一個爆量假突破後急轉直下，就一路收至最低。 台股方面走勢需觀察週一在斷頭潮出現後，週二或週三開始有無買單進場支撐，在沒有明確的反轉訊號形成前，小夥伴盡量不要貿然抄底，或是追空
近期的「貼文發佈流程 & 版型大更新」功能大家使用了嗎？
新版式整體視覺上「更加凸顯圖片」，為了搭配這次的更新，我們推出首次貼文策展 ❤️
使用貼文功能並完成這次的指定任務，還有機會獲得富士即可拍，讓你的美好回憶都可以用即可拍珍藏！
今天的機器已不斷探索出那些隱藏在海量資訊中的相關性，以及萬事萬物間的隱蔽關係；這些人類無法感受也無法表達的「暗知識」，將徹底重塑世界。
— 《 AI背後的暗知識 》, 2020
而在非監督式學習裡面，有一個種類的學習應用場景非常的特殊，它能夠幫助我們尋找資料之間隱藏的規則，協助我們去做商業決策，這就是我們今天想來談談的主題─關聯規則學習（association rule learning）...
我看《在AI時代勝出：行銷自己的祕密》：打造獨特且關鍵的價值主張
我很愛看書，所以對某些書的印象非常深刻。
舉例來說，還記得之前剛開始接觸《在AI時代勝出：行銷自己的祕密》這本書的時候，其實我是對這個書名有點意見的！因為，人家原本的書名是《「あなた」という商品を高く売る方法―キャリア戦略をマーケティ
當AI機器人擁有自由意識那這個世界會變成甚麼樣子?1950年計算機科學家艾倫圖靈已經發明了圖靈測試以測試機器是否能夠表現出與人等價的智能。隨著科技革新，人工智能的開發對於人類生活影響力越發強大，人類享受著科技為生活帶來的便利，另一方面人類也開始懼怕起科技產物。
小時候看過 AI 人工智慧那部電影嗎? 對那個後來外型有點走鐘的小童星(演技超高)。我寫下去發現會落落長，分個兩篇好了XD
Why hasn’t AI changed the world yet?
為什麼人工智能AI還沒有帶來世界的改變？不是應該全交給機器人，現在有史帝夫，那我的哆啦A夢咧?
人資在進行人才招募，常以學歷作為錄取的門檻之一，但有時候就會忽略掉學歷不如人，但能力不錯的人才。來自加拿大的新創公司Plum 提出人工智慧招聘方案，不在看學經歷，而是專注於面試者的人格特質，例如: 領導力，利用機器學習技術，建立人才招聘特質資料庫，招聘流程是讓提出職缺的公司，填寫職位需求，讓Plum