管理机器学习（ML）产品为何比传统软件更复杂？关键在于“实验”！

在管理AI产品时，有几个重要因素需要考虑： - 机器学习产品管理比传统软件更具挑战性，因为其包含更多不确定性。 - 不仅需要技术上的变革，还需要组织层面的调整。 - ML最适合用于决策或预测任务。 - ML产品经理的主要职责包括明确问题、确定需求、设定评估标准，并给予工程师足够的探索空间。 - 数据策略从一开始就应被纳入规划。

构建ML产品是一个跨学科的过程，不仅仅是数据科学。

在《AI重塑机器人》这篇文章中，我提到ML最大的变化在于：

机器从依赖手动编程转变为自主学习。

机器不再需要人工指示，而是根据数据中发现的模式自行做出预测和改进。这种能力使得ML特别适合解决那些难以明确界定的问题。这也意味着ML可以使产品更加个性化、自动化和精确。

先进的算法、大数据和硬件成本下降推动了ML的发展。

AI正在各行各业中逐渐普及。据麦肯锡报告显示，近半数公司的研发流程中已融入AI技术，另有三成公司正在进行AI项目的试验。

这表明，许多人认为ML可能引发比移动技术更大的行业变革。然而，与此同时，引入ML产品的难度也可能比当初采用移动技术高出许多。为何如此？在探讨具体原因之前，先了解一下什么是ML。

机器学习的三大类型：监督学习、无监督学习和强化学习

尽管AI的定义尚未统一，但一旦某项任务可以被机器高效完成，它便不再被视为AI的一部分。ML是AI的一个分支。卡耐基梅隆大学的汤姆·米切尔教授将机器学习定义为一种能够根据经验自动改进的算法。

机器学习主要有三种类型： - 监督学习：最常见的类型，从标记数据中学习，常用于预测结果。 - 无监督学习：直接从数据中寻找模式，可用于聚类、关联分析和异常检测。 - 强化学习：通过环境反馈进行学习，通常应用于控制领域。

机器学习产品的分类

根据产品类型及其核心价值来源的不同，所需的技能和关注点也会有所差异。

用户群体：企业还是普通消费者？

消费级ML产品，如Alexa或Google Assistant，更注重用户体验（UX），而ML技术则是提升UX的一种手段。例如，自然语言处理（NLP）用于改善人机交互体验。

另一方面，面向企业的ML产品，比如用于预测工厂设备维护周期的算法，核心价值往往来源于预测的准确性，而非用户体验。

这并不意味着UX对面向企业的ML产品不重要，而是资源有限时需优先考虑优化特定部分。

ML模型的核心角色

如果你的产品价值主要来源于ML模型，那么你很可能是在设计一个ML产品。相反，如果ML只是用来增强用户体验或部分功能，则你可能是在应用ML技术。

在第二种情况下，产品经理应更多关注模型的输入和输出，而不是技术细节，如算法基础。

产品类型也会影响组织结构。对于专门研发ML产品的公司，通常会雇佣机器学习研究员或数据科学家，并将其与工程师团队结合。而对于希望将ML应用于现有产品的公司或资源有限的小型企业，最佳策略是招聘跨领域的ML工程师或培训现有工程师掌握ML知识，而非专门聘请研究者。

构建ML产品是跨学科的

开发ML产品很少仅限于ML本身，它涉及多个方面，包括模型设计、训练、软件工程、后端架构、数据分析、用户体验设计等。

产品经理需要协调多学科团队，并解决团队间的依赖关系和潜在冲突。ML与传统学科的区别在于其更高的不确定性和迭代性质。

关键的ML概念

• 过拟合：模型在训练数据上表现良好，但在新数据上表现不佳的现象。
• 深度学习：主要用于图像分类，通过神经网络逐层抽象特征。
• 自然语言处理：使机器能够理解人类语言的技术，但不一定涉及ML。

管理ML产品的挑战

实验是关键

与软件工程不同，开发ML产品需要更多的实验和不确定性。软件工程是确定性的，而ML则具有更高的随机性，因为它可以自行学习。

例如，如果你想教机器识别猫。在软件工程中，你可能会设定“猫有四条腿和两只尖耳朵”的规则。

而在深度学习中，你需要提供大量标记好的猫的照片，让机器自行学习规则。

产品经理需要引导团队定义问题、准备数据、建立模型、测试和迭代，直至获得满意的结果。这需要承担更高的风险，因此要建立合理的期望，避免团队间的冲突。

开发ML是一个迭代的过程

ML非常适合处理人类难以明确界定的问题。模型需要训练、测试和调整，这使得定义ML产品的里程碑和时间表变得困难。

因此，产品经理需要明确需求、设定评估标准，并确保团队经常根据这些标准测试ML模型。

组织结构的挑战

ML与软件工程的本质不同，需要进行根本性的组织变革，如培养实验文化、数据驱动思维和对不确定性的包容。

忽视组织变革，将ML仅仅视为技术问题，可能导致“创新者的困境”。这对硬件公司尤其具有挑战性，因为ML无法一开始就能达到100%的准确率，且需要大量数据支持。

ML仍然是一个新兴领域

与软件工程相比，ML仍处于起步阶段，缺乏标准化、指标、基础设施和开发工具。因此，相关企业仍在探索最佳实践。

ML产品的可解释性和透明度

ML算法像一个黑盒子，输入数据后输出预测结果。这使得产品经理难以解释模型的工作原理，也难以获得全面的支持。

特别是在医疗保健等关键领域，确保ML模型与产品目标一致是一项挑战。

面对这些挑战，如何管理ML产品？在接下来的内容中，我将分享我的实践经验。

作者：Bastiane Huang，目前在旧金山担任一家AI/机器人初创公司的产品经理，专注于开发用于机器人视觉和控制的机器学习软件。她在产品管理和市场开发方面拥有近十年的经验，并在《机器人商业评论》和《哈佛商业评论》上发表了多篇文章。

本文由@Bastiane 原创发布于人人都是产品经理，未经允许，禁止转载。