有勁的基因資訊

AI軟體產品研發困難的解決之道

作者：張凱迪/有勁基因

　　沒有三兩三，怎敢上梁山；AI軟體產品經理除了要有能力對機器學習產品開發專案做出正確評估之外，還得將專案接著應用在實際商業用途上。網路媒體VentureBeat曾調查發現，無法順利推出的機器學習產品比例高達8成7。研發專案的達成率要如何才能提升？若能從以下三個面相做出改變，或可幫你達到目的。

一、導入實驗型的企業文化

　　「消費性導向產品」與「企業公司產品」相較起來，前者的企業文化會比較需要具備實驗類型的風格。對後者的企業軟體產品而言，他們的產品訴求通常是源自少數客戶的一連串意見，包括大肆抱怨某些功能應該是產品「必須具備」或「不該出現」的；如果被這種情況牽制住，就很難下決心去為產品的改善進行試驗活動。同時，企業軟體也比較少會去針對數據面持續進行追蹤、測量和紀錄；例如甲骨文(Oracle)公司的軟體就是企業軟體，可能就不會費太多心力在這些方面上。甲骨文即使擁有許多企業客戶，但他們的客戶數量若與亞馬遜和沃瑪等大型網路零售商相比，根本就是小巫。像亞馬遜和沃瑪這些網路零售商，他們的產品開發就是消費性導向的，因此比較會以「客戶回饋的草根營銷模式」為主要開發依據；換句話說，就是會透過使用者回饋和追蹤紀錄的大數據去驅動產品的改善。因此，亞馬遜和沃瑪這些擁有各種多類型消費者的網路零售公司就需要將大量的投資挹注在數據分析的基礎設施上，才能順利以網路產品體驗的方式去測量和提升產品使用者黏著度(忠誠度)；於是，數據資料分析類型的基礎設施便成為這類大型網路零售企業建立AI產品的基礎之一。在The AI Hierarchy of Needs²一文中，Monica Rogati認為惟有當資料彙整、資歷搜集、資料處理流程、資料前處理、基礎分析方法等等資料基礎設施都穩固時，才有足夠的能力去建立AI相關的產業。

二、辨識出哪些為可解決的機器學習問題

　　產品經理同時也會是產品研發團隊的成員之一。研發過程中的每項決策其實都很重要且困難，如果風險很高⼀例如有些問題的解決方法成本太高或是很難成功，這時產品經理就得考慮重新選擇方案。研發中的產品預覽版本，一般會預計要在12個月內以最低支出來取得市場價值。然而對AI產品來說，即便是看起來很簡單的AI前期專案，都未必能很快完成，要找到充分理由來說服投資接下來的研究開發也因此相形不易。這時候，AI產品經理就需要先花一些心力將「最低限度的可行產品(Minimum Viable Product; MVP)」定義出來。

　　如何在「用最低成本」和「能最快速上市檢驗可行性」的天秤兩邊定義出「最低限度的可行產品」？產品的哪些功能應該一開始上市就有？哪些功能應該要放在之後的版本再出？這方面的評估可以在產品初期測試或是初版時，利用簡單或探索式的測試模型(採線性迴歸或是平均值)去進行。此外，利用展示用的產品試驗版本可以減輕機器學習開發團隊在選擇方案時需要面臨的壓力。最後還有一些重要的問題得面對，例如：手上有哪些技術可以拿來商品化？哪些產品的開發時程有可能過長？對於AI產品經理來說，有能力去精確定義方案的可行性是非常重要的。如果能非常精準地描述想完成的方案目標，並將可能會面對的問題精簡分解，表示你已經準備好了。

　　想辨識機器學習問題能否解決的另一個方法，是去評估該機器學習產品要建立出具資料標註及資料對應評分的演算法需要花多久時間？「資料標註的簡便性如何」是評估演算法開發效益如何的好方法。舉個例子，假如你能將機器學習產品中按讚、垃圾郵件等使用者活動資料建上標註，代表你已經插旗，取得可訓練模型用的輸入輸出配對機會了。否則，你還得花大筆錢委外去做資料標註，造成在產品展示樣品的研發初期階段就花掉了一堆成本。同時，如果在研發一開始便無法取得已具備標註、品質良好的大量訓練資料，接下來更多難以解決的AI產品開發問題就會讓你束手無策。

三、專注在對業務至關重要的事情上

　　產品經理有個很重要的責任，就是要確保團隊正在處理的是值得去解決的問題。如果團隊花了3到6個月的時間去定義和解決問題，但是卻沒人在乎「解決這個問題是否能對公司業務帶來任何幫助或改變」，這樣是不行的。所以，作為AI產品經理就需要去負責決定機器學習專案的優先順序、決定哪些標的內容需要優先處理、判斷專案有哪些部分可以帶來最大的投資報酬率。尤其機器學習系統的建立都需仰賴大量團隊配合和數據工程方面的投入，因此必須考量最終成果是否能與所挹注的投資取得平衡。

　　AI浪潮可能會讓很多人以為只要採用AI技術就能讓公司賺到的利潤翻上幾倍，其實這不太切實際。AI產品經理得要很誠實地去面對這些期望，也就是說，不要去做過度的承諾，但也不能產出過低。然而產品經理總是得要給出一定的承諾，只不過，要給出怎樣的承諾應該有所根據，例如：制訂的產品規格是否確實可行？這些規格是不是客戶想要的？所取得的產品錯誤預測率是否切合實際？產品的開發流程是否清楚？此外，還需評估確定目前的投資方案從時間和資源投入的角度來看是否為最佳方案？還是有其他更好的替代方案？

　　為了要能夠做出這些判斷， AI產品經理除了需要對公司資源的分配了然於胸之外，還得有能力自己做一些數據分析、執行資料庫數據查詢、設定指標和建立儀表板等等。如果無法親自掌握這些數據、或正確定義出監控指標，就很難去判斷哪些產品開發專案為可行的、以及能否成功，也沒辦法知道預測模型的性能何時會走下坡。

　　剛成為AI領域產品經理的新手，想立刻確定能勝任提升研發專案達成率的要件雖然很難，但在整個學習及參與專案開發的過程中，至少應該可深入體會到AI技術所帶來的獨特價值。

參考文獻

1. Skomoroch, P. and Loukides, M. (2020 March 31). What you need to know about product management for AI: A product manager for AI does everything a traditional PM does, and much more. Retrieved from O′Reilly Media, Inc. https://www.oreilly.com/radar/what-you-need-to-know-about-product-management-for-ai/

2. Rogati, M. (2017 June 12). The AI Hierarchy of Needs. Retrieved from Hacker Noon. https://hackernoon.com/the-ai-hierarchy-of-needs-18f111fcc007