15.3k 人追蹤
追蹤

如何打造最小可行AI產品？這裡有份避坑工程指南



2020年12月19日 週六 下午2:04 ·10 分鐘 (閱讀時間)


編者按：本文來自微信公眾號「機器之能」（ID:almosthuman2017），36氪經授權發佈。
面向MVP的思維對於任何類型的系統都非常重要，AI也不例外，無論該技術看起來多麼令人興奮。用戶可以採用一種MVP的AI產品，而無需花費大量時間或金錢，並且可以通過早期客戶的反饋加以改進。就AI產品來說，其MVP產品也有一些特殊要求和特點。
文章作者Thomas H. Davenport是巴布森學院（Babson College）總統的信息技術與管理學傑出教授，牛津大學賽德商學院的客座教授，麻省理工學院數字經濟倡議的研究員，德勤（Deloitte）人工智能分析實踐方面的高級顧問，還是Glasswing Ventures的顧問。Rudina Seseri是Glasswing Ventures的創始人和管理合夥人，領導該公司從事AI企業軟件即服務，雲，IT軟件和垂直市場的投資。
什麼是最小可行性產品（MVP，Minimum Viable Product）？
MVP最初由技術專家Frank Robinson定義，也是 Eric Ries 在《精益創業》的核心思想，意思是用最快、最簡明的方式建立一個可用的產品原型，通過這個最簡單的原型來測試產品是否符合市場預期，並通過不斷的快速迭代來修正產品，最終適應市場需求。
簡單說，做新產品不要一開始就追求「盡善盡美」，先花最小代價做出「可用」的產品原型，驗證其是否有價值、是否可行，再通過迭代完善細節。
那麼，MVP的概念對AI意味著什麼？這個問題不僅與初創企業有關，而且與大型企業有關。許多公司正在其業務的不同領域開發AI試點項目，他們希望這些試點項目展示AI的潛在價值並最終走向規模化部署。大型組織的MVP概念與試驗或概念證明，有很多相似之處。
對於任何追求人工智能的組織來說，瞭解成功的MVP是由什麼組成是很重要的。對於一家主要投資人工智能公司的風投來說（比如Glasswing Ventures，我們都參與了這家公司 ），理解什麼是AI產品的 MVP以及如何改善他們同樣重要。我們認為，儘管一些IT產品的某些屬性是必須的，特別是在其早期階段更是如此，但是，它們可以經濟而且快速地迭代和演化。而就AI產品來說，其早期MVP產品也有一些特殊的要求和特點。
數據和MVP
機器學習是一種常見的AI基礎技術，通過大量數據得以改進。到目前為止，監督學習是業務中最常見的類型，需要標記數據。因此，數據可能是AI產品最重要的單一資源，即使在MVP階段，數據也是必要的。沒有數據，就沒有訓練有素的機器學習算法。
任何嘗試創建AI MVP的人都應該能夠回答下述問題（投資者或企業發起人應該向他們提問）：

• 訓練主要模型需要哪些數據資產？
• 是否已經有足夠數據來訓練某種有效的模型？
• 訓練模型的數據專有性（ proprietary）如何？
• 能用於訓練模型之前，還需要對這些數據進行多少數據集成，清理和其他活動？
• 某些時候，是否可以使用其他數據來改進模型？

機器學習算法或模型本身已變得商品化。自動化機器學習軟件的提供者之一DataRobot宣傳說，它已經創建了十億多個模型（當然，並不是所有模型都在使用中）。但是，數據仍然是更具挑戰性的資源，可能需要大量的精力來清理，集成並將其轉換為可用的格式。如果AI的MVP所使用的數據源廣泛可用（例如ImageNet數據庫），則不可能提供很大的競爭優勢。
Glasswing投資的一家初創公司Armored Things擁有的數據就具有專屬性，非常有價值。Armored Things的客戶主要包括活動場所和校園，幫助提高這些場所的人身安全以及設施和運營管理。該公司將來自現有視頻、Wi-Fi、智能門鎖和其他傳感器的數據組合到「空間情報層」中，構建實時人群情報AI平台。對於提高人們如何使用和移動物理空間的可見性來說，這套獨特、專有的數據集至關重要，也有助於將這家年輕公司的產品推向MVP階段。
洛杉磯足球俱樂部(Los Angeles Football Club)的職業足球隊正在使用這家初創公司的產品實時瞭解球迷流量，並對該俱樂部22000個座位的場館的人群密度、衛生和安全做出更明智的決定。該場館是職業體育運動中最高科技的設施之一。在COVID-19造成中斷後，球迷開始重返體育賽事之際，此類技術至關重要， 快速的數據分析和行動對於建立信任和優化安全體驗是不可或缺的。
數據和算法之外，MVP還需要什麼？
即便有干淨的專有數據，僅憑機器學習（尤其是深度學習）通常也不足以創建有效的AI。對於涉及到感知（語音、視覺），控制（機器人）和預測（客戶需求計畫）的問題，機器學習解決方案的可處理性和複雜性差異很大。
要實現MVP，早期的AI產品需要關注如下四個問題：
1. 複雜的混合模型
繼續閱讀報導