5个面向产品经理的机器学习课程 “产品人员-产品经理,产品设计师,UX设计人员,UX研究人员,业务分析师,开发人员,制造商和企业家 August 08 2019 真正 人工智能,物联网,机器学习,机器学习产品,产品管理, 注意产品 有限公司 2809 产品管理 11.236

5个面向产品经理的机器学习课程

通过 ON

人工智能(AI)可能是当今经济中最大的商业机会。作为产品经理,这对我们意味着什么?

我们几乎每天都使用AI或机器学习(ML)驱动的产品,并且在未来几年中,这些产品的数量将呈指数增长。根据Crunchbase的数据,2018年 有5,000家创业公司 依靠机器学习为其主要和辅助应用程序,产品和服务。仅仅一年后,几乎 9,000个

人工智能被认为是第四次工业革命。到2030年,预计它将为全球GDP贡献15.7万亿美元,“使其成为当今快速变化的经济中最大的商业机会”, 普华永道的最新报告。 而且,像所有工业革命一样,它将不仅对我们的经济,而且对我们生活的所有其他方面都产生巨大影响。

作为产品经理,这对我们意味着什么?首先,随着企业主意识到AI的影响并将其集成到关键业务流程中,至少了解一些AI基础知识变得越来越重要,即使对于那些不使用AI产品的人也是如此。其次,由于出色的产品经理也是其团队的强大能力建设者,因此您应该开始寻找AI可以为您的产品提供的机会。

我想分享一下我的经验教训,可以帮助您开始自己的旅程的五个教训。

第1课:了解您要使用ML解决的问题

每个产品开发过程都始于确定要解决的正确问题:大家都记住,用户购买钻头不是为了钻头本身,也不是为了钻头可以钻出的漂亮孔,他们是为了购买自己想要的漂亮餐厅而购买的。用图片装饰。但是,通过机器学习,解决方案本身是如此令人兴奋且新颖,以至于常常忘记问自己为什么首先需要它。当新iPhone面世时,对于某些人来说,与其说是新功能,不如说是大肆宣传和排在队列中。

根据我的经验,机器学习可以帮助解决的问题通常属于以下类别之一:

我们是否可以使用户体验更加量身定制和个性化?

想像你’再去一家咖啡店。您更喜欢哪一种:咖啡师知道您的名字和您喜欢的饮料,正在播放您喜欢的音乐的地方,还是一切都是为普通顾客制作的?长期以来,我们一直在为大多数人生产产品– that’批量生产的运作方式–但是在一个可以实现个性化的世界上,我们可以并且应该为每个人打造。

人们的预算有限,不仅涉及金钱,而且注意力也受到限制。在 工作场所 在我工作的地方,News Feed可以帮助人们连接到最相关的工作更新,以便他们只有一分钟的时间可以阅读他们应该知道的最重要的内容。

找出这些问题,您通常需要将观察和数据分析结合起来。对于新闻提要,这意味着要询问人们是否有很多新的帖子,他们不会去看。如果是这样,排名可能会有所帮助。还是他们的库存中很少有帖子,但是有更多的发现内容可用?如果是这样,可能是推荐问题。

我们可以使用户体验更安全吗?

垃圾邮件引擎是这里最著名的例子,但还有更多。异常检测用于识别可疑的银行交易或伪造账户。完整性分类器允许标记有害或恶意的用户生成的内容。以前,这些事情大多数都需要大量的人力,而现在,如果没有ML,数字世界的巨大发展将是不可能的。

找出这些问题,则需要进行非常彻底的风险分析,并了解其对产品的潜在影响。

我们可以帮助用户更轻松或更快速地实现他们的目标吗?

我可以减少完成任务的步骤吗?例如,如果我需要写电子邮件,则有一个自动完成功能,使我可以更快地处理它。如果我需要购买一个星期的食物,则有一个部分“客户通常购买此产品……”。

找出这些问题,我们应该知道用户的旅程是什么样的:用户试图使用我们的产品实现什么目标,他们必须采取什么步骤?

我们可以创造以前无法实现的新体验吗?

例如,有超过3600万盲人,超过2.17亿有轻度至重度视力障碍( 世卫组织,2018年 ),很多人可能会觉得自己被排除在围绕照片的在线对话之外。 脸书 中的自动替代文本功能可生成照片描述,这些用户可以通过屏幕阅读器播放这些照片的描述,以便他们加入讨论。

唯一的办法 找出这些问题 是对用户需求和痛点的深刻理解。

总体, 这里的主要挑战是用户很少谈论这类问题 并且很少要求可以帮助我们推断此类问题是否存在的功能。因此,对自己和整个团队而言,培养同情心和用户理解水平至关重要。对问题的理解将影响我们决定收集哪些数据,构建功能,选择模型以及最终定义成功的方法:因此,确保所有团队成员都在同一页面上至关重要。

第2课:评估ML是否是解决问题的最佳方法

当我在一家初创公司从事通过客房内平板电脑进行酒店与客人的交流时,一位工程师想到了建立一个聊天机器人的功能,该机器人可以帮助客人快速找到有关住宿的相关信息。这也将减少通常不得不回答此类问题的接待员的工作量。我们与接待员进行了交谈,并迅速确定来自​​酒店客人的问题中有85%来自以下列表:

  • 退房时间是几点?
  • 什么时候早餐?
  • Wi-Fi密码是什么?

我们构建了一个小部件,当客人将平板电脑拿到手中时,该小部件将回答所有这些问题。接下来,我们尝试了解使用ML回答其余15%的查询是否有任何价值。我们做了一个经典的“绿野仙踪”实验,在平板电脑上安装了一个聊天小部件,但是所有问题都是由真人而不是机器人来解决的。我们了解到,剩下的大多数查询都需要人为帮助才能解决(例如,我能打铁吗?),因此使用聊天或任何复杂模型来回答这些问题都没有任何价值。

ML需要时间和精力来构建您的产品。 您需要优秀的人才,好的数据和大量的迭代来获得足够的质量–有时可能需要花费一年甚至更多的时间。是你吗’愿意投资,还是简单,更基本的启发式就足够了?

这里’另一个例子:如果我们’重新开发电子邮件客户端,并想捕获用户可能忘记添加附件的情况,我们可以简单地通过关键字搜索“附件”和“附件”。机器学习系统可能会捕获更多的错误,但是构建起来会更加昂贵。

实际上,这是考虑产品零状态的好方法。 收集数据需要花费时间,但这并不妨碍您启动产品。 看看2010年Instagram下方的图片。在“流行”标签中没有ML,它只是按照总体流行程度排序的图片列表。随着时间的流逝,此功能不断演变并变成了“ Instagram的 浏览”选项卡:通过大量的实验工程师,该功能变成了个性化且令人兴奋的体验。

Source: Todd Wickersty, //www.flickr.com/photos/toddwickersty/5069404490/in/photostream/

 

第3课:解决模型错误和偏见

产品经理的主要职责之一是集思广益,探讨模型可能如何失败以及如何在早期阶段减轻它。 稍后修正模型中的偏差可能是一个更困难且成本更高的过程。

想像你 want to build a ranking model for your e-commerce website. Your website is super popular so you take just the last couple of months to train a model. You forget that your dataset also includes December and Christmas holidays that skew your data due to unusual user activity and behaviour. A mitigation in this case might be to use a wider time range to train the model.

再举一个例子,假设您想 建立一个可以根据履历预测优秀技术候选人的模型。您使用10年的数据训练模型,在您意识到模型具有强烈的性别偏见(反映行业中男性主导地位)之前,它会显示出良好的结果。在训练模型之前,您如何解决?如果您有足够的性别数据,抽样可能会有所帮助。如果没有足够的数据,则可以应用的主要缓解措施就是根本不构建模型,因为其预测将有偏差。

虽然在第一个示例中,此错误只会导致相关结果较少和转换率降低,但在第二种情况下,它可能会导致错误的决策。这就是为什么 至少要尝试向人们打开ML“黑匣子”,这样他们才能了解正在发生的事情并做出应对,这一点很重要。向用户说明ML驱动产品的工作方式不仅使他们对系统更有信心,而且使他们可以更好地了解预期的行为是什么以及什么不是预期的行为,从而可以提高我们产品的质量。

老实说,打开黑匣子可能与构建模型本身一样复杂,但是ML世界正在逐步改变这一点。例如, 麻省理工学院的研究人员 最近宣布开发一种交互式工具,使用户可以查看和控制自动化机器学习系统的工作方式。因此,对于产品经理来说,记住以下三点很重要:

  1. 如果可能的话,让人们可以看到正在发生的事情。
  2. 为人们提供一种发信号并改变情况的方法。
  3. 如果模型故障的后果既无法解决(如在招聘示例中),也无法减轻,那么一开始就不值得开发模型。

第4课:查找计数器指标

人们了解模型如何工作的另一面是,他们将尝试对系统进行游戏。例如,SEO是一种“游戏”搜索算法并创建将显示在SERP中第一个位置的内容的方法。

我们该怎么办?让我们退后一步。当我们第一次决定构建一个ML驱动产品时,我们从问题定义开始:对于Search,它可能是 “用户希望能够在互联网上快速找到相关信息”。由于ML需要我们提供更具体和可操作的信息,因此我们正在尝试简化此声明,并了解可以快速告诉我们是对是错的内容,例如, 如果用户单击搜索结果,他们可能会发现它很有价值。 我们已开始针对点击率进行优化,但很快就会发现用户开始流失。为什么会这样呢?某些人了解到,要进入搜索范围的顶部,一种肯定的方法是创建一个Clickbaity标题和有趣的描述,以便用户单击它,但找不到任何相关内容。根据我们的解释,点击更多是很好的选择,但实际上他们只是找不到他们想要的东西。所以 我们需要回到问题定义中,然后思考定义“相关信息”的内容.

  • 是来自可靠来源的东西吗?
  • 内容是原创的吗?
  • 此页面是否包含数百个弹出窗口? --
  • 等等

对于“搜索”,我们必须提出许多定性方面,并不断对其进行人工评估并得出分数。这些分数用于评估新模型的质量,并将其与我们的在线成功进行比较。您如何确定定性方面?这是 用户研究和专家咨询。行业专家可以为您提供洞察力和领域知识,这将帮助您提出v1,用户研究将帮助您进行压力测试和完善这些假设。

另一个有趣的方面是 随着时间的流逝,系统可能会自行开始游戏。这就是所谓的勘探/开采问题:如果您以前对“美洲虎”的所有查询都点击了有关汽车的链接,那么我们现在应该在第一个位置上向您展示什么–关于汽车或动物的页面?在大多数情况下,好的模型通常会适合前者,但谁知道呢,可能您从来没有点击过动物,只是因为我们从未向您展示过它们,不是因为您不喜欢它们。随机化和多样性是您应该考虑的另外两个相对指标。

最后,保持最新状态。机器学习产品的主要挑战之一是它们是称为您的企业的生命有机体的一部分,并且它们对所有变化都敏感地做出反应。在大多数情况下,您并不是在创建独立的ML模型,而是在设计反馈循环:如果界面,用户操作或数据方面发生了某些变化,则您的模型可能会有所变化,甚至没有引起您的注意。此外,不仅这些组件中的更改可能会影响您。 在2006年,Netflix组织了1,000,000美元的竞赛 改进其建议:目标是改进对用户将为特定电影提供多少颗星的预测。这个问题非常复杂。获胜的团队不得不组合100种不同的算法,并获得了惊人的准确性,但从未实施过该解决方案。在竞争进行中,业务发生了变化:Netflix转向了在线流媒体模型,并可以收集用户点击或喜欢的互动–对于推荐引擎,此数据要好得多。对于用户而言,与电影进行互动比赋予其较高的评价更为重要。

第5课:设定正确的期望

总的来说,机器学习产品开发与常规过程似乎没有什么不同:您确定问题,确定机会大小,评估风险,衡量结果并监控回归。另一方面,魔鬼总是在细节上。在机器学习中,有多个活动部件,没有通用的解决方案,并且您不太可能会首次尝试解决问题。因此,ML产品经理应该做的最重要的事情之一是 设定正确的期望。机器学习产品开发不适合短跑运动员,而是适合马拉松运动员。由于解决方案是持续不断的,探索性的和细致的工作,因此您无法在两天内快速破解该解决方案– and your teammates, external partners, and leadership should understand this. 这里 are a couple of recommendations for you:

  • 明显地 传达您要解决的愿景和人员问题。 当您涉及太多技术细节时,人们常常会迷失方向,请保持简洁和高级。
  • 如果ML对您的公司来说是一个全新的领域, 分享ML开发过程中的步骤 and where you’ve got to. Then it’人们更容易跟踪您的进度。
  • 不要致力于数字目标 在项目开始时:整体大于各个部分的总和,因此您无法在交付v1模型之前评估其影响。将其构建为学习机会,并明确定义成功和失败。

对于某些人来说,机器学习是一个数学问题。我认为这是一个行为问题。了解人类的行为,情感,决策从来都不是一件容易的事,而且要花费时间,但是作为回报,您就有机会建立真正独特的东西。从设计对象和功能开始,我们已经进入设计体验,现在,借助ML技术,我们可以设计用户与产品之间的关系。 因此,不要害怕承诺:最后,这是获得幸福而又长寿的产品的最佳途径。

这里 are a few resources if you’d like to learn more about machine learning:

培训班:

  1. 人人享有的人工智能  (Coursera)
  2. 机器学习 (Stanford; Coursera)

图书:

  1. 赖以生存的算法
  2. 主算法
  3. 深度学习

通讯:

数据药剂