编者按：本文来自“人人都是产品司理”（大众号ID：woshipm），作者：Bastiane，36氪经授权发布。
在《AI 开发攻略：机器学习产品是什么？》文章傍边，咱们评论了办理AI产品所需求的根底知道和应战。
对产品司理(PM)来说，AI或ML(机器学习)产品办理比一般软件更具应战性，由于它触及更多的不确认性。不只需求技术上的改动，还需求组织上的改动。
简略举例说明，假如你想教机器辨认猫。
透过软件工程，你或许会列出像是「一只猫有四条腿和两个尖尖的耳朵」这样的规矩。规矩越清晰，越完好越好，由于机器有必要依靠这些规矩来做出判别。
相反，假如你运用深度学习，要做的就不是供给清晰的规矩。而是要为机器供给一堆相片（事前标记好哪些是猫，哪些不是），然后树立ML模型或神经网络，让机器自行学习，探究出规矩。
（source: IBM Research Blog）
你和你的团队要做的是：界说问题，预备数据，树立机器学习模型，重复测验和调整，直到你具有能够供给所需成果的模型停止。
正由于开发ML产品需求更多的重复试验，作为一个PM，你需求给工程师和数据科学家更多的空间和时刻去探究。
可是你怎么帮忙你的团队应对不确认性？怎么在清晰界说问题和衡量成功规范的一起，又给团队满足弹性进行试验探究？
以下这几件事很重要：
一、规划：从清晰界说问题开端
ML是一种东西，是到达方针的办法之一。假如你要处理的问题不需求ML，就不应该运用ML。
咱们要从确认问题开端：找到有商场需求，技术上可行的客户痛点。先进行商场评价，找出客户的实在需求，接下来则是判别ML是否能够在必定程度上帮忙咱们处理用户的问题。
机器学习有许多或许的运用，但原则上，机器学习最适合用来进行决议方案或猜测。
咱们咱们能够将ML运用分为几种类型：
检测/查看（detection/inspection）：帮忙用户辨认缺点或反常，例如银行或稳妥的诈骗检测，或出产在线的产品缺点检测。
模式辨认（pattern recognition）：帮忙用户挑选很多数据。包含引荐，排序，个人化，分类，猜测保护，以及人机互动；例如针对Alexa或Google Home等智能音箱进行自然语言处理（NLP）。
高维认知（high dimension cognition）：帮忙用户挑选，处理很多高维感官数据。例如：人工智能机器人、无人驾驶轿车。
在以下情况下，你应该防止在产品中运用机器学习：
能够用更简略的规矩处理问题。
正在构建的处理方案不需求因应新数据而改动。
无法获得练习ML模型所需的数据。
产品要求高精度，不能容许任何一点犯错。
产品需求信息彻底通明。
找到正确的问题后，下一个重要任务便是清晰界说需求。
开发ML产品是一个需求敏捷迭代（iterative）的进程，常会听到有人说「咱们先建一个ML模型，再看看成果怎么」。但假如跳过了「事前方案」和「界说问题」的过程，终究或许反而会糟蹋整个团队很多的时刻，而得不到详细成果。
二、界说「方针函数」和「指针」，保存更多空间和弹性
ML产品不要求咱们事前编写规矩，而是由机器主动从很多的数据中剖析规矩。
与一般的软件工程比较，它更具试验性及不确认性，所以很难猜测哪些办法有用、哪些无效。这便是怎么回事在决议终究处理方案之前，有必要给工程师和数据科学家更多的空间和时刻去探究。
作为产品司理，你能够藉由以下办法，帮忙团队在广泛的探究进程中坚持专心：
七、总结
关于办理AI产品，我以为最重要的几件事包含：
ML产品办理比一般软件更具应战性，由于它触及更多的不确认；不只需求技术上的改动，还需求组织上的改动。
ML最适合用于帮忙决议方案或猜测。
ML产品司理最重要的作业：清晰界说问题，确认需求，设定衡量成功的规范，并为ML工程师供给满足的空间和时刻探究处理方案。
从第一天就开端方案数据战略。
构建ML产品是跨范畴的，牵涉到的功能并不仅仅机器学习罢了。
作者：Bastiane Huang，具有近10年产品及商场开发办理经验，现在在旧金山担任 AI/Robotics新创公司产品司理，专心于开发机器学习软件，用于机器人视觉和操控。
封面图来自pexels
