作者：Thomas H. Davenport 、Rudina Seseri

什么是最小可行性產(chǎn)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(chuàng)業(yè)》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(chǎn)品原型，通過這個最簡單的原型來測試產(chǎn)品是否符合市場預期，并通過不斷的快速迭代來修正產(chǎn)品，最終適應市場需求。

簡單說，做新產(chǎn)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(chǎn)品原型，驗證其是否有價值、是否可行，再通過迭代完善細節(jié)。

那么，MVP的概念對AI意味著什么？這個問題不僅與初創(chuàng)企業(yè)有關，而且與大型企業(yè)有關。許多公司正在其業(yè)務的不同領域開發(fā)AI試點項目，他們希望這些試點項目展示AI的潛在價值并最終走向規(guī)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。

對于任何追求人工智能的組織來說，了解成功的MVP是由什么組成是很重要的。對于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 ），理解什么是AI產(chǎn)品的 MVP以及如何改善他們同樣重要。我們認為，盡管一些IT產(chǎn)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(jīng)濟而且快速地迭代和演化。而就AI產(chǎn)品來說，其早期MVP產(chǎn)品也有一些特殊的要求和特點。

一 數(shù)據(jù)和MVP

機器學習是一種常見的AI基礎技術，通過大量數(shù)據(jù)得以改進。到目前為止，監(jiān)督學習是業(yè)務中最常見的類型，需要標記數(shù)據(jù)。因此，數(shù)據(jù)可能是AI產(chǎn)品最重要的單一資源，即使在MVP階段，數(shù)據(jù)也是必要的。沒有數(shù)據(jù)，就沒有訓練有素的機器學習算法。

任何嘗試創(chuàng)建AI MVP的人都應該能夠回答下述問題（投資者或企業(yè)發(fā)起人應該向他們提問）：

訓練主要模型需要哪些數(shù)據(jù)資產(chǎn)？

是否已經(jīng)有足夠數(shù)據(jù)來訓練某種有效的模型？

訓練模型的數(shù)據(jù)專有性（ proprietary）如何？

能用于訓練模型之前，還需要對這些數(shù)據(jù)進行多少數(shù)據(jù)集成，清理和其他活動？

某些時候，是否可以使用其他數(shù)據(jù)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(jīng)創(chuàng)建了十億多個模型（當然，并不是所有模型都在使用中）。但是，數(shù)據(jù)仍然是更具挑戰(zhàn)性的資源，可能需要大量的精力來清理，集成并將其轉換為可用的格式。如果AI的MVP所使用的數(shù)據(jù)源廣泛可用（例如ImageNet數(shù)據(jù)庫），則不可能提供很大的競爭優(yōu)勢。

Glasswing投資的一家初創(chuàng)公司Armored Things擁有的數(shù)據(jù)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(xiàn)有視頻、Wi-Fi、智能門鎖和其他傳感器的數(shù)據(jù)組合到「空間情報層」中，構建實時人群情報AI平臺。對于提高人們?nèi)绾问褂煤鸵苿游锢砜臻g的可見性來說，這套獨特、專有的數(shù)據(jù)集至關重要，也有助于將這家年輕公司的產(chǎn)品推向MVP階段。

洛杉磯足球俱樂部（Los Angeles Football Club）的職業(yè)足球隊正在使用這家初創(chuàng)公司的產(chǎn)品實時了解球迷流量，并對該俱樂部22，000個座位的場館的人群密度、衛(wèi)生和安全做出更明智的決定。該場館是職業(yè)體育運動中最高科技的設施之一。在COVID-19造成中斷后，球迷開始重返體育賽事之際，此類技術至關重要， 快速的數(shù)據(jù)分析和行動對于建立信任和優(yōu)化安全體驗是不可或缺的。

二 數(shù)據(jù)和算法之外，MVP還需要什么？

即便有干凈的專有數(shù)據(jù)，僅憑機器學習（尤其是深度學習）通常也不足以創(chuàng)建有效的AI。對于涉及到感知（語音、視覺），控制（機器人）和預測（客戶需求計劃）的問題，機器學習解決方案的可處理性和復雜性差異很大。

要實現(xiàn)MVP，早期的AI產(chǎn)品需要關注如下四個問題：

1. 復雜的混合模型

在處理模擬人類對話等復雜問題時，由于可用信息數(shù)量有限會產(chǎn)生數(shù)據(jù)稀疏的問題，不可能用大量的數(shù)據(jù)去處理。

在這種情況下，在構建MVP時，將深度學習與先驗知識建模和基于一定規(guī)則的邏輯推理結合起來，可能會更加實際。

這些人工智能解決方案不像深度學習那么復雜，需要的數(shù)據(jù)也更少，透明度更大。不過，這樣的混合算法很少是現(xiàn)成的，研究人員必須要自己去探索。

比如情緒檢測公司Cogito使用AI檢測呼叫中心約200種言語和非言語特征，以改善服務質(zhì)量，包括人聲的音量、強度、一致性、音調(diào)、語氣、張力等。

這種軟件會實時向工作人員報告檢測結果，引導他們進行更加自信和富有同情心的對話，以更高水平的完成工作。

正如Cogito首席執(zhí)行官Joshua Feast所說，該軟件「幫助人們在交談中變得更有魅力」，這意味著更高的凈推薦人分數(shù)（據(jù)一項研究，高出28%），更短的平均通話時間，以及更少的客戶升級致電經(jīng)理的情況。

機器學習結合自然語言處理和社會信號探測，可以比單獨使用這兩種技術提供更好的推薦。

2.要對業(yè)務進行整合

大多數(shù)企業(yè)不想使用單獨的AI應用程序，所以很多解決方案都是提供接口，讓AI程序可以插入現(xiàn)有數(shù)據(jù)記錄中，并與系統(tǒng)結合，使用更方便。

Glasswing投資的另一家公司Zylotech將這一原理應用于其可自主學習的B2B客戶數(shù)據(jù)平臺。該公司整合了跨現(xiàn)有平臺的客戶數(shù)據(jù)，包括客戶在其他地方瀏覽和購買記錄。為市場、銷售等團隊制定政策提出針對性意見。它是專門為直接補充客戶現(xiàn)有的軟件套件而設計的，最大限度地減少采用摩擦。

另一個案例是庫存管理企業(yè)Verusen，考慮到市場上存在著大型的企業(yè)資源規(guī)劃參與者，平臺必須與這樣的系統(tǒng)集成。它收集現(xiàn)有的庫存數(shù)據(jù)，并在用戶行為沒有顯著改變的情況下，用AI對如何連接數(shù)據(jù)和如何預測庫存提出建議。

3. 必須有領域知識

AI解決方案和行業(yè)知識結合是絕對關鍵的。比如，在很多情況下，一些不錯的醫(yī)療AI應用（如診斷助手）最終都被束之高閣，因為它們無法與醫(yī)生的日常工作配合。

MVP需要解決特定的業(yè)務或消費者問題，因此擁有相關領域知識非常重要。氣象情報中心ClimaCell是一個典型案例。

ClimaCell的團隊已經(jīng)從衛(wèi)星、無線信號、飛機、街頭攝像頭、聯(lián)網(wǎng)汽車、無人機和其他電子資源中獲取信息，可以提前6個小時逐街逐分鐘地提供天氣預報（或者提前6天提供時間上不太明確的天氣預報）。

它的按需「微型天氣預報」已經(jīng)為Uber，F(xiàn)ord，National Grid和New England Patriots足球隊等各種客戶提供了服務。

4.從「第0天」開始交付價值

AI應用程序通常需要不斷更新數(shù)據(jù)以迭代自身。然而，在開發(fā)AI MVP時，重要的是要考慮第一個客戶以及如何從一開始（第0天）起就交付價值。

這可能需要一開始就專注于清理客戶數(shù)據(jù)，以構建可提供給AI產(chǎn)品的數(shù)據(jù)集，并在早期使用公共數(shù)據(jù)集來訓練模型，采用人為套環(huán)的方法來以較低的置信度來驗證早期響應，或者采用基于規(guī)則的技術。MVP開發(fā)人員需要確保最初的客戶將成為公司的最大擁護者。

三 MVP的目標：最低可行性

同樣重要的是要考慮到另一個MVP——最小可行性。給定目標任務，產(chǎn)品必須執(zhí)行得多好才能算有用？

答案取決于相關業(yè)務標準和所需性能水平。在某些應用中，如果在第一天就取得80%的成功，就意味著能大幅提高成本，但在一些其他應用中可能完全不夠，比如語音識別系統(tǒng)。

MVP的目標是超越最低的標準，而不是打敗全世界。衡量AI的作用只需要一個簡單的問題，「一個最小可行的AI產(chǎn)品是否能改進現(xiàn)狀？」

即使是大型軟件公司也需要問這個問題。Salesforce的AI產(chǎn)品開發(fā)的首批工具之一是預測客戶的銷售傾向模型。這種工具很簡單，因為所有數(shù)據(jù)都在Salesforce云里，銷售人員對預測性機器學習模型也比較熟悉。即便預測結果不太完美，可能也比銷售人員憑直覺做事更好。

對于AI MVP來說，從最容易實現(xiàn)的目標（low-hanging fruit）開始做起或許是不錯的選擇。在Verusen的案例中，AI主要用于零部件庫存管理。通過構建和改進這一流程，Verusen能夠為每個早期客戶節(jié)省數(shù)百萬美元。

以MVP為導向的思維對任何類型的系統(tǒng)都很重要，AI也不例外——不管這項技術本身看起來多么令人興奮。用戶無需花費大量時間或金錢就可以使用最低限度可行的AI產(chǎn)品，并通過早期客戶的反饋進行改進。

有了這種思想，產(chǎn)品和內(nèi)部應用程序可以順利地從有用的基礎性功能進行轉型。

面向MVP的思維對于任何類型的系統(tǒng)都非常重要，AI也不例外，無論該技術看起來多么令人興奮。用戶可以采用一種MVP的AI產(chǎn)品，而無需花費大量時間或金錢，并且可以通過早期客戶的反饋加以改進。就AI產(chǎn)品來說，其MVP產(chǎn)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(tǒng)的信息技術與管理學杰出教授，牛津大學賽德商學院的客座教授，麻省理工學院數(shù)字經(jīng)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(chuàng)始人和管理合伙人，領導該公司從事AI企業(yè)軟件即服務，云，IT軟件和垂直市場的投資。

編輯：hfy