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
-
算法
+關注
關注
23文章
4608瀏覽量
92844 -
AI
+關注
關注
87文章
30763瀏覽量
268906 -
機器學習
+關注
關注
66文章
8408瀏覽量
132573
發(fā)布評論請先 登錄
相關推薦
評論