在AI公司里，產(chǎn)品經(jīng)理在和工程師溝通的時候，需要學(xué)會基于數(shù)據(jù)，來做產(chǎn)品的迭代升級。

吳恩達依然以AI是新電力開場，并舉了一個例子。

AI技術(shù)的經(jīng)濟貢獻多數(shù)來自監(jiān)督學(xué)習(xí)，也就是學(xué)習(xí)從A到B，從輸入到輸出的映射。比如說，輸入一張照片，讓機器學(xué)會判斷這張照片是不是你，輸出0或1。

最賺錢的AI應(yīng)用是在線廣告。在這個例子中，輸入是廣告和用戶信息，輸出是用戶會不會點擊這個廣告（還是0或1）。

監(jiān)督學(xué)習(xí)還可以應(yīng)用在消費金融領(lǐng)域，輸入貸款申請信息，輸出用戶是否會還款。

過去幾年里，機器學(xué)習(xí)經(jīng)歷了迅速的發(fā)展，越來越擅長學(xué)習(xí)這類A到B的映射，創(chuàng)造了大規(guī)模的經(jīng)濟價值。同時，AI的進步也體現(xiàn)在監(jiān)督學(xué)習(xí)的輸出不再限于0或1的數(shù)字。

再次舉例：語音識別的任務(wù)，也是一種端到端的學(xué)習(xí)。擁有足夠的數(shù)據(jù)，語音識別就能達到很好的效果。亞馬遜Alexa、蘋果Siri、百度DuerOS等等依靠AI算法和數(shù)據(jù)來達到良好的效果。

監(jiān)督學(xué)習(xí)的缺點是它需要大量的標(biāo)注數(shù)據(jù)，這影響了它的普及。

為什么神經(jīng)網(wǎng)絡(luò)已經(jīng)存在了這么多年，AI卻近年來才開始快速發(fā)展？

上圖中，橫軸是數(shù)據(jù)量，縱軸是算法的性能。

隨著數(shù)據(jù)量的增加，傳統(tǒng)機器學(xué)習(xí)算法的性能并沒有明顯提升，而神經(jīng)網(wǎng)絡(luò)的性能，會有比較明顯的提升，神經(jīng)網(wǎng)絡(luò)越大，性能的提升就越明顯。

為了達到最佳的性能，你需要：大量數(shù)據(jù)以及大型的神經(jīng)網(wǎng)絡(luò)。

2機器學(xué)習(xí)的趨勢以及算法如何創(chuàng)造價值

目前，創(chuàng)造最多價值的還是監(jiān)督學(xué)習(xí)。除此之外，遷移學(xué)習(xí)技術(shù)正在創(chuàng)造更多的經(jīng)濟價值。比如在醫(yī)學(xué)影像診斷上，遷移學(xué)習(xí)技術(shù)利用數(shù)據(jù)創(chuàng)造了不錯的識別效果。

非監(jiān)督學(xué)習(xí)，在自然語言處理上更具商業(yè)價值。

強化學(xué)習(xí)也很有意思，我認為，強化學(xué)習(xí)的火爆和商業(yè)化有點不成比例。

強化學(xué)習(xí)對數(shù)據(jù)的需求程度，甚至比監(jiān)督學(xué)習(xí)更嚴重，特別是強化學(xué)習(xí)算法很難獲取到足夠的數(shù)據(jù)。又舉例子：AI+游戲中，強化學(xué)習(xí)表現(xiàn)很好，這是因為在電子游戲中，算法可以重復(fù)玩無限次，獲取無限的數(shù)據(jù)。

在機器人領(lǐng)域，使用強化學(xué)習(xí)來建立模擬器，相當(dāng)于能讓強化學(xué)習(xí)agent在其中模擬無人車、人形機器人，重復(fù)無限次游戲。在游戲和機器人領(lǐng)域之外，強化學(xué)習(xí)應(yīng)用到商業(yè)中還有很長的路要走。

現(xiàn)在，監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)這四類算法所創(chuàng)造的經(jīng)濟價值是遞減的。

另一個值得關(guān)注的是，機器學(xué)習(xí)依靠結(jié)構(gòu)化數(shù)據(jù)，比非結(jié)構(gòu)化數(shù)據(jù)創(chuàng)造了更多的經(jīng)濟機制。

舉個結(jié)構(gòu)化數(shù)據(jù)的例子，比如說你的數(shù)據(jù)庫記錄了用戶的交易情況，誰什么時候買了什么東西，誰什么時間給誰發(fā)了信息，這就是結(jié)構(gòu)化數(shù)據(jù)。而像圖像、音頻、自然語言等等，就是非結(jié)構(gòu)化數(shù)據(jù)。

在前面談到的幾類學(xué)習(xí)算法中，單是監(jiān)督學(xué)習(xí)就已經(jīng)為公司、創(chuàng)業(yè)者創(chuàng)造了大量的經(jīng)濟價值和機會。

3如何做人工智能產(chǎn)品

AI的崛起正改變著公司的競爭格局。公司的壁壘不再是算法，而是數(shù)據(jù)。

想要打造一個AI產(chǎn)品，如圖：

讓算法利用足夠的數(shù)據(jù)，使得產(chǎn)品運行起來，然后通過產(chǎn)品來獲取用戶，用戶在提供更多的數(shù)據(jù)……周而復(fù)始。

又舉例：搜索公司。搜索公司有著大量的數(shù)據(jù)，顯示如果用戶搜了這個詞，就會傾向于點哪個鏈接。

我很清楚該如何構(gòu)建搜索算法，但是如果沒有大型搜索公司那樣的數(shù)據(jù)集，簡直難以想象小團隊，如何構(gòu)建一個同樣優(yōu)秀的搜索引擎。這些數(shù)據(jù)資產(chǎn)構(gòu)建了兼顧的壁壘。

工程師們還需要明白：AI的影響，比監(jiān)督學(xué)習(xí)廣泛得太多。日常的AI包括好幾類工具：比如機器學(xué)習(xí)、圖模型、規(guī)劃算法、知識圖譜。

人們的關(guān)注點集中在機器學(xué)習(xí)和深度學(xué)習(xí)，很大程度上是因為其他工具的發(fā)展速度很緩慢。

計算機，或者說算法是怎樣知道該做什么的呢？它依靠兩個來源，一是數(shù)據(jù)，二是人工。

比如說在線廣告，我們有那么多的數(shù)據(jù)，不需要太多的人工，深度學(xué)習(xí)算法就能學(xué)得很好。但是在醫(yī)療領(lǐng)域，數(shù)據(jù)量就很少，可能只有幾百個樣例，這時就需要大量的人工，比如說用圖模型來引入人類知識。

很多工程師想要進入AI領(lǐng)域，很多人會去上在線課程，但是有一個學(xué)習(xí)途徑被嚴重忽視了：讀論文，重現(xiàn)其中的研究。

當(dāng)你讀了足夠多的論文，實踐了足夠多的算法，它們都會轉(zhuǎn)化為你的知識和想法。

轉(zhuǎn)型機器學(xué)習(xí)工程師，我推薦的是：學(xué)習(xí)諸如deeplearning.ai的機器學(xué)習(xí)課程來打好基礎(chǔ)，然后讀論文并復(fù)現(xiàn)其中的結(jié)果，另外，還要通過參加各種的人工智能活動，來鞏固自己的基礎(chǔ)。

4如何打造人工智能公司

從大約25年前開始，我們見證了互聯(lián)網(wǎng)時代的崛起。

我從那個時代學(xué)到了：商場 + 網(wǎng)站 ≠ 互聯(lián)網(wǎng)公司

我認識一家大型零售公司的CIO，有一次CEO對他說：我們在網(wǎng)上賣東西，亞馬遜也在網(wǎng)上賣東西，我們是一樣的。

這是不對的。

互聯(lián)網(wǎng)公司是如何定義的呢？不是看你有沒有網(wǎng)站，而是看做不做A/B測試、能不能快速迭代、是否由工程師和產(chǎn)品經(jīng)理來做決策。這才是互聯(lián)網(wǎng)公司的精髓。

在AI時代，我們同樣要明確：

傳統(tǒng)科技公司 + 機器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò) ≠ AI公司

公司里有幾個人在用神經(jīng)網(wǎng)絡(luò)，并不能讓你們成為一家AI公司，要有更深層的基礎(chǔ)。

AI公司傾向于策略性地獲取數(shù)據(jù)。

我曾經(jīng)這么做過：在一個地區(qū)發(fā)布產(chǎn)品，為了在另一個地區(qū)發(fā)布產(chǎn)品而獲取數(shù)據(jù)，這個產(chǎn)品又是為了在下一個地區(qū)發(fā)布產(chǎn)品來獲取數(shù)據(jù)用的，如此循環(huán)。而所有產(chǎn)品加起來，都是為了獲取數(shù)據(jù)驅(qū)動一個更大的目標(biāo)。

像Google和百度這樣的大型AI公司，都有著非常復(fù)雜的策略，為幾年后做了充分的準備。

第二點是比較戰(zhàn)術(shù)性的，你現(xiàn)在就可以這么做：AI公司通常有統(tǒng)一的數(shù)據(jù)庫。

很多公司有很多數(shù)據(jù)庫，但很分散，如果工程師想把這些數(shù)據(jù)放在一起來做點什么，可能需要和50個不同的人來溝通。

所以我認為建立一個統(tǒng)一的數(shù)據(jù)庫，所有的數(shù)據(jù)都存儲在一起是一種很好的策略。

另外，自動化和定制招聘需求也是AI公司的重要特征。

比如在移動互聯(lián)網(wǎng)時代，產(chǎn)品經(jīng)理會寫PRD：

然后工程師去實現(xiàn)它，整個流程很容易理清楚。

但是假設(shè)在AI時代，我們要做一個聊天機器人，這時候如果產(chǎn)品經(jīng)理畫個線框圖說：這是頭像，這是聊天氣泡，這樣并不能解決問題。

聊天氣泡長什么樣不重要，我需要知道的是，這個聊天機器人要說什么話。線框圖對聊天機器人項目來說沒什么用。

如果一個產(chǎn)品經(jīng)理畫了個無人車的線框圖，說“我們要做個這個”，更是沒什么用。

在AI公司里，產(chǎn)品經(jīng)理在和工程師溝通的時候，需要學(xué)會基于數(shù)據(jù)，來做產(chǎn)品的迭代升級。

End.

作者：吳恩達

來源：http://www.36dsj.com/archives/97430

本文來源于人人都是產(chǎn)品經(jīng)理合作媒體@36大數(shù)據(jù)，作者@吳恩達

題圖來自，基于CC0協(xié)議