iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 3
0
Google Developers Machine Learning

Machine Learning 初體驗 (Google Developers ML)系列 第 3

【Day 3】Machine Learning 在商業上的應用

耶~ 我還堅持住,比我的減肥之路還要持久 \(=w=)/

今天來談談如何從0到1建立一套 Machine Learning 專案:

想像你是一家公司的苦命 RD,今天老闆突然丟一份專案叫你把 Machine Learning 應用在客服系統上,這時你會想如何來完成這項艱難的任務?

先不說大家了,像我這種純正的理工木頭一定是想說,把過去的資料全部拿過來整理成一個漂亮的資料庫,再用各種 RD 技能開滿點做出強大的模型去訓練,最後產出我們理想的結果,買個咖啡打完收工。但開發一項好的產品並沒有我們想的那麼簡單,錯誤的分析方向就算你的預測結果再好,顧客們不買單你也只能摸摸鼻子走人,還要被老闆幹說你做這什麼鬼東西,RD 的尊嚴一下就蕩然無存~

因此,這邊 Google 的課程提出一套 ML 產品化的 SOP 給大家參考 :

總共分成以下五步驟:

  1. Indivisual Contributor (發想)
  2. Delegation (彙整發想,整理成一套規則)
  3. Digitization (數位化)
  4. Big Data and Analytics (大數據分析)
  5. Machine Learning (ML 產品個人化、自動化)

以下就這五面相來一一座說明

1. Indivisual Contributor

這邊是一切的開始,團隊中可以天馬行空地去亂想,提出所有解決方案的可能性,這時團隊成員間可以互相去評斷各方案的可行性,若有錯誤盡早修改。這一步也是產品 prototype 的誕生之地,相當重要~

Danger of skipping this step:

  • 你們一開始就有錯誤的假設了,導致和顧客漸行漸遠
  • 產品無法更宏觀的解決問題

Dangers of lingering too long here:

  • 你的發想無法在期限內組織好,會被 PM 追殺
  • 可能你團隊的成員被挖腳走了,然後他又是 AI 大神之類的狀況發生~

2. Delegation

之前的步驟已經想出初步的解決方案了,那麼接下來你就需要更多人來給予你一些建議或回饋,就好比說公司的想開發一套產品給設計師,那你就需要幾百位甚至千位設計師的回饋,來對你所提出的專案來做調整,以符合他們最真實的需求:

Danger of skipping this step:

  • 無法讓你 prototype 的想法更加具體化,你都難理解了,電腦有怎麼理解
  • 你的產品無法滿足你目標族群的需求

Dangers of lingering too long here:

  • 很燒錢,你要請那麼多設計師訪談,他們也不都是佛心來著的
  • 又多受試者代表越多聲音,你這套系統要完全滿足他們是不可能的

3. Digitization

終於進入到電腦系統了,而這通常是服務自動化的第一步,就算你有再好的 Machine Learnig Model,沒有給使用者一個好的使用平台那也是無用,而這邊通常和 UI/UX 有很大的關係,有好的體驗顧客才會買單

Danger of skipping this step:

  • 沒有基礎設施,你的 Machine Learning 根本沒地方跑,想像一個網頁白底黑字會有人想瀏覽嗎

Dangers of lingering too long here:

  • 你的競爭對手已經做完在收集資料了,你還在那邊慢慢來,那你還是打包回家吧~

4. Big Data and Analytics

這時你的產品有了平台使用,你可以開始監控平台上的所有資料,並針對這些資料不停的 review, summarize, deep dive ,並從這些數據分析出 insight 來讓我們的產品變得更好。到了這一步,就不像前面都是我們在推斷使用者想要什麼,而是使用者透過他們的數據,來間接告訴你他們想要什麼,而如何從數據中找到資訊這就是 Data Analyst 的本領了

Danger of skipping this step:

  • 如昨天所述,好的 Input 才有好的 Output,這邊沒把多餘的資料去除,那你很難訓練好你的 ML model
  • 你無法得知你的產品到底好不好,有沒有人買單

Dangers of lingering too long here:

  • 自我限制問題的複雜度,也許現在你能分析出所有問題,並且也都能解決,但你確定能在之後技術日新月異的未來,你的產品始終能位居第一嗎?

5. Machine Learning

到了最後,你有大量的資料進來,也從數據分析中找出一些 Insight,那麼你就使用這些資源來訓練你的 Model,讓產品能更加自動化(automatic),且更能貼近每位使用者的需求(personalize)

ok,今天就到這吧,其實我也是在前兩個月實習中體悟到,RD 不能再只用 RD 的思維想事情,這會局限你的思考,今天上這 Coursera 也是呼應到我實習的所見所聞


上一篇
【Day 2 】 Machine Learning 上的思維
下一篇
【Day 4】 評斷 Machine Learning Model 的統計工具
系列文
Machine Learning 初體驗 (Google Developers ML)5
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言