Эд Ньютон-Рекс написал отличное чтение, в котором простыми словами описываются различия между искусственным интеллектом и машинным обучением.

Недавняя статья Фрэнка Чена об ожидаемом использовании искусственного интеллекта в стартапах подчеркивает грядущий сдвиг в отрасли. Он сравнивает, и это справедливо, распространенность ИИ с другими изменениями в отрасли, такими как наличие реляционной базы данных в 1980 году или многофункционального клиента Windows в 1987 году и так далее.

ИИ не является чем-то новым в компьютерных науках — современные исследования ИИ зародились в 1956 году в Дартмутской мастерской (по совпадению в ней участвовали два теперь уже знаменитых профессора Карнеги-Меллона, в честь которых названо здание — Аллен Ньюэлл и Герберт Саймон). Несмотря на то, что мы все еще далеки от создания нашего единственного повелителя искусственного интеллекта, известного как Скайнет, за последние два десятилетия мы стали свидетелями значительных достижений в области машинного обучения (МО). Тем не менее, практическое применение этой технологии до сих пор было неуловимым, и только несколько крупных предприятий, обладающих необходимыми ресурсами и навыками, могут воспользоваться ею.

Это меняется. С начала этого десятилетия более дешевый доступ к вычислительной мощности в облаке, наконец, привел к переломному моменту, когда вам больше не нужны специалисты по машинному обучению, чтобы использовать эти расширенные возможности машинного обучения — будь то идентификация лиц в вашем фотоприложении или понимание контекста. вопроса, заданного на естественном языке. Эти «готовые» услуги, использующие ML, могут помочь вам создать захватывающий опыт для ваших клиентов за небольшую часть стоимости.

Что еще более важно, включение машинного обучения коренным образом меняет традиционный подход к управлению продуктами и дизайну. Теперь можно создавать продукты для большей автоматизации задач, которые в прошлом требовали вмешательства человека. Задача узнать, есть ли на фотографии гора или небоскреб, больше не требует, чтобы человек помечал фотографию, равно как и задача идентификации отношений и именованных объектов в неструктурированном тексте.

Это оказывает глубокое влияние на то, как определяются следующие поколения программных продуктов, и, как следствие, на то, почему следующее поколение менеджеров программных продуктов должно думать о том, что ML может предложить. Как менеджер продуктов, основанных на машинном обучении, я регулярно сталкиваюсь с примерами использования из различных отраслей, таких как здравоохранение, страхование, телекоммуникации и разведка. Конечно, применимость технологии варьируется от отрасли к отрасли, но есть несколько ключевых аспектов, на которые я как менеджер по продукту счел полезным обратить внимание при определении того, где можно использовать машинное обучение. Приведенный ниже список ни в коем случае не является исчерпывающим.

Где, по вашему мнению, машинное обучение применяется в вашем продукте? Если вы начали использовать эти возможности, каков был ваш опыт? Я хотел бы услышать истории и мысли в комментариях ниже. Особая благодарность Джейсону Кэхиллу и Нилу Кишану за их вклад.

  • Существует ли большой объем данных (структурированных или неструктурированных), связанных с какой-либо частью жизненного цикла вашего продукта? В 2017 году, скорее всего, ответ будет положительным. Тем не менее, я столкнулся с несколькими редкими случаями, когда, несмотря на наличие большого массива данных, вариант использования был слишком прямым, чтобы включение ML сегодня было излишним, например. визуальное представление на основе результатов сложных SQL-запросов.
  • В вашем продукте задействованы люди как часть рабочего процесса? Это особенно актуально для сильно регулируемых отраслей, которые требуют частого аудита промежуточных артефактов, например. чтение страховых случаев перед принятием окончательного решения о выплате.
  • Предоставляет ли ваш продукт окончательный результат проблемы, которую он пытается решить? Это сложный вопрос, требующий от вас по-настоящему отказаться от любых предвзятых представлений о том, что возможно?. В большинстве случаев вы найдете ответ да. Тем не менее, это хорошая новость, потому что вы можете использовать машинное обучение, чтобы сделать свой продукт на один шаг ближе к конечной цели клиента. Хорошим примером является решение проблемы доставки для розничного интернет-магазина. Традиционный подход заключается в приобретении большего количества ресурсов доставки с большей операционной эффективностью, но представьте, что ваше приложение не просто принимает ваш заказ, но и забирает ваш товар с ближайшего склада и доставляет его к вашей двери. (или крыша) с помощью дрона. Компьютеры уже пишут новостные статьи, побеждают в го и создают музыку — может быть, ваша идея не слишком надуманная.

Если вы ответили «да» на любой из приведенных выше вопросов, есть шанс, что машинное обучение сможет помочь вашему продукту. Нет, я не призываю задержаться сегодня допоздна и переписать текущую дорожную карту функций, включив ML везде. Я просто предлагаю признать эти новые инструменты в вашем распоряжении и подумать о том, как они могут расширить ваш продукт в будущем.

Каждый продукт уникален, и не будет решения, подходящего для всех, но я надеюсь, что ответы на эти вопросы помогут вам начать думать о том, как вы можете включить эту технологию в дизайн своего продукта.

Подводя итог, мои коллеги-менеджеры по продуктам, настало время спрашивать не о том, что вы можете сделать для машинного обучения, а о том, что машинное обучение может сделать с вашим продуктом.

Первоначально опубликовано на https://www.linkedin.com 7 июля 2017 г.