Tactics for Empowering a Product with AI

Guiguan Lin
桂冠的外接腦容量
3 min readMay 25, 2019

--

「欸桂冠,我們現在有一個這樣這樣的產品,那妳會怎麼用 AI 來讓我們的產品變更好?」

因為實在是太常遇到這問題了,來源有同學、朋友、甚至是面試官,於是在得知有到 Women in Data Science Taipei 分享的機會時,我毫不猶豫地選了這個題目。

謝謝 WiDS 的錄影,一共是 40 分鐘的分享與 20 分鐘的問答

7 個 Tactics 分別是(標題沒有寫 7 個是因為我當時報名題目時不太確定整理出來後會是幾個哈哈哈)

  • AI is a Tool to Use, Not a Goal to Reach
    AI 近來幫助了很多公司並有許多成功的案例,但如果為了使用 AI 而使用 AI 可能會造成花了許多人力卻沒有相對的收穫。與其把導入 AI 列為一個目標,不如把它當成一個工具,幫助公司達到現有的目標。
  • Find the Balance between AI and Business
    一個好的題目,同時要對公司有商業價值(增進客戶滿意度、增加營收、減少成本 …),並且要是技術上可以達到的。
  • Define One Clear Goal
    在產品的不同階段可能有不同目標,但是在每個時間點請專注單一目標,多個目標可能造成精力分散,並且難以在多個模型中選擇出最好的。
  • Design Carefully on Which Data to Collect
    題目決定了之後,值得多花一些時間設計要收集哪些資料。如果在開始 develop AI model 時才發現有資料沒收集到,跟工程師溝通、上線、累積到足夠的資料,又會是好一陣子的時間。所以建議在一開始就先完整設計、驗證、檢查所需資料。
  • Input Domain Knowledge into AI Models
    AI 可以自己學、甚至做得比人更好,但它受限於資料的量。在一般產品應用中通常沒有足夠資料支撐,建議把 domain expert 的經驗作為 feature engineering 加入 model 中,可以把這步驟想成累積很多經驗的前輩把知識教給新人 AI model。
  • Deploy Once It Beats Baseline
    先找一個比較的 baseline,可能是目前的解法、上一版的 model、或是專家經驗。當現在比較和 baseline 相比不會比較爛,就值得上線 A/B test 了,因為線上的環境跟線下不一樣,有時候會有意想不到的驚喜唷。
  • Building AI is Iterative, Non-stopping
    AI 上線後需要不斷的精進,發掘新的好用資料,評估是否要修正目標,或是使用者是否有新的需求。一個 AI 如果上線後放著,也會因為世界在變而慢慢的效果越來越差,要跟上產業的變化就要不斷地汲取新知。
當天分享的投影片

這是我第一次的公眾分享(在學校及公司外),是個難得的經驗,很感謝 WiDS 的邀請,以及當天參與的朋友們都超級熱情的跟我互動,提了很棒的問題,還有人私下給我回饋跟鼓勵,暖心極了 ❤

雖說是分享,但獲得最多的是我自己。以前想法散亂在腦中,有這個機會把它整理變成一個完整的故事,雖然花了不少時間但是挺有成就感的;另外在跟大家的互動中,其實也發現一些很重要但被我遺忘沒有列上去的內容。

是不是時候該開始多寫一些 AI/ML 相關的東西了?(懶)

--

--

Guiguan Lin
桂冠的外接腦容量

前資料科學家,現軟體產品經理、顯示生產者 5/1 人、戶外活動愛好者、兩隻貓貓的奴才、一個寶寶的媽、佛系 IG 經營者 @guiguan.outdoor (戶外) @guiguanmaomao (貓主子) @peakbaby.lin (寶寶)。