PRO会员通讯
面向MVP的思维对于任何类型的系统都非常重要，AI也不例外，无论该技术看起来多么令人兴奋。用户可以采用一种MVP的AI产品，而无需花费大量时间或金钱，并且可以通过早期客户的反馈加以改进。就AI产品来说，其MVP产品也有一些特殊要求和特点。
文章作者Thomas H. Davenport是巴布森学院（Babson College）总统的信息技术与管理学杰出教授，牛津大学赛德商学院的客座教授，麻省理工学院数字经济倡议的研究员，德勤（Deloitte）人工智能分析实践方面的高级顾问，还是Glasswing Ventures的顾问。Rudina Seseri是Glasswing Ventures的创始人和管理合伙人，领导该公司从事AI企业软件即服务，云，IT软件和垂直市场的投资。
作者 | Thomas H. Davenport 、Rudina Seseri
编译 | 机器之能
什么是最小可行性产品（MVP，Minimum Viable Product）？
MVP最初由技术专家Frank Robinson定义，也是 Eric Ries 在《精益创业》的核心思想，意思是用最快、最简明的方式建立一个可用的产品原型，通过这个最简单的原型来测试产品是否符合市场预期，并通过不断的快速迭代来修正产品，最终适应市场需求。
简单说，做新产品不要一开始就追求「尽善尽美」，先花最小代价做出「可用」的产品原型，验证其是否有价值、是否可行，再通过迭代完善细节。
那么，MVP的概念对AI意味着什么？这个问题不仅与初创企业有关，而且与大型企业有关。许多公司正在其业务的不同领域开发AI试点项目，他们希望这些试点项目展示AI的潜在价值并最终走向规模化部署。大型组织的MVP概念与试验或概念证明，有很多相似之处。
对于任何追求人工智能的组织来说，了解成功的MVP是由什么组成是很重要的。对于一家主要投资人工智能公司的风投来说（比如Glasswing Ventures，我们都参与了这家公司 ），理解什么是AI产品的 MVP以及如何改善他们同样重要。我们认为，尽管一些IT产品的某些属性是必须的，特别是在其早期阶段更是如此，但是，它们可以经济而且快速地迭代和演化。而就AI产品来说，其早期MVP产品也有一些特殊的要求和特点。
一 数据和MVP
机器学习是一种常见的AI基础技术，通过大量数据得以改进。到目前为止，监督学习是业务中最常见的类型，需要标记数据。因此，数据可能是AI产品最重要的单一资源，即使在MVP阶段，数据也是必要的。没有数据，就没有训练有素的机器学习算法。
任何尝试创建AI MVP的人都应该能够回答下述问题（投资者或企业发起人应该向他们提问）：
- 训练主要模型需要哪些数据资产？
- 是否已经有足够数据来训练某种有效的模型？
- 训练模型的数据专有性（ proprietary）如何？
- 能用于训练模型之前，还需要对这些数据进行多少数据集成，清理和其他活动？
- 某些时候，是否可以使用其他数据来改进模型？
机器学习算法或模型本身已变得商品化。自动化机器学习软件的提供者之一DataRobot宣传说，它已经创建了十亿多个模型（当然，并不是所有模型都在使用中）。但是，数据仍然是更具挑战性的资源，可能需要大量的精力来清理，集成并将其转换为可用的格式。如果AI的MVP所使用的数据源广泛可用（例如ImageNet数据库），则不可能提供很大的竞争优势。
Glasswing投资的一家初创公司Armored Things拥有的数据就具有专属性，非常有价值。Armored Things的客户主要包括活动场所和校园，帮助提高这些场所的人身安全以及设施和运营管理。该公司将来自现有视频、Wi-Fi、智能门锁和其他传感器的数据组合到「空间情报层」中，构建实时人群情报AI平台。对于提高人们如何使用和移动物理空间的可见性来说，这套独特、专有的数据集至关重要，也有助于将这家年轻公司的产品推向MVP阶段。
洛杉矶足球俱乐部(Los Angeles Football Club)的职业足球队正在使用这家初创公司的产品实时了解球迷流量，并对该俱乐部22,000个座位的场馆的人群密度、卫生和安全做出更明智的决定。该场馆是职业体育运动中最高科技的设施之一。在COVID-19造成中断后，球迷开始重返体育赛事之际，此类技术至关重要， 快速的数据分析和行动对于建立信任和优化安全体验是不可或缺的。
二 数据和算法之外，MVP还需要什么？
即便有干净的专有数据，仅凭机器学习（尤其是深度学习）通常也不足以创建有效的AI。对于涉及到感知（语音、视觉），控制（机器人）和预测（客户需求计划）的问题，机器学习解决方案的可处理性和复杂性差异很大。
要实现MVP，早期的AI产品需要关注如下四个问题：
1. 复杂的混合模型
在处理模拟人类对话等复杂问题时，由于可用信息数量有限会产生数据稀疏的问题，不可能用大量的数据去处理。
在这种情况下，在构建MVP时，将深度学习与先验知识建模和基于一定规则的逻辑推理结合起来，可能会更加实际。
这些人工智能解决方案不像深度学习那么复杂，需要的数据也更少，透明度更大。不过，这样的混合算法很少是现成的，研究人员必须要自己去探索。
比如情绪检测公司Cogito使用AI检测呼叫中心约200种言语和非言语特征，以改善服务质量，包括人声的音量、强度、一致性、音调、语气、张力等。
这种软件会实时向工作人员报告检测结果，引导他们进行更加自信和富有同情心的对话，以更高水平的完成工作。
正如Cogito首席执行官Joshua Feast所说，该软件「帮助人们在交谈中变得更有魅力」，这意味着更高的净推荐人分数(据一项研究，高出28%)，更短的平均通话时间，以及更少的客户升级致电经理的情况。
机器学习结合自然语言处理和社会信号探测，可以比单独使用这两种技术提供更好的推荐。
2.要对业务进行整合
大多数企业不想使用单独的AI应用程序，所以很多解决方案都是提供接口，让AI程序可以插入现有数据记录中，并与系统结合，使用更方便。
Glasswing投资的另一家公司Zylotech将这一原理应用于其可自主学习的B2B客户数据平台。该公司整合了跨现有平台的客户数据，包括客户在其他地方浏览和购买记录。为市场、销售等团队制定政策提出针对性意见。它是专门为直接补充客户现有的软件套件而设计的，最大限度地减少采用摩擦。
另一个案例是库存管理企业Verusen，考虑到市场上存在着大型的企业资源规划参与者，平台必须与这样的系统集成。它收集现有的库存数据，并在用户行为没有显著改变的情况下，用AI对如何连接数据和如何预测库存提出建议。
3. 必须有领域知识
AI解决方案和行业知识结合是绝对关键的。比如，在很多情况下，一些不错的医疗AI应用(如诊断助手)最终都被束之高阁，因为它们无法与医生的日常工作配合。
MVP需要解决特定的业务或消费者问题，因此拥有相关领域知识非常重要。气象情报中心ClimaCell是一个典型案例。
ClimaCell的团队已经从卫星、无线信号、飞机、街头摄像头、联网汽车、无人机和其他电子资源中获取信息，可以提前6个小时逐街逐分钟地提供天气预报(或者提前6天提供时间上不太明确的天气预报)。
它的按需「微型天气预报」已经为Uber，Ford，National Grid和New England Patriots足球队等各种客户提供了服务。
4.从「第0天」开始交付价值
AI应用程序通常需要不断更新数据以迭代自身。然而，在开发AI MVP时，重要的是要考虑第一个客户以及如何从一开始（第0天）起就交付价值。
这可能需要一开始就专注于清理客户数据，以构建可提供给AI产品的数据集，并在早期使用公共数据集来训练模型，采用人为套环的方法来以较低的置信度来验证早期响应，或者采用基于规则的技术。MVP开发人员需要确保最初的客户将成为公司的最大拥护者。
三 MVP的目标：最低可行性
同样重要的是要考虑到另一个MVP——最小可行性。给定目标任务，产品必须执行得多好才能算有用?
答案取决于相关业务标准和所需性能水平。在某些应用中，如果在第一天就取得80%的成功，就意味着能大幅提高成本，但在一些其他应用中可能完全不够，比如语音识别系统。
MVP的目标是超越最低的标准，而不是打败全世界。衡量AI的作用只需要一个简单的问题，「一个最小可行的AI产品是否能改进现状?」
即使是大型软件公司也需要问这个问题。Salesforce的AI产品开发的首批工具之一是预测客户的销售倾向模型。这种工具很简单，因为所有数据都在Salesforce云里，销售人员对预测性机器学习模型也比较熟悉。即便预测结果不太完美，可能也比销售人员凭直觉做事更好。
对于AI MVP来说，从最容易实现的目标（low-hanging fruit）开始做起或许是不错的选择。在Verusen的案例中，AI主要用于零部件库存管理。通过构建和改进这一流程，Verusen能够为每个早期客户节省数百万美元。
以MVP为导向的思维对任何类型的系统都很重要，AI也不例外——不管这项技术本身看起来多么令人兴奋。用户无需花费大量时间或金钱就可以使用最低限度可行的AI产品，并通过早期客户的反馈进行改进。
有了这种思想，产品和内部应用程序可以顺利地从有用的基础性功能进行转型。
参考链接：
https://sloanreview.mit.edu/article/what-is-a-minimum-viable-ai-product/?use_credit=8e9ad9bcfb35ee3c8f13e524dc7d8e98
