什么是最小可行性數(shù)據(jù)產品（MVP）？如何用它做機器學習？
2018-07-10 來源：raincent
在執(zhí)行計劃的過程中，他發(fā)現(xiàn)，作為一名優(yōu)秀的數(shù)據(jù)科學團隊的領導人，必須定義機器學習產品路線圖。
結合自身經歷，本文作者帶大家探究一個好的最小可行性產品(MVP)究竟是什么，以及機器學習產品一個好的MVP的不同維度究竟有哪些。
什么是MVP?
在Pivotal Labs工作期間，我接觸到了Eric Ries推廣的精益創(chuàng)業(yè)思想。精益創(chuàng)業(yè)其實是當今最一流的產品開發(fā)方法論。其核心思想是，通過不斷的收集客戶的反饋來開發(fā)產品或服務，從而可以降低產品/服務失敗的風險(開發(fā)-衡量-學習)。
開發(fā)-衡量-學習概念中的一個不可分割的部分就是MVP，它本質上就是“在一個新產品的版本開發(fā)中，它讓團隊以最小的代價收集客戶盡可能多的使用后的認知”。一個眾所周知的例子就是，驗證交通工具是否會成功(如下圖所示)。
我們從最小的代價開始測試這個想法。在這個案例中，我們只需要兩個車輪和一塊板子。然后我們將這個產品推向市場，并獲取反饋，增加產品的復雜性來不斷改進我們的產品。
在這個案例中，我們以一輛集成了用戶的反饋的汽車告終。一個大眾熟悉的例子是Airbnb(愛彼迎，旅行房屋租賃社區(qū))。2007年Brian Chesky 和Joe Gebbia想創(chuàng)業(yè)，但是無力承擔舊金山的房租。
與此同時，有一個設計展會正要在這個城市舉辦，他們決定將他們的公寓出租給那些沒有在附近找到酒店的展會與會者。他們?yōu)楣⑴恼�，并將照片上傳到一個簡單的網站上(見下圖)，很快在展會期間就有三個付費客人。這個小測試帶給他們寶貴的領悟：人們愿意付錢留在別人的家中而不是去酒店，并且不只是附近的大學畢業(yè)生才會注冊這個網站。之后他們便創(chuàng)建了Airbnb，接下來的事大家都知道了。
與這種方法相反的另一種做法是，將一輛車從車輪逐一構建直到底盤，并且在此期間從未推向市場。但是，這種做法代價很高。在結束一天工作后，我們可能會推出一個客戶并不需要的產品。
讓我們以Juicero(智能榨汁機初創(chuàng)公司)為例。他們從投資者手中募集了1.2億美元，用于創(chuàng)造一款精心設計的榨汁機，經過一段時間的開發(fā)后以非常高的價格進行發(fā)售(最初的原價為699美元，隨后降至399美元)。
除了榨汁機，你還可以購買裝滿原生水果和蔬菜的果蔬包，每包售價為5-7美元。可能有些人已經聽說過這個公司，但這家公司目前已經倒閉了，因為它并沒有意識到其實客戶并不真正需要一款價格高昂的榨汁機來將果蔬包榨汁。
他們并不真正了解他們的客戶。一個簡單的用戶研究就能讓他們意識到，客戶并不需要昂貴的機器來擠榨果蔬包，只需要兩手擠壓就足夠了。
MVP的概念如何與機器學習產品進行關聯(lián)?
MVP概念也可以被應用于機器學習，因為最終，機器學習也是整個產品的一部分或者就是最終產品本身。考慮到這一點，我認為有三個重要的維度。
1.最小可行模型
機器學習產品的一個重要方面就是建模訓練過程本身。假設我們有一個分類問題，我們希望將一些數(shù)據(jù)分類到預定義的類別中，例如熱狗vs.非熱狗分類。
解決這個分類問題的一種可能的方法是采用一個包含一個隱藏層的神經網絡。接下來我們將訓練和評估此模型。然后根據(jù)結果，我們可能希望持續(xù)改進我們的模型。我們接下來將增加另一個隱藏層，然后再進行相同的模型訓練過程。
然后再根據(jù)結果，可能會增加越來越多的隱藏層。這種方法非常直接，實際上是解決熱狗與非熱狗分類問題的最佳解決方案，因為不需要特征工程(我們基本上可以將原始圖片作為輸入數(shù)據(jù))。但是對于大多數(shù)的分類問題，除非它們不是那些像在計算機視覺或自然語言處理中遇到的專業(yè)問題，否則這不是解決這類問題的最佳方法。
深度學習的最主要缺點在于其缺乏可解釋性。通過采用的網絡種類來解釋此神經網絡的結果通常很難。并且你會花費大量的時間用在神經網絡的調參上，但對模型性能的提升卻影響甚微。
從簡單開始，建立基線。對于大多數(shù)分類問題，從邏輯回歸這類線性模型入手會比較可行。盡管在許多實際應用中，線性假設是不切實際的，但是，邏輯回歸做得相對好并可以提供基準，亦稱為基準模型。它的主要優(yōu)點也是可解釋性，并且可以直接得到條件概率，這在很多情況下十分方便。
為了改進模型并放寬線性假設的條件，可以使用基于樹的模型。主要有兩大類這樣的模型，Bagging和Boosting模型。實際上，它們都使用的是決策樹，只是采用不同的方式訓練模型。最后，如果所有的方法都已用，你還想不斷改進你的模型，那么我們就可以利用深度學習技術。
2.最小可行性平臺
我在Pivotal Labs工作期間，參與了許多項目來幫助財富500強企業(yè)開始他們的數(shù)據(jù)旅程。很多項目的共同點是開始對基礎架構進行巨額投資。他們花費大量資金采購大數(shù)據(jù)平臺，即所謂的“數(shù)據(jù)湖”。
但在購買之后，他們甚至都不考慮潛在的用例，便將數(shù)據(jù)加載到他們的數(shù)據(jù)湖中。然后，他們聽說了一個名為Apache Spark的東西，并將其添加到基礎設施層。
現(xiàn)在，由于人工智能已經成為流行的風潮，他們也開始購買GPU，并在其上添加如TensorFlow那樣的深度學習框架。在一個地方擁有所有(酷)工具聽起來很棒吧?然而，最大的問題是，將所有數(shù)據(jù)放入數(shù)據(jù)湖之后，發(fā)現(xiàn)數(shù)據(jù)與用例并不匹配。要么他們沒有收集到正確的數(shù)據(jù)，要么不存在支持潛在用例的數(shù)據(jù)。
更可行的方法不是考慮硬件或者軟件，而更多的是解決問題。通過這種方法，可以盡早了解需要哪些數(shù)據(jù)來解決問題，并且還能避免各種數(shù)據(jù)錯誤。除此之外，迄今為止我所看到過的很多機器學習問題，實際上都可以在本地機器上解決。他們并不需要對基礎設施進行巨額投資。
而且，如果數(shù)據(jù)量真的很大，他們可以使用AWS或Google Cloud等云服務提供商的服務，便可以非常輕松地啟動一個Spark群集。如果他們有一個深度學習問題，也會有很多的選擇。不但可以選擇已經提到的云服務提供商，也可以選擇如FloydHub那樣提供的平臺級服務(PaaS)，在云上訓練和部署深度學習模型。
3.最小可行(數(shù)據(jù))產品
最后，我想談論的一點是數(shù)據(jù)產品本身。本質上，數(shù)據(jù)產品有很多例子，比如聊天機器人、垃圾郵件檢測器等等——這個清單很長(更多的機器學習產品，請查看Neal Lathia的精彩文章)。但是在這里，鑒于當前我在電子商務領域工作，我將專注于推薦服務。
采用簡單的相似性算法以及使用矩陣分解技術是一種建立推薦服務的方法。 最后，我們還可以嘗試使用深度學習方法等更加復雜的模型(例如，深層次的語義模型)。但是，我不建議采用這種方式。推薦是多種形式的。例如，你的朋友給出的建議是推薦，或者前100名最喜歡的產品也是推薦。并非我們所使用的每個復雜算法都會成功，但它必須經過測試。事實上，不要害怕在沒有機器學習的情況下建立推薦服務。
因此，正確的方法是像熱門產品那樣首先建立A/B測試框架和評估指標(例如，跳出率或點擊率)，再采用簡單的方法開始。在測試之后，確定用戶傾向于點擊這些推薦的項目(有時他們必須先養(yǎng)成習慣，特別是如果它是新產品功能的話)，最終用戶也可能會購買那些推薦的項目，我們可以嘗試使用諸如協(xié)作過濾技術更為復雜的方法。舉個例子，我們可以基于購買過此商品的用戶會對這類商品感興趣，或者查看此商品的用戶也對這類商品感興趣來創(chuàng)建一個推薦。“用戶對這個項目……也對這些項目感興趣”這類選項可以是無窮盡的。
總結
在這篇文章中，我講述了關于MVP對機器學習產品的意義的理解。實質上，就是從小處開始不斷迭代。此外，為了更清楚地解釋我對機器學習產品的MVP代表的意思，我討論了三個主要維度，我認為這對于優(yōu)秀的MVP數(shù)據(jù)產品至關重要：
• 最小可行性模型，
• 最小可行性平臺，
• 最小可行(數(shù)據(jù))產品。
標簽： Google 大數(shù)據(jù) 大數(shù)據(jù)平臺 電子商務 推廣 網絡 云服務
版權申明：本站文章部分自網絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。
