面向MVP的思維對於任何型別的系統都非常重要，AI也不例外，無論該技術看起來多麼令人興奮。使用者可以採用一種MVP的AI產品，而無需花費大量時間或金錢，並且可以透過早期客戶的反饋加以改進。就AI產品來說，其MVP產品也有一些特殊要求和特點。

文章作者Thomas H. Davenport是巴布森學院（Babson College）總統的資訊科技與管理學傑出教授，牛津大學賽德商學院的客座教授，麻省理工學院數字經濟倡議的研究員，德勤（Deloitte）人工智慧分析實踐方面的高階顧問，還是Glasswing Ventures的顧問。Rudina Seseri是Glasswing Ventures的創始人和管理合夥人，領導該公司從事AI企業軟體即服務，雲，IT軟體和垂直市場的投資。

作者 | Thomas H. Davenport 、Rudina Seseri

什麼是最小可行性產品（MVP，Minimum Viable Product）？

MVP最初由技術專家Frank Robinson定義，也是 Eric Ries 在《精益創業》的核心思想，意思是用最快、最簡明的方式建立一個可用的產品原型，透過這個最簡單的原型來測試產品是否符合市場預期，並透過不斷的快速迭代來修正產品，最終適應市場需求。

簡單說，做新產品不要一開始就追求「盡善盡美」，先花最小代價做出「可用」的產品原型，驗證其是否有價值、是否可行，再透過迭代完善細節。

那麼，MVP的概念對AI意味著什麼？這個問題不僅與初創企業有關，而且與大型企業有關。許多公司正在其業務的不同領域開發AI試點專案，他們希望這些試點專案展示AI的潛在價值並最終走向規模化部署。大型組織的MVP概念與試驗或概念證明，有很多相似之處。

對於任何追求人工智慧的組織來說，瞭解成功的MVP是由什麼組成是很重要的。對於一家主要投資人工智慧公司的風投來說（比如Glasswing Ventures，我們都參與了這家公司 ），理解什麼是AI產品的 MVP以及如何改善他們同樣重要。我們認為，儘管一些IT產品的某些屬性是必須的，特別是在其早期階段更是如此，但是，它們可以經濟而且快速地迭代和演化。而就AI產品來說，其早期MVP產品也有一些特殊的要求和特點。

一 資料和MVP

機器學習是一種常見的AI基礎技術，透過大量資料得以改進。到目前為止，監督學習是業務中最常見的型別，需要標記資料。因此，資料可能是AI產品最重要的單一資源，即使在MVP階段，資料也是必要的。沒有資料，就沒有訓練有素的機器學習演算法。

任何嘗試建立AI MVP的人都應該能夠回答下述問題（投資者或企業發起人應該向他們提問）：

訓練主要模型需要哪些資料資產？是否已經有足夠資料來訓練某種有效的模型？訓練模型的資料專有性（ proprietary）如何？能用於訓練模型之前，還需要對這些資料進行多少資料整合，清理和其他活動？某些時候，是否可以使用其他資料來改進模型？

機器學習演算法或模型本身已變得商品化。自動化機器學習軟體的提供者之一DataRobot宣傳說，它已經建立了十億多個模型（當然，並不是所有模型都在使用中）。但是，資料仍然是更具挑戰性的資源，可能需要大量的精力來清理，整合並將其轉換為可用的格式。如果AI的MVP所使用的資料來源廣泛可用（例如ImageNet資料庫），則不可能提供很大的競爭優勢。

Glasswing投資的一家初創公司Armored Things擁有的資料就具有專屬性，非常有價值。Armored Things的客戶主要包括活動場所和校園，幫助提高這些場所的人身安全以及設施和運營管理。該公司將來自現有影片、Wi-Fi、智慧門鎖和其他感測器的資料組合到「空間情報層」中，構建實時人群情報AI平臺。對於提高人們如何使用和移動物理空間的可見性來說，這套獨特、專有的資料集至關重要，也有助於將這家年輕公司的產品推向MVP階段。

洛杉磯足球俱樂部(Los Angeles Football Club)的職業足球隊正在使用這家初創公司的產品實時瞭解球迷流量，並對該俱樂部22,000個座位的場館的人群密度、衛生和安全做出更明智的決定。該場館是職業體育運動中最高科技的設施之一。在COVID-19造成中斷後，球迷開始重返體育賽事之際，此類技術至關重要， 快速的資料分析和行動對於建立信任和最佳化安全體驗是不可或缺的。

二 資料和演算法之外，MVP還需要什麼？

即便有乾淨的專有資料，僅憑機器學習（尤其是深度學習）通常也不足以建立有效的AI。對於涉及到感知（語音、視覺），控制（機器人）和預測（客戶需求計劃）的問題，機器學習解決方案的可處理性和複雜性差異很大。

要實現MVP，早期的AI產品需要關注如下四個問題：

1. 複雜的混合模型

在處理模擬人類對話等複雜問題時，由於可用資訊數量有限會產生資料稀疏的問題，不可能用大量的資料去處理。

在這種情況下，在構建MVP時，將深度學習與先驗知識建模和基於一定規則的邏輯推理結合起來，可能會更加實際。

這些人工智慧解決方案不像深度學習那麼複雜，需要的資料也更少，透明度更大。不過，這樣的混合演算法很少是現成的，研究人員必須要自己去探索。

比如情緒檢測公司Cogito使用AI檢測呼叫中心約200種言語和非言語特徵，以改善服務質量，包括人聲的音量、強度、一致性、音調、語氣、張力等。

這種軟體會實時向工作人員報告檢測結果，引導他們進行更加自信和富有同情心的對話，以更高水平的完成工作。

正如Cogito執行長Joshua Feast所說，該軟體「幫助人們在交談中變得更有魅力」，這意味著更高的淨推薦人分數(據一項研究，高出28%)，更短的平均通話時間，以及更少的客戶升級致電經理的情況。

機器學習結合自然語言處理和社會訊號探測，可以比單獨使用這兩種技術提供更好的推薦。

2.要對業務進行整合

大多數企業不想使用單獨的AI應用程式，所以很多解決方案都是提供介面，讓AI程式可以插入現有資料記錄中，並與系統結合，使用更方便。

Glasswing投資的另一家公司Zylotech將這一原理應用於其可自主學習的B2B客戶資料平臺。該公司整合了跨現有平臺的客戶資料，包括客戶在其他地方瀏覽和購買記錄。為市場、銷售等團隊制定政策提出針對性意見。它是專門為直接補充客戶現有的軟體套件而設計的，最大限度地減少採用摩擦。

另一個案例是庫存管理企業Verusen，考慮到市場上存在著大型的企業資源規劃參與者，平臺必須與這樣的系統整合。它收集現有的庫存資料，並在使用者行為沒有顯著改變的情況下，用AI對如何連線資料和如何預測庫存提出建議。

3. 必須有領域知識

AI解決方案和行業知識結合是絕對關鍵的。比如，在很多情況下，一些不錯的醫療AI應用(如診斷助手)最終都被束之高閣，因為它們無法與醫生的日常工作配合。

MVP需要解決特定的業務或消費者問題，因此擁有相關領域知識非常重要。氣象情報中心ClimaCell是一個典型案例。

ClimaCell的團隊已經從衛星、無線訊號、飛機、街頭攝像頭、聯網汽車、無人機和其他電子資源中獲取資訊，可以提前6個小時逐街逐分鐘地提供天氣預報(或者提前6天提供時間上不太明確的天氣預報)。

它的按需「微型天氣預報」已經為Uber，Ford，National Grid和New England Patriots足球隊等各種客戶提供了服務。

4.從「第0天」開始交付價值

AI應用程式通常需要不斷更新資料以迭代自身。然而，在開發AI MVP時，重要的是要考慮第一個客戶以及如何從一開始（第0天）起就交付價值。

這可能需要一開始就專注於清理客戶資料，以構建可提供給AI產品的資料集，並在早期使用公共資料集來訓練模型，採用人為套環的方法來以較低的置信度來驗證早期響應，或者採用基於規則的技術。MVP開發人員需要確保最初的客戶將成為公司的最大擁護者。

三 MVP的目標：最低可行性

同樣重要的是要考慮到另一個MVP——最小可行性。給定目標任務，產品必須執行得多好才能算有用?

答案取決於相關業務標準和所需效能水平。在某些應用中，如果在第一天就取得80%的成功，就意味著能大幅提高成本，但在一些其他應用中可能完全不夠，比如語音識別系統。

MVP的目標是超越最低的標準，而不是打敗全世界。衡量AI的作用只需要一個簡單的問題，「一個最小可行的AI產品是否能改進現狀?」

即使是大型軟體公司也需要問這個問題。Salesforce的AI產品開發的首批工具之一是預測客戶的銷售傾向模型。這種工具很簡單，因為所有資料都在Salesforce雲裡，銷售人員對預測性機器學習模型也比較熟悉。即便預測結果不太完美，可能也比銷售人員憑直覺做事更好。

對於AI MVP來說，從最容易實現的目標（low-hanging fruit）開始做起或許是不錯的選擇。在Verusen的案例中，AI主要用於零部件庫存管理。透過構建和改進這一流程，Verusen能夠為每個早期客戶節省數百萬美元。

以MVP為導向的思維對任何型別的系統都很重要，AI也不例外——不管這項技術本身看起來多麼令人興奮。使用者無需花費大量時間或金錢就可以使用最低限度可行的AI產品，並透過早期客戶的反饋進行改進。

有了這種思想，產品和內部應用程式可以順利地從有用的基礎性功能進行轉型。

參考連結：

https://sloanreview.mit.edu/article/what-is-a-minimum-viable-ai-product/?use_credit=8e9ad9bcfb35ee3c8f13e524dc7d8e98