文章作者Thomas H. Davenport是巴布森学院（Babson College）总统的信息技能与管理学精彩教授，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）人工智能剖析实践方面的高等顾问，还是Glasswing Ventures的顾问。Rudina Seseri是Glasswing Ventures的创始人和管理合资人，领导该公司从事AI企业软件即做事，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最初由技能专家Frank Robinson定义，也是 Eric Ries 在《精益创业》的核心思想，意思是用最快、最简明的办法建立一个可用的产品原型，通过这个最大略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改动产品，终极适应市场需求。
大略说，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，验证其是否有代价、是否可行，再通过迭代完善细节。
那么，MVP的观点对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拓AI试点项目，他们希望这些试点项目展示AI的潜在代价并终极走向规模化支配。大型组织的MVP观点与试验或观点证明，有很多相似之处。
对付任何追求人工智能的组织来说，理解成功的MVP是由什么组成是很主要的。对付一家紧张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以及如何改进他们同样主要。我们认为，只管一些IT产品的某些属性是必须的，特殊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蜕变。而就AI产品来说，其早期MVP产品也有一些分外的哀求和特点。
一 数据和MVP机器学习是一种常见的AI根本技能，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，须要标记数据。因此，数据可能是AI产品最主要的单一资源，纵然在MVP阶段，数据也是必要的。没有数据，就没有演习有素的机器学习算法。
任何考试测验创建AI MVP的人都该当能够回答下述问题（投资者或企业发起人该当向他们提问）：
演习紧张模型须要哪些数据资产？是否已经有足足数据来演习某种有效的模型？演习模型的数据专有性（ proprietary）如何？能用于演习模型之前，还须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，是否可以利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供应者之一DataRobot宣扬说，它已经创建了十亿多个模型（当然，并不是所有模型都在利用中）。但是，数据仍旧是更具寻衅性的资源，可能须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所利用的数据源广泛可用（例如ImageNet数据库），则不可能供应很大的竞争上风。
Glasswing投资的一家初创公司Armored Things拥有的数据就具有专属性，非常有代价。Armored Things的客户紧张包括活动场所和校园，帮助提高这些场所的人身安全以及举动步伐和运营管理。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「空特工报层」中，构建实时人群情报AI平台。对付提高人们如何利用和移动物理空间的可见性来说，这套独特、专有的数据集至关主要，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)的职业足球队正在利用这家初创公司的产品实时理解球迷流量，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举动步伐之一。在COVID-19造成中断后，球迷开始重返体育赛事之际，此类技能至关主要， 快速的数据剖析和行动对付建立信赖和优化安全体验是不可或缺的。
二 数据和算法之外，MVP还须要什么？即便有干净的专有数据，仅凭机器学习（尤其是深度学习）常日也不敷以创建有效的AI。对付涉及到感知（语音、视觉），掌握（机器人）和预测（客户需求操持）的问题，机器学习办理方案的可处理性和繁芜性差异很大。
要实现MVP，早期的AI产品须要关注如下四个问题：
1. 繁芜的稠浊模型
在处理仿照人类对话等繁芜问题时，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。
在这种情形下，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。
这些人工智能办理方案不像深度学习那么繁芜，须要的数据也更少，透明度更大。不过，这样的稠浊算法很少是现成的，研究职员必须要自己去探索。
比如感情检测公司Cogito利用AI检测呼叫中央约200种言语和非言语特色，以改进做事质量，包括人声的音量、强度、同等性、腔调、语气、张力等。
这种软件会实时向事情职员报告检测结果，勾引他们进行更加自傲和富有同情心的对话，以更高水平的完成事情。
正如Cogito首席实行官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举人分数(据一项研究，赶过28%)，更短的均匀通话韶光，以及更少的客户升级致电经理的情形。
机器学习结合自然措辞处理和社会旗子暗记探测，可以比单独利用这两种技能供应更好的推举。
2.要对业务进行整合
大多数企业不想利用单独的AI运用程序，以是很多办理方案都是供应接口，让AI程序可以插入现有数据记录中，并与系统结合，利用更方便。
Glasswing投资的另一家公司Zylotech将这一事理运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、发卖等团队制订政策提出针对性见地。它是专门为直接补充客户现有的软件套件而设计的，最大限度地减少采取摩擦。
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方案参与者，平台必须与这样的系统集成。它网络现有的库存数据，并在用户行为没有显著改变的情形下，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办理方案和行业知识结合是绝对关键的。比如，在很多情形下，一些不错的医疗AI运用(如诊断助手)终极都被束之高阁，由于它们无法与年夜夫的日常事情合营。
MVP须要办理特定的业务或消费者问题，因此拥有干系领域知识非常主要。气候情报中央ClimaCell是一个范例案例。
ClimaCell的团队已经从卫星、无线旗子暗记、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供应景象预报(或者提前6天供应韶光上不太明确的景象预报)。
它的按需「微型景象预报」已经为Uber，Ford，National Grid和New England Patriots足球队等各种客户供应了做事。
4.从「第0天」开始交付代价
AI运用程序常日须要不断更新数据以迭代自身。然而，在开拓AI MVP时，主要的是要考虑第一个客户以及如何从一开始（第0天）起就交付代价。
这可能须要一开始就专注于清理客户数据，以构建可供应给AI产品的数据集，并在早期利用公共数据集来演习模型，采取人为套环的方法来以较低的置信度来验证早期相应，或者采取基于规则的技能。MVP开拓职员须要确保最初的客户将成为公司的最大推戴者。
三 MVP的目标：最低可行性同样主要的是要考虑到另一个MVP——最小可行性。给定目标任务，产品必须实行得多好才能算有用?
答案取决于干系业务标准和所需性能水平。在某些运用中，如果在第一天就取得80%的成功，就意味着能大幅提高本钱，但在一些其他运用中可能完备不足，比如语音识别系统。
MVP的目标是超越最低的标准，而不是打败全天下。衡量AI的浸染只须要一个大略的问题，「一个最小可行的AI产品是否能改进现状?」
纵然是大型软件公司也须要问这个问题。Salesforce的AI产品开拓的首批工具之一是预测客户的发卖方向模型。这种工具很大略，由于所有数据都在Salesforce云里，发卖职员对预测性机器学习模型也比较熟习。即便预测结果不太完美，可能也比发卖职员凭直觉干事更好。
对付AI MVP来说，从最随意马虎实现的目标（low-hanging fruit）开始做起或许是不错的选择。在Verusen的案例中，AI紧张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主要，AI也不例外——不管这项技能本身看起来多么令人愉快。用户无需花费大量韶光或金钱就可以利用最低限度可行的AI产品，并通过早期客户的反馈进行改进。
有了这种思想，产品和内部运用程序可以顺利地从有用的根本性功能进行转型。
参考链接：
https://sloanreview.mit.edu/article/what-is-a-minimum-viable-ai-product/?use_credit=8e9ad9bcfb35ee3c8f13e524dc7d8e98