استفاده از یادگیری ماشین در مدیریت محصول

این مقاله، قسمتی از مطالعه مستقل دیگری است که در مورد نحوه استفاده مدیران محصول از یادگیری ماشین (Machine Learning ) در فرآیند توسعه محصولاتشان نوشته شده است. مقاله اصلی مورد نظر توسط Brian Polidari و Ryan Dingler و با همکاری Vince Law به عنوان مشاور ارشد نوشته شده است.

مقاله پیش رو در تلاش است تا نحوه تاثیرگذاری یادگیری ماشین را در طراحی و تصمیم گیری محصول به تصویر بکشد. برای رسیدن به این نتیجه، مصاحبه ای با 15 متخصص توسعه محصول در شرکت های فناوری متفاوتی انجام شده است. از این 15 شرکت، 14 شرکت دارای بازار مالی بیش از 1 میلیارد دلار، 11 شرکت سهام عام، 6 شرکت B2B و 9 شرکت B2C هستند.

اگر علاقه مند به آشنایی بیشتر با یادگیری ماشین و جزییات آن هستید، می توانید از منابع زیر استفاده کنید:

• Identifying Opportunities for Using Machine Learning as a Product Manager
• 4 Steps for Product Managers to Get Started with Machine Learning
• Creating a Data Strategy for Machine Learning as a Product Manager
• Principles for Product Managers on How to Manage a Machine Learning Model

تعیین فرصت های پیش رو:

اگر در طی چند سال گذشته در یک تیم محصول کار کرده باشید، به احتمال زیاد از زبان کسی مثل مدیر تولید شنیده اید که:

امکانش هست با یادگیری ماشین، مشکل را حل کنیم؟

این تفکر به نوعی در بین مدیران رایج شده است که با یادگیری ماشین می توان بسیاری از مشکلات را حل کرد. بعد از تعییر استفاده کاری ما از گوشی های همراه و پیشنهاداتی که بعد از هر خرید به ما می رسد، بسیار سخت می توان تاثیر یادگیری ماشین را در نحوه تولید و مصرف محصول نادیده گرفت. با این وجود، تشخیص اینکه در کجای فرآیند محصول از یادگیری ماشین استفاده کنیم، کاری بسیار سخت است.

چرا این مسئله مهم است؟

وقتی صحبت از یادگیری ماشین می شود، تشخیص اینکه در کجا و برای کدام مسئله از آن استفاده کنیم، بسیار حیاتی است. منابعی مانند متخصصین داده و یا مهندسین یادگیری ماشین بسیار کم هستند. انتخاب یک پروژه اشتباه برای تیم، نه تنها پرهزینه است، بلکه می تواند تاثیر روانی منفی ایجاد کند، اعتماد مشتری را از بین ببرد و محصول را به شکست برساند.

شناسایی درست مشکل می تواند شما را از گرفتاری در منجلاب مدل های یادگیری ماشین و محصول نجات دهد.

یادگیری ماشین چه مشکلاتی را حل می کند؟

در این تحقیق، به بررسی تنوع وسیعی از روش هایی که شرکت ها از یادگیری ماشین برای تولید محصول استفاده می کردند، پرداخته ایم. در ادامه، به چند گرایش یکسان در بین این روش ها برخوردیم و آن ها را به 4 دسته تقسیم کردیم: یافتن ناهنجاری ها، فیلتر اطلاعات، کنترل محتوا و اتوماتیک سازی(اتوماسیون) فرآیند های تکراری.

این 4 دسته بندی، نشان می دهند که کدام نوع از مشکلات کسب و کار، بوسیله یادگیری ماشین قابل حل می باشند.

نکته: این 4 دسته بندی، بر اساس مشاهدات ما در این تحقیق گردآوری شده اند و محدود به آن می باشند. بنابراین، نمی توان به عنوان تنها دسته بندی موجود بر آن حساب کرد و بدون شک، دسته بندی های دیگری نیز علاوه بر این ها وجود دارد.

یافتن ناهنجاری ها:

یادگیری ماشین، برای یافتن الگوهای اطلاعات بسیار کاربردی است. این توانایی می تواند به کاربران کمک کند تا نقاطی را که با الگوی طبیعی سازگاری ندارد، شناسایی کنند. در بین 15 شرکت شرکت کننده در این تحقیق، بعضی از شرکت ها، از یادگیری نظارت شده(supervised learning)، بعضی از یادگیری نظارت نشده(unsupervised learning) و حتی ترکیبی از این دو برای پیدا کردن کردن ناهنجاری ها استفاده می کردند.

این که از کدام روش استفاده کنند، ویژگی های کار و محصول هر شرکت بستگی دارد.

مثال:

یادگیری نظارت شده: شرکت ها معمولا از بررسی نقطه ای دفترهای حساب خود برای یافتن خطاها و اشتباهات در بین صدها میلیون اطلاعات ورودی استفاده می کنند. این بررسی معمولا به صورت دستی و و توسط افراد با تجربه تر سازمان انجام می شود . استفاده از این تکنیک در سالیان متوالی، مجموعه ای بسیار عالی از داده ها را برای مدل های نظارتی به وجود می آورد. این مدل ها، خروجی هایی ساده و قابل تفسیر و تحلیل ارائه می دهد. اعتقاد بر این است که این مدل ها نمی توانند خطاها و مشکلاتی را که خارج از الگوی سابق هستند( مشکلات تازه) را تشخیص دهند.

یادگیری نظارت نشده: در تبلیغات کلیکی، نوعی گرایش وجود دارد که صاحبان تبلیغ، خودشان بر روی تبلیغ کلیک کنند یا اینکه شرکت های رقیب بر روی تبلیغ کلیک کنند. هدف اصلی تبلیغ، جذب مخاطبین مشتاق به سرویس یا محصول می باشد ولی در این دو حالت ، صاحب تبلیغ و یا رقیب او، جزو علاقه مندان اصلی نیستند و این مسئله، باعث می شود که آمار به دست آمده تا اندازه ای دقیق نباشد. ابتکارات ساده می تواند از بعضی از خطاها جلوگیری کند ولی مدل های نظارت نشده، می توانند الگوهای جدید در داده ها را پیدا کنند و این مسئله، باعث می شود که تا بتوانند انواع مختلفی از خطا را شناسایی کنند. مدل های نظارت نشده بر اساس داده هایی مانند آدرس آی پی کاربر (User IP Adress)، تبادلات مالی، زمان بندی می توانند مولفه های منفی را شناسایی کنند.

اگرچه این مدل، اغلب پیش بینی هایی مبهم و غیرقابل تفسیر، ارائه می دهند.

فیلتر اطلاعات:

کاربران اغلب در محصولاتی که حجم زیادی از اطلاعات دارند، محصور می شوند. دو روش بنیادی برای حل این مشکل توسط یادگیری ماشین وجود دارد: جستجو و پیشنهادات (search and recommendations).

جستجو:

جستجو زمانی اتفاق می افتد که کاربر در حال جمع آوری اطلاعات است. گاهی کاربر نیازمند اطلاعات و ایده است، ولی نمی داند دنبال چه بگردد و یا اینکه کجا به دنبال آن باشد. یک الگوریتم ساده جستجو می تواند با استفاده از تطبیق عبارات جستجو شده و بررسی آیتم هایی که پیش از این(توسط کاربر) بررسی شده اند، ایده های جدید ارائه کند ولی یادگیری ماشین می تواند از این بیشتر کمک کند. یادگیری ماشین می تواند مجموعه ای از صدها هزار نتیجه جستجو را بررسی کند، کاری که از الگوریتم های ساده بر نمی آید.

مثال:

قسمت جستجو، از قسمت های اصلی سایت Dropbox است. وقتی کسی در قسمت جستجو، عبارتی را می نویسد، مجموعه ای از اطلاعات برای او بر اساس رتبه بندی به نمایش در می آید. این رتبه بندی بیشتر بر اساس عبارت جستجو شده و در ادامه، امتیاز ارتباط( relevance score) به دست می اید. این امتیاز ارتباط با توجه به کاربر مورد نظر، عملکرد او و فایل هایی که اخیرا بررسی کرده، به دست می آید. مدلی مانند این می توانند طوری برنامه ریزی شود که اطلاعات را به سرعت و بر اساس جستجوهای گذشته کاربر و نتیجه آن ها نمایش دهد.

پیشنهادات:

اگر جستجو همان جمع آوری اطلاعات است، پیشنهادات، ارائه اطلاعات است. همانند جستجو، حالت پیشنهاد به کاربر کمک می کند تا به اطلاعات درست برسد ولی با این تفاوت که این کار را با ارائه اطلاعات مشابه به کاربر انجام می دهد. نمونه این روش، قسمت خبرنامه شبکه های اجتماعی و یا قسمت ( مشتریان از این محصولات هم بازدید کرده اند) در فروشگاه های اینترنتی مانند آمازون است. در عین حال، سایر محولات به صورت شخصی شده( با توجه به انتخاب کاربر) برای او نمایش داده می شود.

مثال:

وقتی که کاربر وارد اینستاگرام یا لینکدین می شود، مدل های یادگیری ماشین به صورت خودکار ، اطلاعات (پیشنهادی) را بر اساس موضوعات مورد علاقه کاربر نمایش می دهند. این ابزار ها با استفاده از یادگیری ماشین، به کاربر کمک می کنند تا محصولات و فروشی که بر اساس تجربه خرید قبلی، ممکن است به آن ها علاقه داشته باشد، پیدا کند. در فروشگاه Nordstorms، خود سایت محصولاتی را به شما نمایش می دهد که ممکن است تا به حال ، مانند آن را نخریده باشید ولی افرادی مانند شما، خرید مشابهی داشته اند. بسیاری از خرده فروش ها از یادگیری ماشین برای ارائه پیشنهادات جدید استفاده می کنند.

کنترل محتوا:

بیشتر شرکت ها علاقه از محتوای تولید شده توسط کاربر در بخش های مختلف محصول استفاده می کنند و به همین علت نحوه مدیریت این محتوا، اهمیت بسیاری پیدا کرده است. محتوایی مانند عکس، متن، قایل صوتی، ویدئو و حتی لایو استریم باید مدیریت شوند تا از قوانین هر پلتفرم پیروی کنند. غیر ممکن است که شرکتی، نیروی انسانی مورد نیاز برای بررسی دستی و موردی این محتوا داشته باشد.

مثال:

سایت یوتیوب در هر دقیقه، 500 ساعت آپلود محتوای ویدئویی دارد که برای نظارت بر این محتوا، به بیش از 100000 کارمند با 40 ساعت کار در هفته نیازمند است. در عوض شرکت هایی مانند یوتیوب، از کاربر و یادگیری ماشین برای بررسی محتوا استفاده می کند. در این حالت، یادگیری ماشین مانند آینه، رفتار کابر را تقلید می کند زیرا داده ها کاملا بر اساس رفتار انسانی طبقه بندی شده اند و مولفه موفقیت بر اساس رفتار انسانی تعیین می شود.این تکیه بر قضاوت انسانی، باعث شده است که کنترل محتوا با یادگیری ماشین، همچنان به صورت مسئله ای نیازمند به راه حلی بهتر باقی بماند.

در مقابل، سایت Reddit، تغییر بسیار اندکی را در پلتفرم خود ایجاد می کند. این سایت برای بحث های آزاد طراحی شده و اکثرا محتوای غیرقانونی در آن وجود دارد. در حالتی دیگر، شبکه های کسب و کار حرفه ای مانند لینکدین، بر روی محتوای نامناسب بسیار حساس هستند. پلتفرم هایی مانند لینکدین، با استفاده از یادگیری ماشین، محتوای خود را طوری مدیریت می کنند که با ‘گروه یا افراد نا مناسب برخورد شود.

اتوماسیون فرآیندهای تکراری

آخرین مسئله ای که بسیاری از شرکت ها برای حل آن از یادگیری ماشین استفاده می کنند، اتوماسیون فرآیند های تکراری است. فرآیندهایی مانند پیش بینی فروش، وارد کردن و دسته بندی داده های دریافتی و یا ارسال ایمیل های تجاری. فرآیندهای این چنینی، بهترین محل برای استفاده از یادگیری ماشین هستند چون تعداد داده ها زیاد است و با این کار، بسیار در وقت صرفه جویی می شود.

مثال:

ارسال رسید برای هزینه های خرید، فرآینی بسیار تکراری است که با استفاده از تشخیص کاراکتر نوری(optical character recognition) و یادگیری ماشین، قابل اتوماسیون سازی است. مدل های یادگیری ماشین از رسید عکس گرفته و سپس به صورت خودکار، قسمت های موجود در فرم خرید را پر می کند.

حتی فرآیندهای پیچیده مانند نوشتن ایمیل هم می تواند به نوعی اتوماتیک شود. نوشتار هوشمند جیمیل) Gmail’s smart compose (، از ترتیب کلمات قبلی نوشته شده برای پیش بینی کلمات جدید جمله استفاده می کند.

این رویکرد باعث می شود قسمت هایی از نوشتن ایمیل که بسیار تکراری است، بوسیله یادگیری ماشین به صورت اتوماتیک انجام شود.

سخن آخر:

اگر شما هم مشکلی دارید که در این 4 دسته بندی(ویا هر دسته بندی دیگری که در این مقاله نیامده) وجود دارد، پیشنهاد می شود که مقاله Produce Manager to-dos when Starting a Machine Learning Project را مطالعه کنید.

تکنیک ها و ظرفیت های یادگیری ماشین مدام در حال تغییر است. مسائلی که در این مقاله مطرح شده به معنی جامع بودن مقاله نیست و همچنین به این معنی نیست که هر مشکلی با یادگیری ماشین قابل حل است