[[196752]]

機器學習想要轉化價值，最關鍵的一步是什么?

一個業務問題，埋坑無數，該如何巧妙轉化，轉變為機器學習的問題?

要平衡機器學習開發人力和時間成本，怎樣才能找到***產出比?

在范式大學首節公開課上，針對以上問題，第四范式聯合創始人，產品負責人田楓，基于豐富的專業從業經驗，系統化梳理了解決之道。

大家好，我是第四范式的聯合創始人田楓，很高興在這里和大家分享機器學習的 MVP 模型!

我們曾經在第四范式知乎專欄上發過一篇文章《年薪百萬的機器學習專家，為什么不產生價值?》。文中的機器學習專家花了大量的時間搭建平臺，做數據的清洗、處理與機器學習建模，卻沒有帶來公司所期望的價值。問題出在哪里了呢? 基于第四范式在機器學習工業應用方面的大量成功案例和經驗，我們今天就來分析一下，想用機器學習提升業務價值，在搭建平臺、處理數據、訓練算法之前，真正要做的***步應該是什么? 我們今天不談技術，不談算法，不談平臺，但是今天聊的東西卻是機器學習產生價值過程中，最關鍵的步驟之一。

這次分享我們會從幾個方面分析這個問題：

***，機器學習是不是***良藥?我們首先需要想清楚,機器學習作為特別牛的技術，它能解決什么樣的問題。

第二，一個業務問題，可能有各種千奇百怪的坑，假設我們初步判定可以通過機器學習來解決他，那么應該通過怎樣的轉化，避開這些坑，把業務問題變成機器學習的問題。

第三，如果有一個好的可以轉化成機器學習的問題，我怎么去設計機器學習的開發節奏，估算它的投入產出比，如何分階段去推動問題的建模和應用。

這就是我今天要介紹的，機器學習的MVP。

機器學習的最小可用產品

現在的互聯網技術，接受的一個概念是最小可用產品，MVP，就是開發團隊、設計團隊用最小的成本代價，***程度去驗證產品的可行性。這個產品的可行性，是指這個需求是否真實存在，一個產品滿足需求的方式是不是對的。

機器學習也是一樣的，我們做機器學習的投入是長期的、持續的，帶來的收入和回報也是巨大的，在開始之前，我們一定會希望以比較低的成本知道：現在引入機器學習是否可以影響我們所面對的業務，產生價值的潛力有多大。

那么把一個業務真正用機器學習做之前，我們可以用兩步，做一個機器學習的 MVP：

***步：我們要選擇正確的業務問題，并不是所有的問題都可以套在機器學習的框架里，有些適合機器學習解決，有些不適合機器學習解決。在任何的技術項目管理中，用差的方法解決好的問題，一定優于用好的方法解決錯誤的問題。

第二步：當我們找到一個機器學習可以解決的問題后，我如何通過最小的時間和人力代價，去證明機器學習可以解決它，帶來滿意的投入產出比。

選擇正確的問題：從分類器開始

首先我們看看機器學習擅長解決什么問題。我舉一個例子，就是周志華老師的西瓜書講的例子，它很經典，也很簡單，還很深刻，這個問題是說我要判斷一個西瓜是好的還是不好的。

這個問題的業務場景是什么呢，一個西瓜，我怎么在不交易、不打開的情況下，就知道它是好的還是不好的。如果我知道，我就可以用同樣的價錢買到更好的西瓜;而如果我是瓜商，有了一套標準之后，我就可以更好的管理我的貨品。

回到這個問題，一個西瓜是好的還是不好的，這是典型的機器學習二分類問題。首先我們要找到，判斷這個西瓜好不好有哪些可以用到的數據。我們不能把買賣西瓜之后的數據放進去分析，比如買了西瓜之后，我打開就知道好不好了，那么這個就沒有價值。

所以我必須在不破壞西瓜的前提下，這時候能用到的數據是西瓜的產地、西瓜的紋路、重量、比重、敲擊西瓜的聲音是渾濁還是清脆、西瓜皮的質感等等，這些不打開西瓜的情況就知道的數據。

剛剛我們的目標已經講得很清楚了，好的還是不好的，好的是 1，不好的是 0，甚至我還可以定義一個評分，0 到 1之間的一個數，但總體而言我可以設定一個機器學習的目標，我們稱之為 Label。

選擇正確的問題：真實世界模型

這看起來是一個很簡單的場景，好像一旦我們具備了這樣的數據，就可以嘗試建立機器學習模型了。然而在現實中，當我們想用機器學習來解決實際問題時，也會這么簡單么?真實世界中往往是有很多陷阱的。這些陷阱可能有什么呢?

***，西瓜好不好，是怎么定義的?是大?還是甜?皮厚不厚?瓤脆不脆?如果建立這個模型是為了西瓜的售賣，這些可能都是評價因素，模型學習的樣本也都需要基于這個標準來建立。如果我們僅僅是基于西瓜大不大來定義樣本，而實際的應用場景是綜合判斷西瓜好不好，那么可能會得不到想要的好的結果。

第二，西瓜好不好，是以什么為標準的?是用科學方法和儀器測量的?還是專家評測?如果是后者，評測者是同一個人么?如果是不同的人，大家對好西瓜的判斷標準一樣么?現實情況中，很可能是不一樣的，那就要想辦法消除Label的偏差。

第三，互聯網的場景下，往往是需要滿足所有人個性化的需求的 ，有些人喜歡甜的西瓜，有些人喜歡脆的西瓜，那將問題定義為分辨好的西瓜是否還合適?因為每個人對好西瓜的定義不一樣，這個問題可能就轉化為了推薦一個西瓜給一個用戶，他(她)會不會喜歡?

第四，真實的應用環境是怎樣的?假設我們需要一個在線實時的西瓜分類器，拿到西瓜那一刻馬上判斷它好不好，那是不是有些當時不能馬上拿到的特征就不能用了?如果好瓜的判斷標準在不斷發生變化，或者瓜本身的特性在不斷變化，模型還需要能夠跟得上這個變化，基于新的數據和反饋做自我更新迭代，這就是我們搭建模型更新的方法。

可見，即便是簡單的問題，我們都需要思考一下業務的方方面面，理清哪些因素，邊際，個性化要素和基礎設施是要考慮進去的。

選擇正確的問題：業務問題的本來面貌

我們從西瓜還原到業務，任何一個業務能不能做機器學習，我們要看三個要素。

***，這個業務的目標值是什么，它不一定是唯一的，但一定有主次。這個目標是否可以量化、收集反饋、客觀觀測的。什么叫客觀觀測，我說甜和你說甜，這個事情就可能不客觀，那有沒有一個客觀的東西可以反饋。

第二，樣本應該如何構造，樣本不應該違反因果關系,y=f(x),x一定是我們業務 場景中所能知道的信息。在西瓜的問題，就是打開西瓜之前我們能知道的信息，才可以作為x。同時，樣本應該符合業務場景的真實情況，假設我們的業務是摸黑挑西瓜,我們看不見西瓜長什么樣,我們只能敲,那西瓜的顏色就不能作為特征。

第三，樣本的每一行代表什么意思，每一行應該代表西瓜的每次測量，然后才是選擇哪些數據作為x，這些我們已經講得很清楚。

當西瓜的問題說完后，我們來看看真實的業務問題是怎樣的。

1.點擊率預估

比如說我們看到的推薦系統問題——點擊率預估。

一個推薦系統的目標是什么?它的***目標一定是用戶體驗，但這個目標很虛幻，我們要把它量化，變成一系列可以測量的數據，比如說點擊、觀看時長、購買、好評等，這些就是y。

然后我們看有哪些x，這些x代表的是我做出推薦排序的一瞬間，當客戶請求時，在那個瞬間我知道的事情。我能知道客戶的屬性、特征，我能知道內容特征、上下文特征，但不知道最終這個內容是否有被展現和點擊。我可以知道內容在這一瞬間之前被點擊了多少次，但一定不是這個瞬間之后被點擊了多少次，因為這樣就穿越了。

有了y和x，就可以構造樣本了。我的樣本比如說，我給用戶展現了 10 條推薦的內容，這個的反饋可能是點擊和觀看，那么每一次的樣本展現就是一個樣本。

這里我們可以思考一個有趣的問題，當我們思考不同的特征對問題的影響時，比如說我們把展現作為一個樣本，一個避免不了的問題是，我怎么知道這個內容是否被用戶看到。

一種做法是我不去想這件事情，那么模型可能就是有偏的，比如說你認為這個樣本沒有被點擊，但也有可能是沒有被看到，但最理想的是把推薦到用戶手機屏幕上的作為一條樣本。

退一步，還有一個辦法，就是把展現的位置補充回來，作為一個特征。然后請求的時候雖然沒有這個特征，但是這個特征吸收了位置對于展現和反饋的偏差。

2.簡歷匹配

再舉一個場景的例子 —— 簡歷匹配。簡歷匹配是什么意思?它其實想預測的是，我給企業推薦了一個簡歷，這個人有沒有被企業聘用，這看起來是個簡單的機器學習問題。但是回到業務場景思考，這個問題有沒有這么簡單?對于內容推薦來說，用戶有沒有點擊這個內容，點擊后看多久，都是用戶單方面的選擇。

但是簡歷有兩個選擇，***個選擇是企業通過面試、簡歷的選擇，判斷這個人是否適合企業。第二個選擇是應聘者，他會不會去企業面試，而即便拿到了企業的offer，會不會被打動加入企業。

所以這就變成了多點、雙向的問題，在這樣的情況下，就需要對問題進行拆解。我們可以不直接做個人被企業招聘的事情，而是分開來做，比如說企業會不會邀請這個人去面試，以及這個人會不會接受企業的面試邀請，這樣就能把問題做的更好。

選擇正確的問題：小結

總結一下我們剛剛所介紹的MVP***步：做機器學習，首先不是著急去建機器學習的模型，而是認真思考這件事情的業務場景到底是怎么樣的。

總結下來一個機器學習能解決的業務問題，有這么幾個點：

***它是否能轉化成分類/回歸的問題。

第二目標是否是容易獲取、客觀無偏差的數據。

第三是問題的預測目標，因果關系是什么，因果關系越簡單越好，如果是多因多果，或者說描述“因”的相關信息不方便獲取，那是否可以拆分成多個模型。特征往往是因的數據，或者是一些不是直接原因的數據，只要它不破壞這個因果關系。

第四是我們剛剛沒具體去描述的, 就是這個問題是不是一個真的業務需求。

一個真的業務需求是指，在我們用機器學習做出預測后，業務能否可以根據這個預測結果而受到影響?這個影響點是否足夠清晰、有效?因為業務人員會用對業務影響的結果來評估我們項目的效果，如果我們預測的結果并沒有有效影響業務，即使這個模型再好，也不會發揮作用。

比如說推薦系統，我預測了新的點擊率后，可以按照點擊率倒排來影響業務結果。但如果是游戲呢?如果我們預測這個人明天有30%的幾率付費，我該如何影響到他，我能不能影響他?

所以你一定要思考，你的預測結果會怎么在業務中使用，這個使用會不會對業務產生提升。如果你發現提升本身是很難的，那這本身就是個偽需求。然后你還需要思考，現在沒有用機器學習的業務，它是用了什么方法和數據，現在的方法和數據有什么缺陷，哪些是機器學習可以幫到的。

當以上的問題都有清晰的回答后，這時候你就可以提出一個好的問題了。這時候你就成功 80% 了，而剩下的問題都相對簡單了。

機器學習的投入

這就是我們MVP的第二步：在可控的人力、金錢投入下，構建一個有效的機器學習模型。

那什么是可控呢?1-3人月的投入，更多就會風險太高。我們會期望獲得什么提升?Case by case，不同的業務不一樣，有些業務比如說廣告，1%的收入就是好幾百萬，而有些問題可能要提升好幾倍才有商業價值。

在機器學習成本分配中，***比例在機器學習本身，調參、特征工程、模型評估、模型上線這些工程的事情占了大量的時間，而問題的定義、數據的采集占的時間非常小，我們認為這是有問題的。我們認為一個機器學習的項目，無論通過合作還是使用第三方平臺的方式，應該把大錢花在采集好的數據，定義好的問題上去，甚至這要超過一半的時間。而另一半的時間，才是真正做機器學習模型的時間。

降低數據的成本

那我們怎么降低數據的成本呢?我給大家一些思考。

***，除非必要，只使用采集好的數據。因為數據采集是一個有成本的事情，當一個公司的體系越復雜，它采集數據的成本就越高，所以除非這個數據采集起來很輕松，或者已經有了，你才會去考慮。

第二，如果你要開發新的數據，首先要考慮的是成本。開發新的數據源是有風險的。機器學習最怕的是說不清楚這是算法的問題，還是數據問題，還是問題定義的問題，所以讓 MVP 環節中能出問題的環節越少越好。

前面我們介紹了問題定義的問題如何避免，而算法一般是不太容易出問題的，除非用錯，而數據其實是很容易出問題的，所以我們盡量用簡單、可靠、成熟的數據。

第三，我們講到在建模的過程中，盡量使用成熟的工具。真正在數據處理，特征計算，和算法訓練的這些過程中，大量的工作是可標準化，甚至可以用算法自動優化的，大量的坑其實也是可總結，或者說可以在產品引導中避免的。我們一直在研發的第四范式先知建模平臺，就是在努力將建模過程中的know-how封裝到產品中，讓用戶操作更簡單，而且少踩坑，更有效的獲得好模型。

總結一下，這一步總的思想是，能不制造新的風險點，就不制造風險點，能降低不確定性就降低不確定性。

如何Review機器學習的模型?

好了，做好了前面介紹的兩步，我們已經有了機器學習的MVP，機器學習對業務的影響已經初見結論，如果業務有明顯提升，那么祝賀你，找到了新的價值增長點，優化后一定還會有更大的提升潛力;而如果效果不明顯，我們這里再給大家一些關于如何review，如何檢查MVP的建議：

首先要 Review 問題的方向是不是對的，模型的效果是否符合預期，模型的優化目標是否有明顯的變化，比如優化的目標是西瓜好不好，優化之后是不是買到的西瓜好的變多了。

如果不是，那就是這個問題沒有解決。那還會有什么原因?是不是指定了錯誤的目標，用在了錯誤的環境，或者數據有問題。其實說白了，要么是目標有錯，要么是模型用錯，要么是數據有問題，基于這 3 點來檢查。

在現實業務中，解決了一個問題，有時也會帶來新的問題。比如說新聞推薦的系統，現在點擊的人多了，那么是不是由于推薦，新聞變得更加娛樂化了，是不是新聞的點擊變得更集中化了，這可能并不是業務上非常希望的，需要繼續想辦法來優化。第二步是 Review 數據，這些數據里面哪些起了關鍵作用，哪些數據是經驗上認為會有作用的，但實際上沒有的。那么重新檢查這些數據，看是不是數據質量的問題，使得沒有發揮應該發揮的作用。還可以看下一步我們可以引入哪些新的數據，數據***一批一批引入，我加入一批，一次性開發結束。

第三步，當我 Review 上面的事情后，我要制定下一步的方案，往往是我會有新的、更多的數據。我也可能會調整目標，有可能是目標錯了要改，也可能是增加目標，原來一個目標不夠了，我要加入好幾個新的指標，使模型變得更平衡。還有就是在工程上，看性能能不能優化等。