15、理解原生 AI 产品：从构建到销售的全面指南

理解原生 AI 产品：从构建到销售的全面指南

1. 机器学习实验管理与技术栈选择

管理机器学习实验本身就是一项艰巨的任务。像 MLflow 和 Weights & Biases 这类工具可用于管理版本和实验。此外，还有 Cloudera Data Science Workbench、Seldon、Dataiku、DataRobot、Domino、SageMaker 和 TensorFlow 等工具，能为数据科学家提供构建、实验、部署和训练机器学习模型的工作站。

作为产品经理（PM），你需要不断权衡构建产品的价值与所需的成本和精力。因此，不能忽视技术栈的选择。虽然可能会觉得首席技术官（CTO）可以决定投资哪种技术栈，但如果该技术栈直接涉及产品的构建，就不能简单地将决策外包。赋予利益相关者权力会影响 AI 产品的投入成本和精力，所以你要参与这些关键决策。

技术栈的核心考量是要确保基础设施能够处理随着业务增长而不断增加的数据规模。构建合适的技术栈来处理数据的清洗、存储、安全、准备和监控，是支持 AI 项目或产品团队的基础，这也与数据策略的制定密切相关。同时，还需要为 AI 项目中的多个角色创建一个协作环境，让分析师、数据科学家、机器学习工程师、更广泛的工程团队以及领导者和顾问等能够进行沟通和协作。

以下是一些可用于机器学习实验管理和模型构建的工具：
| 工具名称 | 用途 |
| ---- | ---- |
| MLflow | 管理版本和实验 |
| Weights & Biases | 管理版本和实验 |
| Cloudera Data Science Workbench | 支持数据科学家构建、