起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識關于機器學習的三個思考丨產品雜談系列
人工智能（AI）的發展可能是當前的經濟發展中最大的商業機會。我們幾乎每天都在使用基于AI或者機器學習（ML）驅動的產品——例如淘寶的推薦商品，最近爆火的AI換臉應用ZAO，并且這類型的產品數量在未來幾年呈指數級增長。
國外一家創業公司數據庫Crunchbase的數據顯示，在2018年，有超過5000家以上的初創公司基于機器學習進行了產品和服務的設計。僅僅一年后，這個數字已經接近9000.
人工智能被認為是第四次工業革命。
普華永道最近的一份報告稱，到2030年，AI預計將為全球GDP貢獻15.7萬億美元，這也是為什么我們稱AI為當今快速變化的經濟中最大的商業機會。
而且，它不僅會對我們的經濟產生重大影響，還會對我們生活的其他方面產生重大影響。
那么，AI的發展對我們作為產品經理又意味著什么？
首先，隨著企業所有者意識到人工智能的影響并將其整合到關鍵業務流程中，至少了解一些人工智能基礎知識將變得越來越重要，即使是那些不使用人工智能產品的人也是如此。
其次，一個優秀的產品經理往往也是一個更加強大的團隊的建設者之一，我們應該開始尋找AI可以為我們的產品提供怎么樣的機會。
圍繞著這個目的，與大家分享我自己在學習AI及ML相關知識過程中的幾個思考。
一、了解我們嘗試使用ML解決的問題
每個產品的開發過程都從確定要解決的那個正確問題開始：我們要知道，用戶不是為了鉆頭本身購買鉆頭，也不是為鉆頭可以制作的漂亮孔，而是他們想將自己購買的漂亮的裝飾圖片掛起來。
引入機器學習的概念，確實可以使我們所能夠提供的產品解決方案更加具有新意，但千萬別忘了問問自己為什么需要引入ML這個概念。
正如很多人在蘋果推出新的iPhone時，更多是為了炒作、緊跟潮流加入追捧隊伍，而非真正在意新版iPhone提供了哪些有用的新功能。
根據我的思考，我認為ML可以幫忙解決的往往是以下幾種問題：我們能否讓用戶體驗更加定制化和個性化？
想象一下你要去一家咖啡館，其中一家咖啡廳“咖啡師知道你的名字及口味，且咖啡廳正在播放你最喜歡的音樂”，另一家咖啡廳你能夠收獲的，就是和普通的顧客一樣的流程一樣的服務一樣的體驗。
毋庸置疑，我們肯定更喜歡第一家咖啡廳。
長期以來，我們一直都是在為大多數人制造產品，但隨著ML的成熟，我們可以預想一個能大規模實現個性化的世界。例如今日頭條，便是基于機器學習，通過算法分發那些更迎合用戶興趣的資訊。
1. 我們能否讓用戶體驗更安全？
最經典的案例就是垃圾郵件處理、銀行基于異常檢測識別可疑交易或虛假賬戶等。
基于ML的應用，我們能夠相比人工，使用更巨量的數據來進行分析和判斷，從而讓用戶體驗更加的安全。
2. 我們能否幫助用戶更輕松或更快地實現目標？
這個問題也很常見，例如我們編寫郵件時，會有自動填充功能，幫助我們更快的完成郵件的編寫。
如果我們購買了一件商品，系統可能為你推薦“其與用戶購買該商品時常見的配套商品”，幫助我們更好的完成購物閉環。
3. 我們可以創造以前不可能的新體驗嗎？
例如，按照世界衛生組織的數據顯示，全球有超過3600W盲人，超過2.17億人有輕度至重度視力障礙，許多人可能會因此而不適應與圖片有關的在線社交活動。
Facebook中則有一個功能，通過圖片的智能識別用文字簡要描述圖片內容，用戶通過這些描述文字的閱讀，能夠更好地加入討論。
二、評估ML是否是解決問題的最佳方法
有一家創業公司幫助酒店通過平板電腦與客戶進行溝通，這家公司的某一位工程師將ML引入了該公司的產品中，即建立一個聊天機器人，用來幫助客人更快速的找到與他們住宿有關的相關信息。
它還可以減少通常情況下，不得不回答這些問題的接待員的工作量。通過與接待員的交談，他們很快發現酒店客人提出的85％的問題來自以下列表：
- 退房時間是什么時候？
- 什么時候吃早餐？
- Wi-Fi密碼是多少？
該公司通過在產品中添加一個小功能，用于在客人拿起溝通用平板時立即回答以上的幾個問題。
而對于剩余的15%的問題，這家公司嘗試使用ML進行處理，但最終發現，剩下的這15%的問題經常需要人工協助才能得到解決。
例如“我可以在酒店使用鐵質物品嗎？”這類非經典非常規極少見的問題，由于其出現頻率之低，機器無法通過大量數據的采集和分析，也就無法通過ML去回答這些問題。
在這種情況下，ML可能就不是最佳的解決方案，讓接待員來回答客人這特殊的15%的問題，可能是更加高效且有效的做法。
初次之外，ML需要花費時間和精力來逐步完善。這需要良好的數據來源和大量的迭代才能達到足夠好的地步，有時甚至需要一年甚至更久的時間積累。
在積累未到的時候，ML也不一定是最佳的解決辦法。
例如，拿知名的圖片社交軟件Instagram來說，其在2010年，因為數據樣本量有限的情況下，其個性化排序的偏差很可能是巨大的，因此，其熱門欄目的推薦是沒有引入ML的，僅僅是簡單的按照整體受歡迎程度進行圖片排序。
但隨著時間的遷移，Instagram在獲取足夠多的用戶行為數據后，將ML引入產品中，開始進行更加定制化和個性化的推薦。
三、設定正確的期望
一般而言，ML產品開發似乎和常規的產品開發流程沒有太大區別：我們識別問題，發現機會，評估風險，衡量結果并監控調整。另一方面，細節中總是能夠出魔鬼的。
在機器學習中，有多個可變因素，通常沒有通用的解決方案，我們也往往無法確保在第一次嘗試引入ML進行模型構建時，就能夠馬上解決問題。
因此，ML產品經理應該做的最重要的事情之一就是設定正確的期望。ML產品開發不適合短跑運動員，而是適合馬拉松運動員，它將是一種持續性、探索性的和嚴謹的工作。
對于某些人來說，機器學習是一個數學問題；在我看來，這是一個行為問題。
理解人類行為、情感和決策從來都不是一件簡單的事情，需要長時間的觀察和理解。ML的實踐也是如此，但作為回報，我們將會有機會建立一個獨特的產品觀察視角，可以更好的基于數據告訴我們的事實進行產品設計和迭代，更好的設計用戶和產品之間的關系。
作者：李俊興，廣州蘆葦信息科技有限公司產品經理
本文由 @蘆葦產品團 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash， 基于CC0協議
- 目前還沒評論，等你發揮！
