人工智慧（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於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，並且這型別的產品數量在未來幾年呈指數級增長。

國外一家創業公司資料庫Crunchbase的資料顯示，在2018年，有超過5000家以上的初創公司基於機器學習進行了產品和服務的設計。僅僅一年後，這個數字已經接近9000.

人工智慧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，這也是為什麼我們稱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。

那麼，AI的發展對我們作為產品經理又意味著什麼？

首先，隨著企業所有者意識到人工智慧的影響並將其整合到關鍵業務流程中，至少了解一些人工智慧基礎知識將變得越來越重要，即使是那些不使用人工智慧產品的人也是如此。

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麼樣的機會。

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、瞭解我們嘗試使用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，使用者不是為了鑽頭本身購買鑽頭，也不是為鑽頭可以製作的漂亮孔，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麼需要引入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：我們能否讓使用者體驗更加定製化和個性化？

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穫的，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，便是基於機器學習，透過演算法分發那些更迎合使用者興趣的資訊。

1. 我們能否讓使用者體驗更安全？

最經典的案例就是垃圾郵件處理、銀行基於異常檢測識別可疑交易或虛假賬戶等。

基於ML的應用，我們能夠相比人工，使用更巨量的資料來進行分析和判斷，從而讓使用者體驗更加的安全。

2. 我們能否幫助使用者更輕鬆或更快地實現目標？

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“其與使用者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資料顯示，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線上社交活動。

Facebook中則有一個功能，透過圖片的智慧識別用文字簡要描述圖片內容，使用者透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透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資訊。

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。透過與接待員的交談，他們很快發現酒店客人提出的85％的問題來自以下列表：

退房時間是什麼時候？
什麼時候吃早餐？
Wi-Fi密碼是多少？

該公司透過在產品中新增一個小功能，用於在客人拿起溝通用平板時立即回答以上的幾個問題。

而對於剩餘的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，由於其出現頻率之低，機器無法透過大量資料的採集和分析，也就無法透過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。這需要良好的資料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體Instagram來說，其在2010年，因為資料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在獲取足夠多的使用者行為資料後，將ML引入產品中，開始進行更加定製化和個性化的推薦。

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，衡量結果並監控調整。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。

對於某些人來說，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，可以更好的基於資料告訴我們的事實進行產品設計和迭代，更好的設計使用者和產品之間的關係。