人工智能（AI）的發(fā)展可能是當前的經(jīng)濟發(fā)展中最大的商業(yè)機會。我們幾乎每天都在使用基于AI或者機器學習（ML）驅(qū)動的產(chǎn)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(chǎn)品數(shù)量在未來幾年呈指數(shù)級增長。

國外一家創(chuàng)業(yè)公司數(shù)據(jù)庫Crunchbase的數(shù)據(jù)顯示，在2018年，有超過5000家以上的初創(chuàng)公司基于機器學習進行了產(chǎn)品和服務的設(shè)計。僅僅一年后，這個數(shù)字已經(jīng)接近9000.

人工智能被認為是第四次工業(yè)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(jīng)濟中最大的商業(yè)機會。

而且，它不僅會對我們的經(jīng)濟產(chǎn)生重大影響，還會對我們生活的其他方面產(chǎn)生重大影響。

那么，AI的發(fā)展對我們作為產(chǎn)品經(jīng)理又意味著什么？

首先，隨著企業(yè)所有者意識到人工智能的影響并將其整合到關(guān)鍵業(yè)務流程中，至少了解一些人工智能基礎(chǔ)知識將變得越來越重要，即使是那些不使用人工智能產(chǎn)品的人也是如此。

其次，一個優(yōu)秀的產(chǎn)品經(jīng)理往往也是一個更加強大的團隊的建設(shè)者之一，我們應該開始尋找AI可以為我們的產(chǎn)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(guān)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(chǎn)品的開發(fā)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(chǎn)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(jù)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(shù)人制造產(chǎn)品，但隨著ML的成熟，我們可以預想一個能大規(guī)模實現(xiàn)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(fā)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(jīng)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(shù)據(jù)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(xiàn)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(tǒng)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(huán)。

3. 我們可以創(chuàng)造以前不可能的新體驗嗎？

例如，按照世界衛(wèi)生組織的數(shù)據(jù)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(guān)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(nèi)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(chuàng)業(yè)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(chǎn)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(guān)的相關(guān)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(fā)現(xiàn)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(chǎn)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(fā)現(xiàn)，剩下的這15%的問題經(jīng)常需要人工協(xié)助才能得到解決。

例如“我可以在酒店使用鐵質(zhì)物品嗎？”這類非經(jīng)典非常規(guī)極少見的問題，由于其出現(xiàn)頻率之低，機器無法通過大量數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)后，將ML引入產(chǎn)品中，開始進行更加定制化和個性化的推薦。

三、設(shè)定正確的期望

一般而言，ML產(chǎn)品開發(fā)似乎和常規(guī)的產(chǎn)品開發(fā)流程沒有太大區(qū)別：我們識別問題，發(fā)現(xiàn)機會，評估風險，衡量結(jié)果并監(jiān)控調(diào)整。另一方面，細節(jié)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(gòu)建時，就能夠馬上解決問題。

因此，ML產(chǎn)品經(jīng)理應該做的最重要的事情之一就是設(shè)定正確的期望。ML產(chǎn)品開發(fā)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(xù)性、探索性的和嚴謹?shù)墓ぷ鳌?/p>

對于某些人來說，機器學習是一個數(shù)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(chǎn)品觀察視角，可以更好的基于數(shù)據(jù)告訴我們的事實進行產(chǎn)品設(shè)計和迭代，更好的設(shè)計用戶和產(chǎn)品之間的關(guān)系。

作者：李俊興，廣州蘆葦信息科技有限公司產(chǎn)品經(jīng)理

本文由 @蘆葦產(chǎn)品團 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash， 基于CC0協(xié)議