人工智能（AI）的發(fā)展可能是當(dāng)前的經(jīng)濟(jì)發(fā)展中最大的商業(yè)機(jī)會(huì)。我們幾乎每天都在使用基于AI或者機(jī)器學(xué)習(xí)（ML）驅(qū)動(dòng)的產(chǎn)品——例如淘寶的推薦商品，最近爆火的AI換臉應(yīng)用ZAO，并且這類型的產(chǎn)品數(shù)量在未來(lái)幾年呈指數(shù)級(jí)增長(zhǎng)。

國(guó)外一家創(chuàng)業(yè)公司數(shù)據(jù)庫(kù)Crunchbase的數(shù)據(jù)顯示，在2018年，有超過(guò)5000家以上的初創(chuàng)公司基于機(jī)器學(xué)習(xí)進(jìn)行了產(chǎn)品和服務(wù)的設(shè)計(jì)。僅僅一年后，這個(gè)數(shù)字已經(jīng)接近9000.

人工智能被認(rèn)為是第四次工業(yè)革命。

普華永道最近的一份報(bào)告稱，到2030年，AI預(yù)計(jì)將為全球GDP貢獻(xiàn)15.7萬(wàn)億美元，這也是為什么我們稱AI為當(dāng)今快速變化的經(jīng)濟(jì)中最大的商業(yè)機(jī)會(huì)。

而且，它不僅會(huì)對(duì)我們的經(jīng)濟(jì)產(chǎn)生重大影響，還會(huì)對(duì)我們生活的其他方面產(chǎn)生重大影響。

那么，AI的發(fā)展對(duì)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(shí)到人工智能的影響并將其整合到關(guān)鍵業(yè)務(wù)流程中，至少了解一些人工智能基礎(chǔ)知識(shí)將變得越來(lái)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(gè)優(yōu)秀的產(chǎn)品經(jīng)理往往也是一個(gè)更加強(qiáng)大的團(tuán)隊(duì)的建設(shè)者之一，我們應(yīng)該開(kāi)始尋找AI可以為我們的產(chǎn)品提供怎么樣的機(jī)會(huì)。

圍繞著這個(gè)目的，與大家分享我自己在學(xué)習(xí)AI及ML相關(guān)知識(shí)過(guò)程中的幾個(gè)思考。

一、了解我們嘗試使用ML解決的問(wèn)題

每個(gè)產(chǎn)品的開(kāi)發(fā)過(guò)程都從確定要解決的那個(gè)正確問(wèn)題開(kāi)始：我們要知道，用戶不是為了鉆頭本身購(gòu)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(gòu)買的漂亮的裝飾圖片掛起來(lái)。

引入機(jī)器學(xué)習(xí)的概念，確實(shí)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(wàn)別忘了問(wèn)問(wèn)自己為什么需要引入ML這個(gè)概念。

正如很多人在蘋(píng)果推出新的iPhone時(shí)，更多是為了炒作、緊跟潮流加入追捧隊(duì)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(rèn)為ML可以幫忙解決的往往是以下幾種問(wèn)題：我們能否讓用戶體驗(yàn)更加定制化和個(gè)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(lè)”，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(wù)一樣的體驗(yàn)。

毋庸置疑，我們肯定更喜歡第一家咖啡廳。

長(zhǎng)期以來(lái)，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(yù)想一個(gè)能大規(guī)模實(shí)現(xiàn)個(gè)性化的世界。例如今日頭條，便是基于機(jī)器學(xué)習(xí)，通過(guò)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(yàn)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(cè)識(shí)別可疑交易或虛假賬戶等。

基于ML的應(yīng)用，我們能夠相比人工，使用更巨量的數(shù)據(jù)來(lái)進(jìn)行分析和判斷，從而讓用戶體驗(yàn)更加的安全。

2. 我們能否幫助用戶更輕松或更快地實(shí)現(xiàn)目標(biāo)？

這個(gè)問(wèn)題也很常見(jiàn)，例如我們編寫(xiě)郵件時(shí)，會(huì)有自動(dòng)填充功能，幫助我們更快的完成郵件的編寫(xiě)。

如果我們購(gòu)買了一件商品，系統(tǒng)可能為你推薦“其與用戶購(gòu)買該商品時(shí)常見(jiàn)的配套商品”，幫助我們更好的完成購(gòu)物閉環(huán)。

3. 我們可以創(chuàng)造以前不可能的新體驗(yàn)嗎？

例如，按照世界衛(wèi)生組織的數(shù)據(jù)顯示，全球有超過(guò)3600W盲人，超過(guò)2.17億人有輕度至重度視力障礙，許多人可能會(huì)因此而不適應(yīng)與圖片有關(guān)的在線社交活動(dòng)。

Facebook中則有一個(gè)功能，通過(guò)圖片的智能識(shí)別用文字簡(jiǎn)要描述圖片內(nèi)容，用戶通過(guò)這些描述文字的閱讀，能夠更好地加入討論。

二、評(píng)估ML是否是解決問(wèn)題的最佳方法

有一家創(chuàng)業(yè)公司幫助酒店通過(guò)平板電腦與客戶進(jìn)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(gè)聊天機(jī)器人，用來(lái)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(wèn)題的接待員的工作量。通過(guò)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(wèn)題來(lái)自以下列表：

• 退房時(shí)間是什么時(shí)候？
• 什么時(shí)候吃早餐？
• Wi-Fi密碼是多少？

該公司通過(guò)在產(chǎn)品中添加一個(gè)小功能，用于在客人拿起溝通用平板時(shí)立即回答以上的幾個(gè)問(wèn)題。

而對(duì)于剩余的15%的問(wèn)題，這家公司嘗試使用ML進(jìn)行處理，但最終發(fā)現(xiàn)，剩下的這15%的問(wèn)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(jiàn)的問(wèn)題，由于其出現(xiàn)頻率之低，機(jī)器無(wú)法通過(guò)大量數(shù)據(jù)的采集和分析，也就無(wú)法通過(guò)ML去回答這些問(wèn)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(lái)回答客人這特殊的15%的問(wèn)題，可能是更加高效且有效的做法。

初次之外，ML需要花費(fèi)時(shí)間和精力來(lái)逐步完善。這需要良好的數(shù)據(jù)來(lái)源和大量的迭代才能達(dá)到足夠好的地步，有時(shí)甚至需要一年甚至更久的時(shí)間積累。

在積累未到的時(shí)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(lái)說(shuō)，其在2010年，因?yàn)閿?shù)據(jù)樣本量有限的情況下，其個(gè)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(méi)有引入ML的，僅僅是簡(jiǎn)單的按照整體受歡迎程度進(jìn)行圖片排序。

但隨著時(shí)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(kāi)始進(jìn)行更加定制化和個(gè)性化的推薦。

三、設(shè)定正確的期望

一般而言，ML產(chǎn)品開(kāi)發(fā)似乎和常規(guī)的產(chǎn)品開(kāi)發(fā)流程沒(méi)有太大區(qū)別：我們識(shí)別問(wèn)題，發(fā)現(xiàn)機(jī)會(huì)，評(píng)估風(fēng)險(xiǎn)，衡量結(jié)果并監(jiān)控調(diào)整。另一方面，細(xì)節(jié)中總是能夠出魔鬼的。

在機(jī)器學(xué)習(xí)中，有多個(gè)可變因素，通常沒(méi)有通用的解決方案，我們也往往無(wú)法確保在第一次嘗試引入ML進(jìn)行模型構(gòu)建時(shí)，就能夠馬上解決問(wèn)題。

因此，ML產(chǎn)品經(jīng)理應(yīng)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(kāi)發(fā)不適合短跑運(yùn)動(dòng)員，而是適合馬拉松運(yùn)動(dòng)員，它將是一種持續(xù)性、探索性的和嚴(yán)謹(jǐn)?shù)墓ぷ鳌?/p>

對(duì)于某些人來(lái)說(shuō)，機(jī)器學(xué)習(xí)是一個(gè)數(shù)學(xué)問(wèn)題；在我看來(lái)，這是一個(gè)行為問(wèn)題。

理解人類行為、情感和決策從來(lái)都不是一件簡(jiǎn)單的事情，需要長(zhǎng)時(shí)間的觀察和理解。ML的實(shí)踐也是如此，但作為回報(bào)，我們將會(huì)有機(jī)會(huì)建立一個(gè)獨(dú)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(shí)進(jìn)行產(chǎn)品設(shè)計(jì)和迭代，更好的設(shè)計(jì)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(tuán) 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(lái)自Unsplash， 基于CC0協(xié)議