“人如何学习，机器应该如何学习，人如何思考，机器应该如何思考。”
根据国外一家创业公司数据库Crunchbase的数据，2018年，超过5000家创业公司基于机器学习设计了他们的产品和服务。仅仅一年之后，这个数字已经接近9000。
人工智能被认为是第四次工业革命。
根据普华永道最近的一份报告，到2030年，AI预计将为全球GDP贡献65，438+05.7万亿美元，这就是为什么我们称AI为当今快速变化的经济中最大的商机。
此外，它不仅会对我们的经济产生巨大影响，也会对我们生活的其他方面产生巨大影响。
那么，AI的发展对我们这些产品经理来说意味着什么呢？
首先，随着企业主意识到人工智能的影响并将其融入关键业务流程，至少了解一些人工智能的基础知识将变得越来越重要，即使是那些不使用人工智能产品的人。
其次，优秀的产品经理往往是更强团队的建设者之一。我们应该开始寻找AI能为我们的产品提供什么机会。
围绕这个目标，我想和大家分享一下我自己在学习AI和ML相关知识过程中的思考。
首先，理解我们试图用ML解决的问题。
每个产品的开发过程都是从确定要解决的正确问题开始的:要知道用户买钻不是为了钻本身，也不是为了钻做漂亮的孔，而是想把买的漂亮的装饰画挂起来。
引入机器学习的概念确实可以让我们所能提供的产品解决方案更具创新性，但是不要忘了问问自己为什么要引入ML的概念。
就像很多人在苹果推出新iPhone，他们更感兴趣的是炒作，紧跟潮流，加入追求的队伍，而不是真正关心新iPhone提供了哪些有用的新功能。
按照我的思路，我觉得ML往往可以帮助解决以下问题:能否让用户体验更加定制化、个性化？
想象你要去一家咖啡店。在一家咖啡店里，“咖啡师知道你的名字和味道，咖啡店里放着你喜欢的音乐”，而在另一家咖啡店里，你能收获的是和普通顾客一样的流程，一样的服务，一样的体验。
毫无疑问，我们更喜欢第一家咖啡店。
长期以来，我们一直在为大多数人做产品，但随着ML的成熟，我们可以预见一个可以大规模实现个性化的世界。比如今日头条就是基于机器学习，通过算法分发更适合用户兴趣的信息。
1.我们能让用户体验更安全吗？
最经典的案例是垃圾邮件处理、银行基于异常检测识别可疑交易或虚假账户等等。
基于ML的应用，相比人工，我们可以利用海量的数据进行分析判断，从而让用户体验更加安全。
2.我们能帮助用户更容易或更快地实现目标吗？
这个问题也很常见，比如我们写邮件的时候，会有自动填充功能帮助我们更快的完成邮件。
如果我们购买一件商品，系统可能会推荐“与用户购买该商品时常见的互补商品”，帮助我们更好地完成闭环购物。
3.我们能创造以前不可能的新体验吗？
例如，根据世界卫生组织的数据，全球有3600多W盲人，超过217万人有轻度到重度的视力障碍，所以很多人可能不适应与图片相关的网络社交活动。
脸书有一个功能，通过对图片的智能识别，用文字简要描述图片的内容，用户通过阅读这些描述文字可以更好的参与讨论。
第二，评估ML是否是解决问题的最佳途径。
有一家创业公司，帮助酒店通过平板电脑与客户沟通。这家公司的一位工程师在公司产品中引入了ML，即设置一个聊天机器人，帮助客人更快地找到与其住宿相关的相关信息。
它还可以减少通常必须回答这些问题的接待员的工作量。通过与接待员交谈，他们很快发现酒店客人提出的85%的问题来自以下列表:
退房时间是什么时候？
你什么时候吃早餐？
Wi-Fi密码是多少？
通过在产品中加入一个小功能，公司用来在客人拿起通讯平板时，立即回答上述问题。
对于剩下的15%的问题，公司尝试用ML来处理，但最后发现剩下的15%的问题往往需要人工辅助才能解决。
比如“酒店里可以用熨斗吗？”这种非经典的非常规的罕见问题，因为频率低，机器无法收集分析大量数据，所以无法通过ML回答这些问题。
在这种情况下，ML可能不是最好的解决方案，让接待员回答15%的特殊问题可能更有效率和效果。
除了第一次，ML还需要时间和精力来逐步提高。这需要很好的数据源和大量的迭代才能达到足够好的水平，有时甚至需要一年甚至更长时间的积累。
ML不一定是积累前的最优解。
比如以知名的图片社交软件Instagram为例。2010由于数据样本量有限，其个性化排名的偏差很可能是巨大的。所以其热门栏目的推荐并没有介绍ML，只是简单的按照整体人气对图片进行了排名。
但随着时间的迁移，在获得足够的用户行为数据后，Instagram将ML引入到产品中，开始进行更加定制化、个性化的推荐。
第三，树立正确的预期
总的来说，ML产品开发似乎与常规产品开发流程没有太大区别:我们发现问题，寻找机会，评估风险，衡量结果，监控调整。另一方面，魔鬼总是在细节中被发现。
在机器学习中，变量很多，通常不存在普适解，我们在第一次尝试引入ML进行模型构建时，往往无法保证问题能立即得到解决。
所以ML产品经理要做的最重要的一件事就是树立正确的预期。ML产品开发不适合短跑运动员，适合马拉松运动员。这将是一项持续的、探索性的、严谨的工作。
对某些人来说，机器学习是一个数学问题；在我看来，这是一个行为问题。
理解人类的行为、情绪和决策从来都不是一件简单的事情，需要长期的观察和理解。ML的做法也是如此，但反过来，我们将有机会建立独特的产品观察视角，可以更好地根据数据所讲述的事实来设计和迭代产品，更好地设计用户与产品的关系。