人工智能（AI）的发展可能是当前的经济发展中最大的商业机会。我们几乎每天都在使用基于AI或者机器学习（ML）驱动的产品——例如淘宝的推荐商品，最近爆火的AI换脸应用ZAO，并且这类型的产品数量在未来几年呈指数级增长。
国外一家创业公司数据库Crunchbase的数据显示，在2018年，有超过5000家以上的初创公司基于机器学习进行了产品和服务的设计。仅仅一年后，这个数字已经接近9000.
人工智能被认为是第四次工业革命。
普华永道最近的一份报告称，到2030年，AI预计将为全球GDP贡献15.7万亿美元，这也是为什么我们称AI为当今快速变化的经济中最大的商业机会。
而且，它不仅会对我们的经济产生重大影响，还会对我们生活的其他方面产生重大影响。
那么，AI的发展对我们作为产品经理又意味着什么？
首先，随着企业所有者意识到人工智能的影响并将其整合到关键业务流程中，至少了解一些人工智能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也是如此。
其次，一个优秀的产品经理往往也是一个更加强大的团队的建设者之一，我们应该开始寻找AI可以为我们的产品提供怎么样的机会。
围绕着这个目的，与大家分享我自己在学习AI及ML相关知识过程中的几个思考。
一、了解我们尝试使用ML解决的问题
每个产品的开发过程都从确定要解决的那个正确问题开始：我们要知道，用户不是为了钻头本身购买钻头，也不是为钻头可以制作的漂亮孔，而是他们想将自己购买的漂亮的装饰图片挂起来。
引入机器学习的概念，确实可以使我们所能够提供的产品解决方案更加具有新意，但千万别忘了问问自己为什么需要引入ML这个概念。
正如很多人在苹果推出新的iPhone时，更多是为了炒作、紧跟潮流加入追捧队伍，而非真正在意新版iPhone提供了哪些有用的新功能。
根据我的思考，我认为ML可以帮忙解决的往往是以下几种问题：我们能否让用户体验更加定制化和个性化？
想象一下你要去一家咖啡馆，其中一家咖啡厅“咖啡师知道你的名字及口味，且咖啡厅正在播放你最喜欢的音乐”，另一家咖啡厅你能够收获的，就是和普通的顾客一样的流程一样的服务一样的体验。
毋庸置疑，我们肯定更喜欢第一家咖啡厅。
长期以来，我们一直都是在为大多数人制造产品，但随着ML的成熟，我们可以预想一个能大规模实现个性化的世界。例如今日头条，便是基于机器学习，通过算法分发那些更迎合用户兴趣的资讯。
1. 我们能否让用户体验更安全？
最经典的案例就是垃圾邮件处理、银行基于异常检测识别可疑交易或虚假账户等。
基于ML的应用，我们能够相比人工，使用更巨量的数据来进行分析和判断，从而让用户体验更加的安全。
2. 我们能否帮助用户更轻松或更快地实现目标？
这个问题也很常见，例如我们编写邮件时，会有自动填充功能，帮助我们更快的完成邮件的编写。
如果我们购买了一件商品，系统可能为你推荐“其与用户购买该商品时常见的配套商品”，帮助我们更好的完成购物闭环。
3. 我们可以创造以前不可能的新体验吗？
例如，按照世界卫生组织的数据显示，全球有超过3600W盲人，超过2.17亿人有轻度至重度视力障碍，许多人可能会因此而不适应与图片有关的在线社交活动。
Facebook中则有一个功能，通过图片的智能识别用文字简要描述图片内容，用户通过这些描述文字的阅读，能够更好地加入讨论。
二、评估ML是否是解决问题的最佳方法
有一家创业公司帮助酒店通过平板电脑与客户进行沟通，这家公司的某一位工程师将ML引入了该公司的产品中，即建立一个聊天机器人，用来帮助客人更快速的找到与他们住宿有关的相关信息。
它还可以减少通常情况下，不得不回答这些问题的接待员的工作量。通过与接待员的交谈，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？
什么时候吃早餐？
Wi-Fi密码是多少？
该公司通过在产品中添加一个小功能，用于在客人拿起沟通用平板时立即回答以上的几个问题。
而对于剩余的15%的问题，这家公司尝试使用ML进行处理，但最终发现，剩下的这15%的问题经常需要人工协助才能得到解决。
例如“我可以在酒店使用铁质物品吗？”这类非经典非常规极少见的问题，由于其出现频率之低，机器无法通过大量数据的采集和分析，也就无法通过ML去回答这些问题。
在这种情况下，ML可能就不是最佳的解决方案，让接待员来回答客人这特殊的15%的问题，可能是更加高效且有效的做法。
初次之外，ML需要花费时间和精力来逐步完善。这需要良好的数据来源和大量的迭代才能达到足够好的地步，有时甚至需要一年甚至更久的时间积累。
在积累未到的时候，ML也不一定是最佳的解决办法。
例如，拿知名的图片社交软件Instagram来说，其在2010年，因为数据样本量有限的情况下，其个性化排序的偏差很可能是巨大的，因此，其热门栏目的推荐是没有引入ML的，仅仅是简单的按照整体受欢迎程度进行图片排序。
但随着时间的迁移，Instagram在获取足够多的用户行为数据后，将ML引入产品中，开始进行更加定制化和个性化的推荐。
三、设定正确的期望
一般而言，ML产品开发似乎和常规的产品开发流程没有太大区别：我们识别问题，发现机会，评估风险，衡量结果并监控调整。另一方面，细节中总是能够出魔鬼的。
在机器学习中，有多个可变因素，通常没有通用的解决方案，我们也往往无法确保在第一次尝试引入ML进行模型构建时，就能够马上解决问题。
因此，ML产品经理应该做的最重要的事情之一就是设定正确的期望。ML产品开发不适合短跑运动员，而是适合马拉松运动员，它将是一种持续性、探索性的和严谨的工作。
对于某些人来说，机器学习是一个数学问题；在我看来，这是一个行为问题。
理解人类行为、情感和决策从来都不是一件简单的事情，需要长时间的观察和理解。ML的实践也是如此，但作为回报，我们将会有机会建立一个独特的产品观察视角，可以更好的基于数据告诉我们的事实进行产品设计和迭代，更好的设计用户和产品之间的关系。
