你與產品經理之間差的才不只是一段代碼！

關鍵時刻，第一時間送達！

參與|林椿眄

校對|Leo

出品 | AI 科技大本營

機器學習 (ML) 和人工智慧 (AI) 是當今社會的熱門話題。所以，最近有很多產品經理及那些有意向轉向產品經理職位的人向我詢問，如何才能成為更好的 ML 產品經理。

由於機器學習和產品管理之間的交集是一個相當豐富的話題，一篇文章不足以詳細地闡述所有有關的內容，因此我打算把它分成三部分來分別說明：

第一部分——問題定義：什麼樣的機器學習產品是最符合用戶需求的。

第二部分——機器學習的使用技巧：對於產品經理來說，需要掌握哪些特殊技巧來構建機器學習產品。

第三部分——注意事項：使用機器學習構建產品的過程中應注意哪些問題。

這篇文章中我們將總結在什麼情景設置下，適合應用機器學習技術來解決你的問題。

聚焦於用戶需求

什麼時候適合運用機器學習來構建優質的產品呢？

首先我們要關注用戶的需求。通常，人們會習慣性地認為機器學習是以某種方式從根本上改變了產品經理的技能組合。

這是個常見的認知錯誤！

機器學習本身並不是目的，它只是解決用戶真實需求的一種工具。我發現很多公司都有很棒的人工智慧技術，並且已經在許多實際應用中驗證了這些技術的實用性。如果你開發了一個很酷的新技術，想在現實中應用它，那麼你需要考慮的是這項技術能夠解決什麼問題，或者通過這項技術可以增強哪些方面的經驗。

話雖如此，還是有很多人工智慧的初創公司利用機器學習提出了一些很棒的創新技術，而這些並不總是專註於解決用戶的問題/需求。雖然這些創新技術推動了技術前沿的發展，並在生態系統中扮演著非常重要，但是這些初創公司往往都會被收購，因為他們很難找到適合自己公司發展的產品市場。

作為一個產品經理，如果你嘗試構建一些機器學習產品來服務於用戶，那麼用戶的問題及需求應該是你需要關注的焦點。

如何判斷機器學習技術是否可以用來解決用戶的需求/業務問題，或者說在什麼情境下適合運用這項技術呢？

我們都知道，機器學習技術最適合用於解決一些與模式識別相關的問題，而通常這些問題又可以分為幾種不同的類型。

用戶被大量的數據淹沒

很多時候，用戶需要在海量的數據中做出選擇和決策，處理這些問題的最佳工具就是機器學習/人工智慧技術。Google 和 Bing 等搜索引擎公司就是使用各種機器學習演算法來為用戶搜索提供最佳結果。

例如，當你搜索食譜時，搜索引擎會自動學習你的搜索模式，以及與你類似的搜索和點擊行為的模式，並為你自動篩選出最貼近的食譜作為第一個結果。

此外，分類問題也能夠利用機器學習來解決。例如，如果你希望將數百萬篇教育類的帖子進行分類，並且已經利用一些教育類的文檔訓練好一個機器學習模型，那麼這個模型可以幫助你自動分類這些帖子。

需要複雜認知能力的情況

現實中很多問題的解決都需要模型具有複雜的認知能力。例如，無人駕駛汽車需要能夠了解道路周圍複雜的環境。一個用於自動分類照片的應用程序，需要能夠準確地檢測圖片中的地點，人員及物體等信息。

解決這些問題通常都需要複雜的認知技能，而構建這類智能模型的唯一方法就是用大量的數據來「餵給」智能模型，並通過一些模式識別的方法讓模型開始學習。

需要預測的情況

現實中，最常見的一類問題是預測用戶的喜好，如用戶是否喜歡新聞中的某個故事，是否會喜歡 Dropbox 中的內容等。因此，對於一個預測問題，需要預測用戶下一步的行為，機器學習將會是一個很好的選擇。

同樣，如果你想預測 2018 年 12 月的銷售情況 (前提是業務基礎沒有大幅改變) ，只需要提供過去幾年的歷史銷售數據，一個機器學習模型就可以成功地預測未來的銷售情況，即使考慮到季節性問題也是如此。機器學習模型不僅可以用於銷售情況的預測，對於其他問題，如庫存的使用情況也可以解決。

異常檢測

機器學習的另一大應用方向是對數據進行異常檢測。由於機器學習擅長處理模式識別問題，因此任何不符合常態的行為模式都可以很容易被檢測到。

其中，信用卡欺詐行為的檢測就是機器學習在這個領域的一個主要應用。如果用戶的信用卡使用模式與常規行為不同，則可能表明卡片正被盜用。同樣，如果黑客試圖訪問企業的內部網，查看入侵者的訪問模式，機器學習模型可以通過學習這種模式來輕鬆地標記這種行為，並在下次發生時對這些行為進行攔截。

為你的決策提供建議

如果你希望幫助用戶做出某些決策，如提供一些關於購買、訪問、觀看等方面的建議，機器學習也是一個很好的工具。

機器學習模型通過觀察類似人的行為模式，購買類似的產品，訪問類似的網站，為用戶的決策提供建議，減輕決策制定時的認知負擔。通過查看這些推薦，用戶即使不用翻看整個視頻目錄或遍歷所有搜索結果也能找到他們感興趣的東西。

人機交互項目

如果你希望建立人機交互的項目，提供與人類交流的服務，那麼你需要了解自然語言處理的相關知識，這種情況下機器學習也將是個不錯的選擇。

一些移動端的語音助手，如 Alexa，Siri 和 Google Assistant 等，其背後的核心技術都能夠將人類語言翻譯為可執行的任務。我們提供大量關於語言，語音語調的數據，讓機器學習模型自動學習並理解語音信息，進而將語音映射到語言，再將語言指令映射到任務，實現從人類語言到需求任務的轉換。

增強/創造新的體驗

在機器學習應用中，增強或創造新體驗是最令人興奮的一項創新技術。

這項技術就是應用機器學習實現一種從無到有的過程，為人類帶來全新的體驗。SnapChat 濾鏡就是一個成功的例子，它就是使用機器學習技術來增強用戶體驗：通過使用面部識別演算法，SnapChat濾鏡可以檢測出臉部的輪廓，從而將一些創意濾鏡疊加在臉部上，創造出更有趣、更新穎的圖片。

你還接觸過哪些機器學習新技術呢，給你帶來怎樣的新體驗呢？來分享一下你的經歷吧。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！