ScaledInference：关于机器学习优化的类比

编译 | 冯鸥

发布 | ATYUN订阅号

作为成长型营销人员是非常激动人心的，机器学习是一个我们可以利用的强大的新工具。您可能已经听过很多关于人工智能，机器学习甚至强化学习的知识。但是，您可能没有太多渠道来了解如何利用这项技术来使您的增长计划受益。如果您不是工程师，数据科学家或产品方面，您可能认为这项新技术是遥不可及的。

如果您有数字资产，则需要使用机器学习。所有的独角兽公司都在使用它，Growth Hackers正在讨论他们快速实验的秘诀和增长的驱动因素——机器学习。

传统的A / B测试仍然有价值，但对于指数增长，机器学习是关键。可以把它看作是类固醇上的A/B测试，通常结果会有10倍的改善。毕竟，只有八分之一的A / B测试可以推动统计上的变化，所以让我们通过利用成熟的技术改变现状并扩大我们的实验文化。

在ScaledInference，我们喜欢使用冰淇淋的类比来解释机器学习优化的工作原理。

让我们假装你是一年级教室的老师。你想给这个班级带来甜美的冰淇淋！你问班上“谁喜欢巧克力？”60％的人举起手。你又问“谁喜欢香草？”一小部分人举起手。在A / B测试框架中，这个真实的例子将导致房间里的每个人都被提供巧克力。巧克力迎合了大多数人，这种口味成为赢家。

但现在房间里有失望的孩子，没有老师想要拒绝他们。那么该怎么办？如果这个真实世界的例子基于机器学习方法怎么办？我们会使用上下文来更好地为受众服务。

在一年级学生的课堂上，可能的背景和数据是学校的健康记录。也许有些拒绝为冰淇淋偏好举手的人有一个隐藏的决定因素。所以，你看一下这些记录，你会发现你的20名学生中有3名患有乳制品过敏症。现在您可以提供无乳糖种类。这意味着在我们的课堂示例中，我们已经可以从服务大约60％的人到服务所有人。

这只是一个小样本，一种应用机器学习的示例。

End