为啥说产品经理都该懂点机器学习？

机器学习（ML）和AI近年来比较热门的话题。有不少的产品经理和想要成为产品经理的人都有一个疑惑的问题——如何成为一个全面的机器学习产品经理（ML PM）。但由于机器学习和产品管理的交集是一个相当全面的话题，因此，这篇文章将重点讨论你试图解决的问题是否需要机器学习。

关注用户

使用机器学习来构建优质产品的第一个原则是关注用户需求。我发现的一个常见的误解是，人们认为机器学习以某种方式从根本上改变了PM的技能组合。机器学习本身其实并不是目的，它是解决真实用户需求的工具。在这样一个人工智能时代，我们发现很多人（和公司）都有很酷的人工智能技术，并且认为只有技术才能真正验证它的使用。如果你有一个很酷的技术可以应用，那么可以考虑哪些问题可以解决，或者通过该技术可以增强哪些经验。

话虽如此，但还是有很多初创公司提出了使用机器学习的创新技术，然而他们并不总是专注于解决用户问题/需求。在生态系统中，他们也扮演着非常重要的目的，同时，推动技术前沿的发展。这些初创公司往往会被收购，也很少能够自己找到适合的产品市场。但是，作为PM，如果你尝试构建产品以服务用户，那么你的用户面临的问题，不是技术。

这给我们带来了挑战——如何判断ML可以帮助解决哪些用户/业务问题。其核心ML需要某种模式识别的问题，通常这些问题可以分为几种不同的类型。

用户被淹没了太多的数据

如果用户必须筛选大量数据才能完成任务，ML / AI就是一个很好的工具。谷歌和必应等搜索技术使用各种机器学习算法来为用户呈现最佳结果。例如，当你搜索食谱时，第一个结果是根据你自己的搜索模式，以及搜索的模式和与你相似的人的行为模式来为你排名。分类问题也能够利用机器学习。如果你希望将数百万篇与教育有关的帖子集中展现在你面前，当然，这里假设你已经通过提供已知与教育有关的类似文档的合理样本来训练了模型，这时候机器学习就可以帮助将它们分组。

需要复杂认知能力的问题

自动驾驶汽车需要能够了解他们周围的环境。自动分类照片的图库应用程序需要能够检测地点、人员和事物。这些需要复杂的认知技能，而构建这类智能机器的唯一方法是为其提供大量数据并通过模式识别进行学习。

预测

最常见的问题之一是预测用户是否喜欢某件物品。用户是否喜欢其新闻中的故事，是否会购买、订阅某种产品。如果你的问题需要你预测一个用户是否会执行一个动作，ML会是一个很好的选择。

同样，如果你想预测2018年12月的销售情况（并且你的业务基础没有大幅改变），你可以提供过去几年的历史数据，而ML模型可以据此创建预测，同时考虑到季节性也是如此。销售预测、库存使用 ，所有这些都可以从ML获益。

异常检测

ML的最大好处之一是发现数据异常。由于ML擅长模式识别，任何不符合被视为常态的行为模式都可以很容易地检测到。欺诈检测是一个主要应用。如果信用卡使用模式与主人平常的常规行为不同，则可能表明我的该卡已被盗用。同样，如果黑客试图访问企业内部网，查看入侵者的访问模式，就可以使用机器学习轻松标记这种行为。

通过建议来帮助决策

如果你希望帮助你的用户做出决定，比如提供购买、访问、观看等方面的建议，机器学习是一个很好的工具。通过观察观看类似事物的人的模式，购买的类似的产品，访问的类似的网站，机器学习可以减少作出决定的认知负担。通过查看建议、可能没有查看整个视频目录或搜索所有项目的用户就已经能够找到与他们的兴趣相似的项目。

与人类互动的经验

如果你希望建立与人类交流的服务，并因此需要了解自然语言，则你会非常需要ML。所有助理技术的构建，包括Alexa、Siri和Google Assistant，都能够将人类语言翻译为可执行的任务。教授机器以理解人类语言，需要为他们提供大量关于语言、语音语调的数据，然后让机器开始将语音映射到语言，然后再将指令映射到任务。

增加、创造新的体验

增加、创造新体验是ML最令人兴奋的领域。SnapChat过滤器是一个很好的例子，说明如何使用ML来增强的体验。通过使用面部识别算法，SnapChat滤镜可以检测脸部轮廓，从而将创意滤镜叠加在脸部上，使照片分享更加有趣。