為啥說產品經理都該懂點機器學習？

機器學習（ML）和AI近年來比較熱門的話題。有不少的產品經理和想要成為產品經理的人都有一個疑惑的問題——如何成為一個全面的機器學習產品經理（ML PM）。但由於機器學習和產品管理的交集是一個相當全面的話題，因此，這篇文章將重點討論你試圖解決的問題是否需要機器學習。

關注用戶

使用機器學習來構建優質產品的第一個原則是關注用戶需求。我發現的一個常見的誤解是，人們認為機器學習以某種方式從根本上改變了PM的技能組合。機器學習本身其實並不是目的，它是解決真實用戶需求的工具。在這樣一個人工智慧時代，我們發現很多人（和公司）都有很酷的人工智慧技術，並且認為只有技術才能真正驗證它的使用。如果你有一個很酷的技術可以應用，那麼可以考慮哪些問題可以解決，或者通過該技術可以增強哪些經驗。

話雖如此，但還是有很多初創公司提出了使用機器學習的創新技術，然而他們並不總是專註於解決用戶問題/需求。在生態系統中，他們也扮演著非常重要的目的，同時，推動技術前沿的發展。這些初創公司往往會被收購，也很少能夠自己找到適合的產品市場。但是，作為PM，如果你嘗試構建產品以服務用戶，那麼你的用戶面臨的問題，不是技術。

這給我們帶來了挑戰——如何判斷ML可以幫助解決哪些用戶/業務問題。其核心ML需要某種模式識別的問題，通常這些問題可以分為幾種不同的類型。

用戶被淹沒了太多的數據

如果用戶必須篩選大量數據才能完成任務，ML / AI就是一個很好的工具。谷歌和必應等搜索技術使用各種機器學習演算法來為用戶呈現最佳結果。例如，當你搜索食譜時，第一個結果是根據你自己的搜索模式，以及搜索的模式和與你相似的人的行為模式來為你排名。分類問題也能夠利用機器學習。如果你希望將數百萬篇與教育有關的帖子集中展現在你面前，當然，這裡假設你已經通過提供已知與教育有關的類似文檔的合理樣本來訓練了模型，這時候機器學習就可以幫助將它們分組。

需要複雜認知能力的問題

自動駕駛汽車需要能夠了解他們周圍的環境。自動分類照片的圖庫應用程序需要能夠檢測地點、人員和事物。這些需要複雜的認知技能，而構建這類智能機器的唯一方法是為其提供大量數據並通過模式識別進行學習。

預測

最常見的問題之一是預測用戶是否喜歡某件物品。用戶是否喜歡其新聞中的故事，是否會購買、訂閱某種產品。如果你的問題需要你預測一個用戶是否會執行一個動作，ML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（並且你的業務基礎沒有大幅改變），你可以提供過去幾年的歷史數據，而ML模型可以據此創建預測，同時考慮到季節性也是如此。銷售預測、庫存使用 ，所有這些都可以從ML獲益。

異常檢測

ML的最大好處之一是發現數據異常。由於ML擅長模式識別，任何不符合被視為常態的行為模式都可以很容易地檢測到。欺詐檢測是一個主要應用。如果信用卡使用模式與主人平常的常規行為不同，則可能表明我的該卡已被盜用。同樣，如果黑客試圖訪問企業內部網，查看入侵者的訪問模式，就可以使用機器學習輕鬆標記這種行為。

通過建議來幫助決策

如果你希望幫助你的用戶做出決定，比如提供購買、訪問、觀看等方面的建議，機器學習是一個很好的工具。通過觀察觀看類似事物的人的模式，購買的類似的產品，訪問的類似的網站，機器學習可以減少作出決定的認知負擔。通過查看建議、可能沒有查看整個視頻目錄或搜索所有項目的用戶就已經能夠找到與他們的興趣相似的項目。

與人類互動的經驗

如果你希望建立與人類交流的服務，並因此需要了解自然語言，則你會非常需要ML。所有助理技術的構建，包括Alexa、Siri和Google Assistant，都能夠將人類語言翻譯為可執行的任務。教授機器以理解人類語言，需要為他們提供大量關於語言、語音語調的數據，然後讓機器開始將語音映射到語言，然後再將指令映射到任務。

增加、創造新的體驗

增加、創造新體驗是ML最令人興奮的領域。SnapChat過濾器是一個很好的例子，說明如何使用ML來增強的體驗。通過使用面部識別演算法，SnapChat濾鏡可以檢測臉部輪廓，從而將創意濾鏡疊加在臉部上，使照片分享更加有趣。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！