点击上方“CSDN”，选择“置顶公众号”

关键时刻，第一时间送达！

参与 | 林椿眄

校对 | Leo

出品 | AI 科技大本营

机器学习 (ML) 和人工智能 (AI) 是当今社会的热门话题。所以，最近有很多产品经理及那些有意向转向产品经理职位的人向我询问，如何才能成为更好的 ML 产品经理。

由于机器学习和产品管理之间的交集是一个相当丰富的话题，一篇文章不足以详细地阐述所有有关的内容，因此我打算把它分成三部分来分别说明：

第一部分——问题定义：什么样的机器学习产品是最符合用户需求的。

第二部分——机器学习的使用技巧：对于产品经理来说，需要掌握哪些特殊技巧来构建机器学习产品。

第三部分——注意事项：使用机器学习构建产品的过程中应注意哪些问题。

这篇文章中我们将总结在什么情景设置下，适合应用机器学习技术来解决你的问题。

聚焦于用户需求

什么时候适合运用机器学习来构建优质的产品呢？

首先我们要关注用户的需求。通常，人们会习惯性地认为机器学习是以某种方式从根本上改变了产品经理的技能组合。

这是个常见的认知错误！

机器学习本身并不是目的，它只是解决用户真实需求的一种工具。我发现很多公司都有很棒的人工智能技术，并且已经在许多实际应用中验证了这些技术的实用性。如果你开发了一个很酷的新技术，想在现实中应用它，那么你需要考虑的是这项技术能够解决什么问题，或者通过这项技术可以增强哪些方面的经验。

话虽如此，还是有很多人工智能的初创公司利用机器学习提出了一些很棒的创新技术，而这些并不总是专注于解决用户的问题/需求。虽然这些创新技术推动了技术前沿的发展，并在生态系统中扮演着非常重要，但是这些初创公司往往都会被收购，因为他们很难找到适合自己公司发展的产品市场。

作为一个产品经理，如果你尝试构建一些机器学习产品来服务于用户，那么用户的问题及需求应该是你需要关注的焦点。

如何判断机器学习技术是否可以用来解决用户的需求/业务问题，或者说在什么情境下适合运用这项技术呢？

我们都知道，机器学习技术最适合用于解决一些与模式识别相关的问题，而通常这些问题又可以分为几种不同的类型。

用户被大量的数据淹没

很多时候，用户需要在海量的数据中做出选择和决策，处理这些问题的最佳工具就是机器学习/人工智能技术。Google 和 Bing 等搜索引擎公司就是使用各种机器学习算法来为用户搜索提供最佳结果。

例如，当你搜索食谱时，搜索引擎会自动学习你的搜索模式，以及与你类似的搜索和点击行为的模式，并为你自动筛选出最贴近的食谱作为第一个结果。

此外，分类问题也能够利用机器学习来解决。例如，如果你希望将数百万篇教育类的帖子进行分类，并且已经利用一些教育类的文档训练好一个机器学习模型，那么这个模型可以帮助你自动分类这些帖子。

需要复杂认知能力的情况

现实中很多问题的解决都需要模型具有复杂的认知能力。例如，无人驾驶汽车需要能够了解道路周围复杂的环境。一个用于自动分类照片的应用程序，需要能够准确地检测图片中的地点，人员及物体等信息。

解决这些问题通常都需要复杂的认知技能，而构建这类智能模型的唯一方法就是用大量的数据来“喂给”智能模型，并通过一些模式识别的方法让模型开始学习。

需要预测的情况

现实中，最常见的一类问题是预测用户的喜好，如用户是否喜欢新闻中的某个故事，是否会喜欢 Dropbox 中的内容等。因此，对于一个预测问题，需要预测用户下一步的行为，机器学习将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 (前提是业务基础没有大幅改变) ，只需要提供过去几年的历史销售数据，一个机器学习模型就可以成功地预测未来的销售情况，即使考虑到季节性问题也是如此。机器学习模型不仅可以用于销售情况的预测，对于其他问题，如库存的使用情况也可以解决。

异常检测

机器学习的另一大应用方向是对数据进行异常检测。由于机器学习擅长处理模式识别问题，因此任何不符合常态的行为模式都可以很容易被检测到。

其中，信用卡欺诈行为的检测就是机器学习在这个领域的一个主要应用。如果用户的信用卡使用模式与常规行为不同，则可能表明卡片正被盗用。同样，如果黑客试图访问企业的内部网，查看入侵者的访问模式，机器学习模型可以通过学习这种模式来轻松地标记这种行为，并在下次发生时对这些行为进行拦截。

为你的决策提供建议

如果你希望帮助用户做出某些决策，如提供一些关于购买、访问、观看等方面的建议，机器学习也是一个很好的工具。

机器学习模型通过观察类似人的行为模式，购买类似的产品，访问类似的网站，为用户的决策提供建议，减轻决策制定时的认知负担。通过查看这些推荐，用户即使不用翻看整个视频目录或遍历所有搜索结果也能找到他们感兴趣的东西。

人机交互项目

如果你希望建立人机交互的项目，提供与人类交流的服务，那么你需要了解自然语言处理的相关知识，这种情况下机器学习也将是个不错的选择。

一些移动端的语音助手，如 Alexa，Siri 和 Google Assistant 等，其背后的核心技术都能够将人类语言翻译为可执行的任务。我们提供大量关于语言，语音语调的数据，让机器学习模型自动学习并理解语音信息，进而将语音映射到语言，再将语言指令映射到任务，实现从人类语言到需求任务的转换。

增强/创造新的体验

在机器学习应用中，增强或创造新体验是最令人兴奋的一项创新技术。

这项技术就是应用机器学习实现一种从无到有的过程，为人类带来全新的体验。SnapChat 滤镜就是一个成功的例子，它就是使用机器学习技术来增强用户体验：通过使用面部识别算法，SnapChat滤镜可以检测出脸部的轮廓，从而将一些创意滤镜叠加在脸部上，创造出更有趣、更新颖的图片。

你还接触过哪些机器学习新技术呢，给你带来怎样的新体验呢？来分享一下你的经历吧。

原文链接：https://towardsdatascience.com/machine-learning-for-product-managers-part-i-problem-mapping-5436132c3a6e