输给算法狗不冤
1997年，深蓝战胜了卡斯帕罗夫
2017年，阿尔法狗战胜了柯洁
在我初入百度时，系统里还有很多的陈年的人工规则
在现在这个时刻，百度公布Q2财报，其信息流业务DAU 破亿，全面转向人工智能
作为RD+PM，我坚信的是：在给定的框架和目标下，人类可枚举出的规则是远逊于机器学习得来的模型的。
举个例子，如下图：
- 产品最直观能够想到的策略如图中直线，简单但覆盖面积小
- 为了提升覆盖面，将策略增加了许多自判断，从而构成了图中的折线
- 完成了上面两步，人脑能够实现的复杂度基本上到顶了。想要拿剩下的收益，只能依靠机器。图中的曲虚线，即可以视作机器习得的模型。
火车已然高速，就真的别再执念你的宝马良驹了。
不管你认不认可，机器学习大面积取代人工判断的时代，来了！
训练算法狗才重要
先讲个真实的段子。
问：“点击率优化，你做了什么？”
我一脸的茫然：“点击率优化，算法狗做的啊。”
追问：“那要策略产品干什么？”
是啊，要策略产品干什么？当然不是去跟算法狗比速度，而是应该养狗、训狗啊。
设定目标。
机器擅长做的是数据优化，产品就需要给机器设定出合理的优化目标。
在另一篇文章中也有描述，基本上可以概括为：确定产品和业务的核心指标，以灵敏指标拟合长期目标。
目前，由于机器可以支持更好的复杂度，产品迭代已经渐逐步从单目标向多目标沟通。如，我需要在不降低点击率的前提下，优化互动量（分享、评论、点赞），在互动量中，更重要的是分享的部分……
草拟方案。
机器的优化不是一蹴而就的，在机器算法未完善前，人工应该能够给出一个保底的方案作为对照组。
以反低俗为例，在系统识别不好的时候，通过用户举报反馈、规则识别、数据异常波动复审等方式，可以拦截一部分低俗内容。以此作为产品层的基准，留给机器学习和优化的时间。
发现问题。
与其说是发现机器的问题，不如说是发现制定目标时，缺乏限定的问题。
在机器优化的过程中，往往会出现为了极致优化目标A，造成其他部分有损的情况。
比如，目标设定的是优化用户的阅读完成度，那么机器执行后最直接的结果就是只推荐短文，一屏展现完毕，点击进去就100%阅读完成度。这结果显然不是我们想要的，为了优化，我们就需要进一步修正目标的设定方式，比如内容至少要大于多少字，对哪些内容可豁免（如快讯）等等。
好的算法结果，离不开优秀技术的实现，同样离不开优秀产品的投入。
输给算法狗不冤，训练出一只好的算法狗才重要。
