从 CEO 到产品经理，再到风险投资人，每一个人都想加强对机器学习的理解，因为他们知道机器学习有潜力让他们的软件更上一层楼。他们因为机器学习感到兴奋。他们已经读过 TechCrunch 和 Fortune 的文章，也可能已经快速做了一次或者两次线性回归。

但是很多产品负责人在机器学习中所面临的最重要的问题在于，atv，他们不仅仅想要的这些程序只会做数字运算，同时，他们还希望这些程序能够代替他们思考。

他们会说，「我希望这个算法能够告诉我为什么。为什么我的客户不能到我这边来呢？为什么这个功能没有我预期的好？我想知道原因！」

事情是这样的。机器学习的目的不是为了证明某些原因，它的存在是为了针对一些特定的数据、行为或者是模式做出一些高质量的预测。算法唯一的工作就是让你能够更加有效、更加精确地达成目标，而不是告诉你为什么。从表面上看来，这似乎有一些让人失望。

但事实上，只要你恰当使用，就能激发它的功效。机器学习带来了一次更高级别的数据分析革命。目前机器学习的基础就是帮助工程师制造出更好、更复杂精巧的软件。此外，一些精明的企业已经放弃了不惜一切代价追求增长的模式，开始投身这个具有可预测性的产业当中。可预测性，事实让就是机器学习的发展前景。

但是对于工程师来说，机器学习并不是小菜一碟。这并不是像在你已经了解 Ruby 的情况下选择 Python。在 2 年前，所有工程师，包括我自己，都对机器学习一无所知。我知道如果我们想利用机器学习分析产品，我们必须要认识到我们对于未知的情况完全一无所知，而且我们面对的是复杂的数学，而不是魔术。

我们最大的挑战以及要吸取的经验教训

机器学习最让我感兴趣的一件事情是它能够让软件自动做很多事情，而这些事情是我们直接用编程做不到的。对于一个工程师来讲，这真是太令人兴奋了。

但是对于一个产品负责人来说，机器学习也带来了新的挑战，这些挑战是我之前从未面临过的。我聘请了 Jenny Finkel 博士，她是一名真正的机器学习方面的专家，而不是尝试自己成为一名这方面的专家。我希望能够建立一个团队来成功应对机器学习带来的各种挑战，并帮助 Mixpanel 迈上一个新台阶。

我非常骄傲地看到我们在过去两年中所取得的成就，我更引以为傲的是我们在建立 Mixpanel 的机器学习团队中所学习到的。下面是我认为其中最重要的一些经验：

1. 你需要专家。这一点是我很快就意识到的，我们需要真正的机器学习专家来研发真正的机器学习产品。顶级的机器学习方面的博士，都去了谷歌和微软就职。为了弥补这一点的不足，人们用数据来武装自己的公司。这似乎让他们更加像是一个真正的机器学习团队，但是机器学习中所涉及到的数学问题，其复杂程度是无法和一些数学统计工作者所涉及的相比的。我认为我们需要真正的机器学习专家，如果重新决策的话，我还是会做同样的决定。

2. 我们很难知道从哪儿开始。你可能会迫切地希望立马就建立一些疯狂并且复杂的算法，但是在那之前，在数据方面你还有还有很多的事情要去做，甚至是从运用机器学习开始。起初，你可能并没有数据，你可能没有建立模型的可用数据，甚至你可能连模型都没有。所以，事情并不是像「我们就从运用机器学习开始」这么简单。这一定会让工程师感到精疲力竭。

3. 规模的问题总是存在。比起统计学所面临的，规模会在更大程度上影响到机器学习的成败。工程师们知道，在统计学当中数据量并不是非常重要。这就是为什么，比如说，我们随机抽取一些电子商务客户的样本，这样就能得到一个相对精确的模型，了解到所有的客户对在线促销的反应。我们不需要知道所有的购买产品组合，或者是了解每一种可能的潜在结果，才能明白可能出现的结果。

可在机器学习方面，数据量的作用要大得多。你对每一种可能结果的了解更多，你的预测能力就会越好。仅在一些过去的事件或是实时的动态当中取样是远远不够的，你的模型需要知道每一种情况，并且能够趋向于给出一种正确的解决方案，这样才能发挥可预测性的优势。

我们继续说电子商务的例子，如果说电子商务公司除了想要预测谁会对促销有所反应，了解更加复杂的购买模式之外，还想知道更多。机器学习需要了解电子商务公司 200 万客户当中每一个人的情况，了解他们购买的产品，用每一种可能的组合方式分析他们的购买情况，建立一个最精确的购买模型。这样，将来的购买模型就可以利用 数据粒度上的增长做出更加精准的预测。从如此庞大的数据当中得出这样的细节信息，似乎有一点疯狂。这就是为什么你需要一个真正的机器学习工程师团队，能够快马加鞭干正事，并且能建立出最好的模型。