作者丨TOMASZ TUNGUZ， 紅點資本合夥人
編譯丨拓撲社 原野
信任在軟體行業真的再重要不過了， 一旦信任出現了的動搖， 那麼用戶或者買家立刻掉頭走人，
「這個軟體有些時候連我的都存儲不下來」；「這個資料庫三天兩頭的崩潰」；「這家網站頻繁地宕機」， 任何一句抱怨的話就會直接將你和你的產品送入深淵。
幾乎每一家公司都在存儲資料上面臨各種挑戰。 但是， 以機器學習為重點的初創公司所面臨的挑戰遠不止這一點， 他們還需要面臨「概率」帶給他們的信任危機。
Nate Silver 曾利用機器學習， 成功預測了奧巴馬在 2008 年選舉上的大獲全勝， 在各個選區裡的預測正確率都近乎 100%， 這也讓概率論再次站在世人面前大放異彩。 原來真實世界的運行跟學院派的概率論是能對接得上的啊。
而 8 年之後的今天， 我們新總統的誕生， 卻出現在了機器預判之外。
很多機器學習系統同樣也依賴於概率。 一個程式師將一個「閥值」編譯進了機器學習模型中。 這個系統會利用這個「閥值」去決定目前的這個概率是否足以讓我們得出結論。 有些時候， 它也被稱之為「信心指數」。
無論是「閥值」， 還是「信心指數」， 其實都代表著某件事實成立的最低標準， 只有邁過這個門檻， 才能得出一個結論。
比如如果要確認它是張圖片， 至少「最小概率（minimum probability) 是這裡面有一隻貓；而「sacre blue」這個詞的「信心指數」應該是將它翻譯成「我的天呐」， 而不是按照字面意思來說：「神聖的藍色」。
在系統得出結論， 給出推薦之前， 這個標準成立的可能性（概率）要達到多少？80%？90%？95？
這個最小概率如果門檻太低， 那麼就會出現「1 型錯誤」， 也就是「誤報」；如果最小概率的門檻拉得太高， 那麼會帶來「漏報」， 也就是電腦領域中的「漏報」， 也就是「2 型錯誤」
機器學習領域的 SaaS 公司必須從中拿捏其平衡， 不能太緊， 也不能太松。 如果一個產品向一端太過傾斜， 那麼產品就會失去使用者的信任， 最終毀掉一家公司。
那麼如何去應對「用戶有可能對你的產品失去信任」這個風險呢？目前「聊天機器人」（chatbot）的湧現， 讓我在人機互動方面得出了一個原則：正確地引導， 塑造使用者對一個系統能力的期待值， 這是至關重要的。 更準確地說，
除此之外， 如果說還要做什麼來降低風險的話， 你必須清楚你的機器如果犯錯， 會在哪方面出錯， 其性質有多嚴重， 用戶在意的是什麼。 機器有可能把一些無關的資訊推送給使用者， 這是錯誤 1；機器把使用者媽媽發來的郵件給標記成為了垃圾郵件， 這是錯誤 2， 很明顯這兩種錯誤的嚴重性不在一個水平線上。
下一代機器學習產品， 其關鍵就落在了誰能最快地獲得用戶信任上面。 而在「提示錯誤」、「遮罩郵件」、「翻譯詞語」、「識別圖片」等工作上面， 產品必須自身決定臨界概率的大小到了多少， 才能得出結論。
此事重大， 不可不察。
本文為拓撲社編譯， 未經同意不得轉載或引用
尋求報導&合作請聯繫：tobshe@itjuzi.com