编译丨拓扑社 原野

　　信任在软件行业真的再重要不过了，一旦信任出现了的动摇，那么用户或者买家立刻掉头走人，一秒钟都不会犹豫。

　　「这个软件有些时候连我的都存储不下来」；「这个数据库三天两头的崩溃」；「这家网站频繁地宕机」，任何一句抱怨的话就会直接将你和你的产品送入深渊。

　　几乎每一家公司都在存储数据上面临各种挑战。但是，以机器学习为重点的初创公司所面临的挑战远不止这一点，他们还需要面临「概率」带给他们的信任危机。

　　Nate Silver 曾利用机器学习，成功预测了奥巴马在 2008 年选举上的大获全胜，在各个选区里的预测正确率都近乎 100%，这也让概率论再次站在世人面前大放异彩。原来真实世界的运行跟学院派的概率论是能对接得上的啊。

　　而 8 年之后的今天，我们新总统的诞生，却出现在了机器预判之外。在 2008 年的分析和 2016 年的两次机器分析当中，数学上的推演是正确的，理论也是一脉相承的。但在 2008 年，曾经让我们产生了对数据的信赖，而在 2016 年，现实却反戈一击，这其实就是人性使然。

　　很多机器学习系统同样也依赖于概率。一个程序员将一个「阀值」编译进了机器学习模型中。这个系统会利用这个「阀值」去决定目前的这个概率是否足以让我们得出结论。有些时候，它也被称之为「信心指数」。

　　无论是「阀值」，还是「信心指数」，其实都代表着某件事实成立的最低标准，只有迈过这个门槛，才能得出一个结论。

　　比如如果要确认它是张图片，至少「最小概率（minimum probability) 是这里面有一只猫；而「sacre blue」这个词的「信心指数」应该是将它翻译成「我的天呐」，而不是按照字面意思来说：「神圣的蓝色」。

　　在系统得出结论，给出推荐之前，这个标准成立的可能性（概率）要达到多少？80%？90%？95？

　　这个最小概率如果门槛太低，那么就会出现「1 型错误」，也就是「误报」；如果最小概率的门槛拉得太高，j2直播，那么会带来「漏报」，也就是计算机领域中的「漏报」，也就是「2 型错误」

　　机器学习领域的 SaaS 公司必须从中拿捏其平衡，不能太紧，也不能太松。如果一个产品向一端太过倾斜，那么产品就会失去用户的信任，最终毁掉一家公司。

　　那么如何去应对「用户有可能对你的产品失去信任」这个风险呢？目前「聊天机器人」（chatbot）的涌现，让我在人机互动方面得出了一个原则：正确地引导，塑造用户对一个系统能力的期待值，这是至关重要的。更准确地说，少承诺一点东西，多实现一些价值，让用户处于时常获得惊喜的状态中，这就大大降低了此类风险。

　　除此之外，如果说还要做什么来降低风险的话，你必须清楚你的机器如果犯错，会在哪方面出错，其性质有多严重，用户在意的是什么。机器有可能把一些无关的信息推送给用户，这是错误 1；机器把用户妈妈发来的邮件给标记成为了垃圾邮件，这是错误 2，很明显这两种错误的严重性不在一个水平线上。

　　下一代机器学习产品，其关键就落在了谁能最快地获得用户信任上面。而在「提示错误」、「屏蔽邮件」、「翻译词语」、「识别图片」等工作上面，产品必须自身决定临界概率的大小到了多少，才能得出结论。

　　此事重大，j2直播，不可不察。