咖啡店老板偷偷用机器学习技术，居然改掉了我点单的坏习惯？
上周绕路去常去的社区咖啡店买喝的，掏出手机点单的时候，首页第一个推荐居然不是我喝了两年的冰美式，是个我连名字都没听过的橙花气泡冷萃。\n\n鬼使神差就点了。一口下去，橙花的香混着冷萃的苦，气泡刚好解了腻，那天32度，喝完连后颈的汗都收了大半。\n\n转头跟老板说可以啊，怎么知道我喜欢这个？老板挠头笑，说不是他猜的，是上个月花几百块弄了个小工具，用机器学习技术算出来的。\n\n我当时就愣了。合着这玩意儿都卷到社区咖啡店了？\n\n
社区咖啡店点单数据机器学习分析表
\n\n这些规律，老板开了五年店，其实模模糊糊也有感觉，但从来没整理得这么清楚。之前他都是凭印象推，十次能错个五六次，现在十次能中个六七次，点单率上去了，客人们还都觉得“这家店太懂我”。\n\n
机器学习拟合钓鱼位置鱼获规律示意图
\n\n现在市面上90%我们能接触到的机器学习应用，都是这么干的。外卖平台给你估配送时间，短视频平台给你推内容，甚至电商平台给你推商品，本质都是拿你过去的行为数据，算出来你接下来喜欢什么，需要什么。\n\n很多人有个误区，说我没有几十万上百万数据，就用不了机器学习。其实完全不是。像咖啡店老板那几百条数据，就能跑出能用的结果。小场景有小场景的精度要求，能提升一半的准确率就够用了，不需要做到99%。\n\n
别神化，它的软肋其实比你想的更明显
\n\n我帮老板调参数的时候，就发现过一个很有意思的错误。有次下雨天来了个旅行的小姑娘，老板的工具给人推了热燕麦拿铁，结果小姑娘说就要冰的，还嫌老板推荐得不对。\n\n为什么会错？\n\n因为老板过去的数据里，下雨天来的全是住在附近的老客，老客雨天都爱喝热的，工具从这些数据里总结出来“下雨天所有人都爱喝热的”，这就是典型的数据偏差。你的数据本身就不全，带了偏向，出来的结果肯定错。\n\n这是机器学习最常见的坑，也是很多人用不好它的原因。你喂给它垃圾，它出来的肯定是垃圾。甚至你喂给它不全的数据，它出来的就是带偏见的结果。\n\n还有一个误区，很多人觉得机器学习能预测一切。其实它根本跳不出你给它的数据范围。\n\n老板这个店开了五年，从来没遇到过连续一周40度以上的高温，今年入夏碰到了，原来的规律直接就不准了。原来35度大家爱喝带果味的，40度大家都要最冰最淡的，半糖都嫌甜，原来的模型完全没见过这种情况，推错的概率一下子翻了三倍。后来老板把半个月的新数据喂进去，重新跑了一遍，才回到原来的准确率。\n\n说白了，它就是个经验主义者，只会总结你给它的过去，不会自己创造新的认知。\n\n现在很多人说机器学习会取代人的工作，我倒不这么看。它确实能帮你总结规律，省掉很多重复试错的力气，但发现新问题、调整数据偏差、找到新的方向，这些还是得人来做。那个咖啡店老板，就算工具能推荐，他也会给第一次来的客人留选择权，不会硬推，就是这个道理。\n\n说实话，我接触和做机器学习相关的工作快十年了，最开始刚入行的时候，觉得这东西简直很神奇，什么问题都能解决。现在越做越觉得，它就是个顺手的工具。就像厨师的锅，木匠的锯，你用得好，能帮你省很多力气，做出更好的东西，但你不能把锅扔那儿就让它自己出一桌菜对吧？\n\n那个咖啡店老板现在每个月都会抽一个晚上，把上个月错推的记录整理一下，给数据标上新的标签，更新一次模型。现在他的复购率比去年涨了快两成，很多客人就是冲着“你懂我”这点来的，花了不到一千块，换了这么大的提升，怎么算都划算。\n\n其实走在街上你仔细看，现在机器学习技术早就渗到各个犄角旮旯了。小区楼下水果店给你发优惠券，修车行帮你估保养时间，甚至小区外卖菜的自动给你凑满减，背后都有它的影子。\n\n不用仰望它，也不用害怕它。找对自己的小场景，喂对靠谱的数据，它就能给你惊喜。哦对了，我现在去那个咖啡店，已经不点冰美式了，每次都点那个橙花气泡冷萃，不得不说，它真的比我懂我自己。\n\n对吧？
原来机器学习技术不是只有大厂能玩
\n\n很多人提起这五个字，第一反应就是仓库里堆着几十块显卡的算法团队，是动辄千亿参数的大模型，是只有互联网公司才烧得起的玩具。\n\n其实真不是。\n\n机器学习的本质，说穿了就是让计算机自己从一堆过往数据里找规律，再用规律预测新情况。根本不需要多大的排场。\n\n这个咖啡店老板，就是把过去三个季度的点单记录导进了一个低代码工具，每条记录标上：客人到店的时间、当天气温、是不是周末、客人来了多少次、之前点过什么口味。工具跑了不到半小时，就出来了一套每个客人的个性化推荐逻辑。\n\n我帮他翻过后台的结果，规律细得吓人：工作日下班来的常客，坐超过两小时的，大部分爱点低因的，怕影响晚上睡觉；天热超过30度，女生偏爱带果味的，男生爱加浓缩；第一次来的客人，八成会点菜单上颜值高的，方便拍照发朋友圈。\n\n社区咖啡店点单数据机器学习分析表
\n\n这些规律，老板开了五年店，其实模模糊糊也有感觉，但从来没整理得这么清楚。之前他都是凭印象推，十次能错个五六次，现在十次能中个六七次，点单率上去了，客人们还都觉得“这家店太懂我”。\n\n说透底层逻辑，其实就是这么回事
\n\n很多人觉得机器学习玄乎，什么神经网络什么深度学习，听着就头大。其实换个生活里的例子，你立马就能懂。\n\n就说你跟着朋友去钓鱼，钓了三次：第一次在北岸树荫下，两小时钓了五条；第二次在南岸太阳底下，两小时钓了一条；第三次换了东岸的芦苇丛，两小时钓了八条。\n\n你钓完会自己总结：哦，芦苇丛旁边鱼多，树荫下次之，太阳底下最少。下次再来你直接去芦苇丛占位置。\n\n你总结出来的这个“位置和鱼获多少的关系”，就是机器学习帮你算出来的拟合规律。\n\n以前我们写程序解决问题，是先有规律，再让计算机按规律算。比如算10个客人一共花了多少钱，我们先告诉计算机“单价乘以数量加起来”，它再出结果。\n\n机器学习反过来。它先拿到所有的“位置”和“鱼获”的例子，自己反过来算出“位置和鱼获的关系”，下次你说你要去哪个位置，它直接告诉你能钓多少。\n\n机器学习拟合钓鱼位置鱼获规律示意图
\n\n现在市面上90%我们能接触到的机器学习应用，都是这么干的。外卖平台给你估配送时间，短视频平台给你推内容，甚至电商平台给你推商品，本质都是拿你过去的行为数据，算出来你接下来喜欢什么，需要什么。\n\n很多人有个误区，说我没有几十万上百万数据，就用不了机器学习。其实完全不是。像咖啡店老板那几百条数据，就能跑出能用的结果。小场景有小场景的精度要求，能提升一半的准确率就够用了，不需要做到99%。\n\n别神化，它的软肋其实比你想的更明显
别神化，它的软肋其实比你想的更明显
\n\n我帮老板调参数的时候，就发现过一个很有意思的错误。有次下雨天来了个旅行的小姑娘，老板的工具给人推了热燕麦拿铁，结果小姑娘说就要冰的，还嫌老板推荐得不对。\n\n为什么会错？\n\n因为老板过去的数据里，下雨天来的全是住在附近的老客，老客雨天都爱喝热的，工具从这些数据里总结出来“下雨天所有人都爱喝热的”，这就是典型的数据偏差。你的数据本身就不全，带了偏向，出来的结果肯定错。\n\n这是机器学习最常见的坑，也是很多人用不好它的原因。你喂给它垃圾，它出来的肯定是垃圾。甚至你喂给它不全的数据，它出来的就是带偏见的结果。\n\n还有一个误区，很多人觉得机器学习能预测一切。其实它根本跳不出你给它的数据范围。\n\n老板这个店开了五年，从来没遇到过连续一周40度以上的高温，今年入夏碰到了，原来的规律直接就不准了。原来35度大家爱喝带果味的，40度大家都要最冰最淡的，半糖都嫌甜，原来的模型完全没见过这种情况，推错的概率一下子翻了三倍。后来老板把半个月的新数据喂进去，重新跑了一遍，才回到原来的准确率。\n\n说白了，它就是个经验主义者，只会总结你给它的过去，不会自己创造新的认知。\n\n现在很多人说机器学习会取代人的工作，我倒不这么看。它确实能帮你总结规律，省掉很多重复试错的力气，但发现新问题、调整数据偏差、找到新的方向，这些还是得人来做。那个咖啡店老板，就算工具能推荐，他也会给第一次来的客人留选择权，不会硬推，就是这个道理。\n\n说实话，我接触和做机器学习相关的工作快十年了，最开始刚入行的时候，觉得这东西简直很神奇，什么问题都能解决。现在越做越觉得，它就是个顺手的工具。就像厨师的锅，木匠的锯，你用得好，能帮你省很多力气，做出更好的东西，但你不能把锅扔那儿就让它自己出一桌菜对吧？\n\n那个咖啡店老板现在每个月都会抽一个晚上，把上个月错推的记录整理一下，给数据标上新的标签，更新一次模型。现在他的复购率比去年涨了快两成，很多客人就是冲着“你懂我”这点来的，花了不到一千块，换了这么大的提升，怎么算都划算。\n\n其实走在街上你仔细看，现在机器学习技术早就渗到各个犄角旮旯了。小区楼下水果店给你发优惠券，修车行帮你估保养时间，甚至小区外卖菜的自动给你凑满减，背后都有它的影子。\n\n不用仰望它，也不用害怕它。找对自己的小场景，喂对靠谱的数据，它就能给你惊喜。哦对了，我现在去那个咖啡店，已经不点冰美式了，每次都点那个橙花气泡冷萃，不得不说，它真的比我懂我自己。\n\n对吧？