人工智能也将遵循 80/20 法则，需要与人类携手并进

把机器学习算法放到一个具体的场景来进行优化，它将展现出远超人类的能力。但作为人类，我们应该继续专注于我们最擅长的事情，比如创造性地思考，建立同理心，来以引导机器向正确的方向前进。

比如，一个朋友想让你推荐一些气氛比较适合约会的餐厅。和大多数人一样，你可能会根据一些突出的特点进行评估，比如舒适、别致的氛围、食物的口味等等，或许还会分享给他一些可口的甜点。根据这些特征的重要性，你会想起几家在这些方面都做得很好的餐厅，并给出建议。

同时，这位朋友还向一个“黑匣子机器学习算法”发出了同样的请求。机器学习算法可以获取用户评分和价格等多种商业属性，并用所有这些数据进行训练。然后，它拿出了一份有几百家餐厅的清单，按照得分高低排好顺序。

从这个简单的比较中可以清楚地看出，人类的直觉和机器学习在不同的方面有优势。我们的优势在于，作为人类，我们花了很多时间在“约会”这个场景中，和朋友建立了隐含的共享内容情节。我们很了解朋友，我们知道这次约会对于他来说至关重要，我们甚至会想些能帮助他度过一个神奇的夜晚的细节。晚上结束的时候，如果我们的朋友打电话给我们抱怨他等了近一个小时，而且停车也非常麻烦，我们也会记得这些信息，并在下次推荐餐馆时把它们考虑进去。

关于机器学习的“80/20”法则已经有了一些讨论。普遍的想法是，完成一种目标的时候，机器能帮我们做到80%，在大多数情况下，这可能已经称得上是“足够好”了。但仍有许多方面需要人类的参与和判断，才能完成最后的20%。

理解问题

如今，随着对机器学习的大肆宣传，遇到问题时，人们很容易直接进入机器学习导向型的解决方案。曾经有过这样的例子，我们热切地盯着我邻居们在用崭新的机器学习算法，特别想知道如果我们能把其加入一些更奇特的模型中的话，能解决什么样的问题。这种想法很容易就会把整个团队带到沟里去，最终很有可能建立一个非常强大的基础设施来解决一个只存在于假想中的用户问题。

在最初的浪漫餐厅推荐场景中，隐含着这样一个事实：我们已经完成了用户的研究（了解了我们的朋友），并确定了准确的用户需求（至关重要的约会）。与机器相比，人类在各种形式的生成性用户研究（采访、焦点小组、观察研究）中都非常出色——这些都需要极大的同理心和非结构化的人际互动。无数的研究（包括麦肯锡最近的一份报告）反复重申，人类在具有这些特征的领域会继续超越机器。至少在可预见的未来，人类仍将是识别这些主要问题的关键。

标记特征

人类参与机器学习的另一个常见用途是利用人类的直觉来识别特征和标记数据集。例如，“舒适和昏暗的气氛”是人类可以添加到餐馆的数据集里的一项功能，从而使推荐变得更加敏感和微妙。

在这一步中，生成性研究方法也派上了用场——我们可以要求用户对其用例的相对重要性进行排序。一旦机器学习算法可以通过用户研究获取、识别，收集或推断数据，并在培训模型中使用它们就变得非常简单。

评估结果和改进算法

最终，我们是否提供了一个好的建议取决于实际的经验。但我们如何评估算法的有效性，并不总是像询问我们的朋友约会是否成功那样直接。

由于许多功能都是在自然情况下进行交互的，因此很难将产品对用户的影响区分开来，反之亦然。例如，我们已经了解到，只要向用户展示可能与他们的原始意图无关的可见元素，我们就能影响到用户认为重要的东西（例如，在用户寻找回家服务时向用户显示地图），从而导致一个毫无帮助的反馈循环，误导数据反馈到培训模型中。

幸运的是，在这种情况下，生成性用户研究帮助我们了解用户在做决定时，对不同功能的重要性的看法。这些定性研究发现，能为“如何”和“多少”提供“为什么”，从而使我们能够更合理地解释数据并改进算法。

我们人类应该继续把注意力集中在我们最擅长的事情上，比如创造性地思考，为他人建立同理心，等等。而且这些用例的范围非常之广。就在今年早些时候，麻省理工学院的研究人员发现，即使对于一个客观的优化用例来说，算法仍然可以受益于人类直觉的增加。对于那些更加偏向于主观的领域，比如根据用户当前的需求、心情和公司来选择一家餐厅，人类直觉在塑造和引导过程中继续发挥着重要作用。