正文
每个公司都在干这个事情：当我们有海量的数据，而且这个数据的来源很广泛，就可以做一个非常完整的用户画像。
第一，深度理解我们的用户。我们在理解这个用户时，甚至利用机器计算去补充用户没有告诉我们的信息。基于多种维度，我们甚至可以总结用户性别。通过数据的聚合，特征提取，推测性别数据，我们的覆盖率是90%，里面的准确率能达到89%。还有年龄段，职业等，准确度越来越高；
第二，用户真实性。小米从第一天卖手机，最大的敌人是黄牛。一开始，他们模拟真实的用户去抢手机，一开始，我们每人每天都写很多代码去互相攻防。后来，我们开始机器学习了，把用户的全部维度，全部输入到机器里面，让他判断真实的用户是这样。之后，每一个用户进来，可以瞬间判断到底是不是一个真实用户。因为黄牛可以通过一两个维度，甚至使用10个、20个、100个维度去模仿真实的用户，但是不可能做到1000个维度。所以我们基本上可以判断出黄牛。有时候算法太好了，让一个稍微有一些异常的真实用户被判断黄牛，因此还要把它往下调一点。这就是我们怎么样用大数据反过来验证现实上的真实度。为了画像更精准，我们不断地要提高我们的内容词、知识图库。
那么如何让大数据落地到你的产品？今天下午，小米发布了最新的电视，最大的亮点是人工智能的部分。这不是一个新的概念，但要把它做得靠谱，整个行业花了很多年。我们可以通过语音搜索片子，找到很多关于电影的信息，演员的各种信息。过去可能要花20个遥控器的操控，今天通过一个自然的语音，就可以找到。
之前我意识到，我们把人工智能落实到可以摸得着、用的好、买得到的设备，才可以说把人工智能带给用户。其实做人工智能技术的公司很多。今年越来越多的人工智能技术将落实到产品上。比如小米电视，已经可以做到在看电视的时候，问这个演员是谁，他就马上告诉你，是邓超。还可以问邓超今年几岁，老婆是谁，我要看邓超的老婆的电影。基本上用户问的越多，这个系统就会越来越自然。我想，除了语音、人脸识别技术，里面最核心的一点是自然语言处理。怎么把精准度达到百分之90的语音识别后的文字转成语义，之后进行分析。比如复杂的一句话，老情人的老情人的老情人的老情人的老情人的干女儿，这样人理解起来都比较麻烦的句子，现在都可以理解了。
那么自然语言处理也好，去了解特定场景下的用户习惯也好，现在我们采用的主要方法都是机器学习。过去我们是用问卷等方式，用人工的方式去迭代。但是，现在基本上是通过机器学习，加一部分人工干预的方式，让它更频繁的迭代，不是一周一个迭代，而是每个小时在迭代。我认为它的进步是用一个非线性的速度在提升，举个例子吧。我们总是说智能硬件对不对？你说这个灯是智能灯，但是你有没有想过，如果你们用过这些所谓的智能灯，当然有两个选择，一个是过去直接用手按对不对，第二个方式就是打开你的手机，解开你的锁屏，好不容易找到APP再打开，等了一两秒钟，然后你再关灯开灯。你基本上试上几次，都不会有什么用对不对？
我认为今后大家会看见真正懂你的灯，而且懂你一个人。因为每个人开灯、关灯的习惯千差万别。如果要找全世界最强的工程师把它做出来的话，十万个规则都做不好。而且这个代码量惊人。正确的做法是，通过灯的维度，知道你的特征，通过家里全部的智能硬件来掌握你的特征，比如家里wifi与你手机的状态，家里电视的状态，音箱的状态，客厅净化器的状态，房间的净化器的状态，可能要上百个特征。就根据过去一个月的使用历史进行分析，知道在这些特征成立下，你会开灯，你会关灯，这样才有可能做出一个真的是懂你的灯。
有很多人说用一个摄像头、传感器就知道了。这其实是远远不够的。比如，晚上下班回去，他就开灯，然后打扰到你的室友。真的要做这个，难度远超大家的想象，因为这些维度不应该是人去学习的。当你家里的设备越来越多，他们的状态全部都可以被分析，被记录，我只要跟随一个礼拜，就可以理解你的习惯。我认为他会比任何一个工程师可以做的10万个规则都更符合你想要的。
另外一个案例，就是智能手环。把这个东西做精准很不容易，要靠算法判断是在走路还是在跑步？然后不断的调试，每个人挥手的方式不一样。所以，工程师拍脑袋去想办法，然后把算法变成了代码。
其实有一个更好的方法，就是让足够多的用户带着他去跑步，打羽毛球，玩排球，打篮球，上山下山，OK，然后机器学习，我们就可以很方便的知道各种各样的活动里面的规律。如果机器学习发挥好，可能过去十个工程师才可以做到的事情，未来可能只需要两个工程师，非常擅长收集高质量的大数据，知道怎么样用机器学习。
