人工智能的浪潮遍及各行各業(yè)，隨著自然語言處理技術的發(fā)展，計算機對文字的處理也進展到了一個新的層次，什么是文本智能？怎樣在產(chǎn)品中找到人工智能可賦能的場景？當ai遇上產(chǎn)品設計，又將碰撞出怎樣的火花？

一、什么是文本智能

文本智能通俗來講，是計算機像人類一樣理解自然語言。

“冬天，能穿多少穿多少。夏天，能穿多少穿多少?！?/p>

“中國足球隊，誰都打不過。中國乒乓球隊，誰都打不過”。

人類看一眼就知道什么意思，對計算機來說則困難重重。因為人的表達方式千變?nèi)f化，短詞匯可以傳達非常寬泛的語義信息。

現(xiàn)在的文本智能處在什么層面？

• 人工智能的分類層次，第一層“運算智能”。計算是計算機的強項，通過分布式系統(tǒng)及高性能的CPU、GPU可以很好解決。
• 第二層“感知智能”。感知是在更多聽覺、視覺、觸覺等方面的創(chuàng)新。
• 文本智能處于第三層：認知智能。研究如何進行自然語言理解、知識的構建和邏輯推理。
• 第四層“創(chuàng)建智能”，是人工智能行業(yè)終極目標。

文本也可以分成兩種類型：一種是書面文本，承載的形式為網(wǎng)頁、word、txt或pdf； 另外一種則是日常交流的口語形式。達觀專注于第一種。

一份簡歷、一份合同、一份上市公司的債券募集說明書、一條評論都可以算書面文本。

面對一篇文本，我們能做什么呢？

（1）拆解

像庖丁解牛一樣把文檔結構化。

簡歷的姓名、照片、工作經(jīng)歷、教育背景；合同中交易的甲乙方、合同標的物、付款方式、條款；新聞的標題、摘要、來源、正文、關鍵人物、事件，組織機構名稱，都是對文本拆解后抽取到的信息。

抽取是文本處理中最重要和實用的技術。抽取出合同中的“付款方式”之后，業(yè)務方才能夠去進一步審核“付款方式”是否符合法律法規(guī)。

（2）聯(lián)接

對多個文本進行庖丁解牛式的拆解，相關知識就能聯(lián)接形成一個巨大的知識網(wǎng)。

對標到知識圖譜，新聞中的人、事、物、關系，公司年報中的出現(xiàn)的公司名稱及關系，都可以作為文本智能處理的大腦和背景知識，在知識網(wǎng)絡上進行邏輯推理和判斷。

（3）生成

生成是學術界研究的熱點，在當前階段是非常困難的事情。騰訊的Dreamwriter，今日頭條的xiaomingbot都在嘗試用機器創(chuàng)作短新聞。

接下來我們具體看一些文本智能的例子。

根據(jù)一篇新聞資訊，生成不同長度的摘要，主要有兩種技術手段：抽取式和生成式。

給定一個用戶評論，提取出標簽信息和觀點，屬于一個短文本處理。

文本分類和情感識別，在文本質量管控和輿情分析方面使用較多。

文本審核也是分類的一種，涉黃涉政及判斷是否是廣告，是每一個做互聯(lián)網(wǎng)產(chǎn)品的公司比較頭疼的事。

下面是金融行業(yè)的債券募集說明書。

這樣一個文檔中，行業(yè)研究人員比較關注公司高管信息，比如：姓名、公司職位。在債券募集說明書中收購標的是哪些，包括資產(chǎn)、標的業(yè)務、標的所在行業(yè)是否涉外、交易對手是否涉外、各類財務指標等。

一般債券募集說明書從100到500頁不等，讓人從這么長的文檔中找到這些關鍵信息，非常容易出錯。

在公開的金融資訊網(wǎng)站上，債券募集說明書非常多，一個金融從業(yè)人員不可能在短時間內(nèi)把每篇文章內(nèi)的信息都抽取出來。所以在整個領域來說，文本智能處理出現(xiàn)了非常大的機會。這也受益于算法的進步，特別是深度神經(jīng)網(wǎng)絡從圖片識別領域到文本處理的遷移。

促成文本智能處理飛速發(fā)展的原因很多。

最近Google 的bert模型刷遍AI界朋友圈：NLP歷史突破，谷歌BERT模型狂破11項記錄，全面超越人類。

• 第一因素是算法因素，算法層面一直在不斷取得很大的創(chuàng)新和進步是主要因素。
• 第二因素是計算能力，如：分布式系統(tǒng)、GPU等應用。
• 第三因素是語料庫的積累，互聯(lián)網(wǎng)行業(yè)，可以通過多種手段迅速積累語料庫，傳統(tǒng)企業(yè)也有資料積累，但量級無法與互聯(lián)網(wǎng)比。

文本智能處理的需求遍及各行各業(yè)。只要存在文字處理工作的行業(yè)，都有文本智能處理的需求，金融、法律、政府行業(yè)，媒體、互聯(lián)網(wǎng)，大型企業(yè)等。

二、設計思維和機器學習

掌握AI算法和基于AI算法設計產(chǎn)品之間的距離是非常大的，如同從火藥到火藥槍、從鈾到核炸彈、從硝化甘油到C4的區(qū)別。

怎樣才能基于這個AI算法設計產(chǎn)品呢？

產(chǎn)品經(jīng)理的思維是從用戶、場景和需求三要素出發(fā)。

要給客戶解決什么問題？目標客戶如何刻畫？客戶在什么樣的場景下會使用我們的產(chǎn)品？怎么用一系列問題，需要產(chǎn)品系統(tǒng)的思考。

設計思維的六個步驟重點包括：啟發(fā)、構思和實施。

機器學習的流程，是對要解決的問題定義好后，對數(shù)據(jù)加工處理，提取特征，進行算法選擇，從而確定可使用的模型。

當這些模型滿足上線要求或業(yè)務要求以后，我們把模型放到線上系統(tǒng)中。當新接受到的數(shù)據(jù)進行同樣的處理后，用訓練出來的模型來判斷是否屬于垃圾郵件。

算法接受不同的數(shù)據(jù)可以訓練出不同的模型。整個過程是迭代優(yōu)化，因為數(shù)據(jù)的分布和蘊含的特征可能隨著業(yè)務的不斷發(fā)展在產(chǎn)生改變。

1. 設計思維是以用戶為中心，強調敏捷開發(fā)、快速迭代。
2. 機器學習是以數(shù)據(jù)為中心，強調數(shù)據(jù)+模型閉環(huán)驅動。

兩者怎么樣進行深度的融合，是在人工智能時代下對產(chǎn)品經(jīng)理能力模型的要求。

這兩年AI的宣傳，特別是Alpha GO的普及作用，我們感受到每一個行業(yè)都會被人工智能技術所影響，任何職業(yè)都會受到影響。

但AI到了無所不能的地步嗎？

顯然不是。

AI對行業(yè)或職業(yè)影響的有多大，很大程度上，是取決于這個領域技術的成熟度和邊界在哪。

比如文本處理領域，針對文本處理技術評估可以分為3類：可用 、基本可用、難以應用。

• 達到人類水準的有垃圾內(nèi)容的檢測、主題分類、文本相似度分析、對詞性進行標注。
• 基本可用但仍存在缺陷的，比如關鍵短語生成、實體鏈接、機器翻譯、語義消歧。
• 難以應用，包括多輪對話、QA問答、內(nèi)容改寫等。

當產(chǎn)品經(jīng)理在設計一個基于文本智能的產(chǎn)品時，要考慮這項技術處于什么類別。類別決定技術用到最真實場景時、場景對準確度的要求。例如：自動駕駛或無人駕駛，場景容錯率是零，因為輕則車毀，重則人亡。

保守一點講，我們還處于AI的初級階段，AI的常識邏輯和邏輯推理能力都還很弱，但在日常生活中人類已經(jīng)享受到了AI帶來的價值。

三、如何找到AI賦能的場景

那么，該如何找到AI賦能的場景，讓算法專家、行業(yè)專家和應用開發(fā)專家三種角色的合作使人工智能落地呢？

找到這個場景的前提是需要思考，運用AI產(chǎn)品和解決方案的本質什么。

首先，應用可以分為兩類：互聯(lián)網(wǎng)行業(yè)應用和企業(yè)級應用。

在互聯(lián)網(wǎng)行業(yè)應用，無論是搜索、推薦系統(tǒng)、廣告，提升的是過程中信息傳遞的效率。在企業(yè)級應用上，主要是提升生產(chǎn)效率和創(chuàng)造新價值。

提到AI產(chǎn)品和解決方案，當我們將它們服務于我們企業(yè)級場景的時候，它的核心是在提升生產(chǎn)效率。

產(chǎn)品需要找到在當前的業(yè)務流程中，生產(chǎn)效率到底出現(xiàn)什么問題，或哪個環(huán)節(jié)希望借助AI技術進行生產(chǎn)效率的提升、節(jié)省人力。

這些可以分四個步驟做，算法開發(fā)人員也是站在這四步實現(xiàn)代碼：

1）流程拆解

對當前的工作流程或業(yè)務場景進行詳細拆解，診斷阻礙生產(chǎn)效率的最大問題，對核心問題進行拆解。

2）數(shù)據(jù)評估

如果想解決問題，公司的哪些數(shù)據(jù)是跟這個問題相關的？

• 有沒有數(shù)據(jù)？如果有數(shù)據(jù)，這些數(shù)據(jù)的質量怎樣；
• 缺不缺數(shù)據(jù)？如果缺數(shù)據(jù)，這部分數(shù)據(jù)可不可以通過外部采購，或跟其他的應用、產(chǎn)品進行連接后獲得。這些都是在數(shù)據(jù)評估階段要考慮的問題。

3）方案設計

方案設計是針對當前的數(shù)據(jù)現(xiàn)狀去完善基礎數(shù)據(jù)，選擇可能存在的AI算法是什么。比如進行垃圾分類，有很多分類算法可以采納：貝葉斯模型、SVM邏輯回歸。

第三點比較重要，很多時候人不知道算法的效果怎樣，如果工具能夠幫助我們進行快速的測試，會很快的驗證和優(yōu)化方案。

4）有機整合

當設計好解決方案以后，準確率是可接受的，這時考慮這項服務或應用怎么跟現(xiàn)有的系統(tǒng)進行結合。

大體來看有兩種方式：

• 一種方式基于AI，做獨立的產(chǎn)品，在這個產(chǎn)品中有這項功能；
• 第二種是一種以API接口的方式和業(yè)務進行打通。

系統(tǒng)上線以后，怎么做模型升級、怎么做維護，也是我們面臨的挑戰(zhàn)的問題。概括來講，想找到AI能夠賦能或落地的場景，需要對流程進行拆解，然后評估數(shù)據(jù)，進行AI方案的設計，最后和系統(tǒng)進行有機整合。

如果對差旅的報銷流程進行梳理，共有五個環(huán)節(jié)：

• 第一，整理出差待報銷的發(fā)票；
• 第二，填寫報銷申請表；
• 第三，上傳遞交的票據(jù) ；
• 第四，財務部門進行審核；
• 第五，最終審核通過。

對流程進行拆解，第一步，整理出差待報銷的發(fā)票。要先根據(jù)票據(jù)的類型進行分類，分好類分別計算各個票據(jù)的金額，交通、住宿，進行匯總。第四個環(huán)節(jié)，財務部門需要核對申請表上的金額與提交的紙質票據(jù)的原件是否一致。

當對流程進行拆分以后，就可以進行AI技術的評估。比如：票據(jù)類型分類，能不能通過OCR技術。

當對進行各項金額計算時，能否通過文本關鍵信息提取技術把金額自動提取出來，進行匯總計算。填寫報銷申請表時，能否根據(jù)數(shù)據(jù)接口的方式自動傳達財務部門的審核系統(tǒng)中。同樣，通過文本內(nèi)容關鍵信息提取技術，把提取出來的數(shù)字和用戶上傳過來的數(shù)字進行復核，來判斷是否通過。

這幾項AI技術幫助賦能，在這個環(huán)節(jié)中，我們需要哪些數(shù)據(jù)？

第一環(huán)節(jié)需要報銷的原件，第四個環(huán)節(jié)既需要原件，又需要申請表。通過這樣的方式，我們找到了AI落地的場景點，并明白了技術在里面可以做到什么程度，同時讓業(yè)務方也了解到了這項技術確實是可以落地的。

通過拆解可以發(fā)現(xiàn)三個場景充分利用文本智能技術：

• 第一，合同的差異比對。合同有不同的版本，且不同的版本是內(nèi)部不同的人配合協(xié)作的，有時還涉及到外部的咨詢公司。
• 第二，合同條款的讀取。當我們進行審核時，需要公司的法務人員對合同進行閱讀，找出需要審核的條款進行法律法規(guī)的判定。
• 第三，合同審核。

找到這三個點以后，明確了提供AI產(chǎn)品價值是提升效率，幫助法務部門控制風險。

當我們找到可以AI賦能的場景后，我們需要遵循什么樣的原則去設計產(chǎn)品和解決方案呢？

四、AI產(chǎn)品設計原則

我們先來看下傳統(tǒng)軟件設計和AI驅動軟件的差別。

傳統(tǒng)軟件設計，設計過程注重的因果、邏輯。設計一個OA系統(tǒng)，要考慮員工辦公流程、每個流程要達到的目標是什么、功能實現(xiàn)最短路徑。如果有輸入不符合預期時，傳統(tǒng)軟件產(chǎn)品時，開發(fā)工程師比較容易重現(xiàn)BUG和解決問題。而AI驅動的軟件，重點需要考慮的是結果不確定性、逼近優(yōu)化目標。

比如合同條款讀取，通過歷史的合同數(shù)據(jù)，已經(jīng)能夠訓練出文本智能模型，可以對某些字段進行抽取。假對某個字段的抽取準確率是98%，在歷史合同數(shù)據(jù)中這個非常高的準確率了，站在業(yè)務方來評估，也基本能夠滿足上線要求。但當系統(tǒng)上線以后，對新的一份合同，也許沒有抽取出來。又來一份新的合同，也許就抽取正確了。

對AI算法來說，準確率98%是站在數(shù)據(jù)集的角度考慮的，但真正把模型或產(chǎn)品應用到業(yè)務系統(tǒng)中，業(yè)務人員面對的是一份一份的數(shù)據(jù)。

另外，優(yōu)化目標是個逼近的過程，過程是上下起伏的，總效果是逼近目標的。就像人喝醉酒后回家一樣，搖搖晃晃，有時多走了幾步，但是還是往家的方向走。

可這種情況，對產(chǎn)品的使用者怎么辦？

使用者知道產(chǎn)品在優(yōu)化，但使用過程中還是會出現(xiàn)錯誤。優(yōu)化的過程有起伏，使用者被告知針對目前的問題，上了一個新的版本，新版本的準確率由98%提升到99%，可在真正使用時，可能發(fā)現(xiàn)連續(xù)3份合同抽取錯誤了。這種情況下業(yè)務方很難接受，因為他們對AI算法本身不是太理解。作為產(chǎn)品經(jīng)理，這是一個需要解決的問題。

對AI產(chǎn)品，大家總是期望主動表現(xiàn)出智能型，對于這種需求，UI設計和功能設計都是可以起到作用的。

對于功能性，有4點比較重要：

• 第一，怎么設計“消除不確定性”。AI算法的流程和處理方式就決定了它存在的不確定性。產(chǎn)品要通過各種方式來攤銷或消除不確定性，或存在不確定性時有合適的處理方式。
• 第二，“注重學習反饋”。算法的智能很大一部分來自數(shù)據(jù)，也來自用戶的反饋。當新的數(shù)據(jù)源源不斷進來后，通過我們產(chǎn)品的界面設計糾正錯誤后，產(chǎn)品怎么接受這種反饋，實現(xiàn)自我演化。
• 第三，“使用人機交互”。用戶的反饋通過怎么樣的交互方式來體現(xiàn)？可以讓用戶先試用一段時間，基于這段時間出一個報表，在報表把系統(tǒng)處理的各項錯誤羅列出來，用戶通過離線方式進行批量的修改確認，把修改的結果導入到系統(tǒng)中重新訓練模型，這是一種人機交互。能否在線實時處理掉，也是一個非常重要的問題。有時產(chǎn)品認為用戶通過人機交互方式進行了反饋，也許因為產(chǎn)品功能設計得不夠友好，用戶誤點了。要區(qū)分哪些真正有價值的反饋，哪些是需要消除的噪音。
• 第四，“注重檢測錯誤”。準確率不是100%的情況下，線上系統(tǒng)的錯誤處理和運維是非常具有挑戰(zhàn)的。尤其是當線上數(shù)據(jù)具備高度機密性的情況下，線上系統(tǒng)處理的數(shù)據(jù)不可能導出到測試環(huán)境中讓AI人員去研究復現(xiàn)時，怎么辦？

理想的結果是交付一個AI產(chǎn)品，可以不斷的優(yōu)化、迭代，越來越聰明，成為一個動態(tài)的AI系統(tǒng)，而不是靜態(tài)的。

AI也重新定義了產(chǎn)品設計和開發(fā)流程。

圖的上面跟機器學習算法相關，識別問題、獲取數(shù)據(jù)，進行模型訓練、模型管理。模型之間有不斷的版本迭代，我們要進行模型的部署，上線以后模型要去適應新數(shù)據(jù)的變化。

下面是站在開發(fā)角度，怎樣去進行需求建模、架構設計、軟件設計、怎樣對AI產(chǎn)品進行開發(fā)測試、上線以后的維護。

當系統(tǒng)上線后，用戶就是用來處理數(shù)據(jù)的，新的數(shù)據(jù)源源不斷，可能會出錯，系統(tǒng)會產(chǎn)生行為的異常，用戶看到錯誤時會跟系統(tǒng)進行人機交互，把自己的反饋提出來。

有時用戶有自己的專業(yè)知識、行業(yè)知識，把自己的行業(yè)知識傳授給AI系統(tǒng)，讓它更加聰明。除了自我演化外，也通過接收外部信息的方式增強自己的智能。如果把這種視角加進來，可以讓AI產(chǎn)品站在宏觀角度把握各環(huán)節(jié)，從而指導我們設計出更好的產(chǎn)品。

舉兩個例子展示，怎樣通過產(chǎn)品進行合同條款的抽取和進行規(guī)則審核。

場景一：合同關鍵信息的抽取

共分為5步，前2步是預先做好的。根據(jù)客戶已有的歷史合同數(shù)據(jù)去訓練AI模型，讓AI模型識別不同類型的合同，就不同類型合同中的關鍵要素進行自動抽取，做好這2步后預置到產(chǎn)品平臺中去。

對使用者來說，是三步完成：上傳到合同文檔、機器進行自動關鍵詞提取、提取結果呈現(xiàn)。形成這樣一個關鍵信息抽取的報告，法務人員可以對報告一目了然。

場景二：合同風險進行審核

前兩步也是預置到產(chǎn)品中，針對各個不同的合同類型，根據(jù)業(yè)務方設計合同審核項，對每個合同類型的風險點都配置好，機器模型可以自主的進行學習和訓練。

業(yè)務方上傳合同文檔，機器可以進行自動處理，并給出些建議。

審核結果中包含針對這個合同，有哪些是必改問題、有哪些是缺失條款、有哪些是建議優(yōu)化的，都可以滿足。

這是我們產(chǎn)品的全景圖，展示了AI的幾個不可缺失的關鍵要素，只有保證這幾個要素后，提供的產(chǎn)品時才能夠消除由AI算法帶來的不確定性。

客戶是不可能為不確定性買單的。如果交付了一個產(chǎn)品，客戶問準確率是多少，答“看數(shù)據(jù)情況吧”，客戶又問系統(tǒng)上線使用時撞戶率有多高，答“這個我也不清楚，需要新的線上數(shù)據(jù)判斷”，任何一個客戶都不會為不確定性的回答買單。

最后一部分，如何進行產(chǎn)品價值的評估。

五、如何進行產(chǎn)品價值評估？

針對上面的合同智能處理，我們了解到：

對不同的合同，原本通過人工閱讀的方式進行審核，處理時間基本是在小時級。引入智能合同審閱平臺以后，整個過程從待審閱合同、智能合同審閱到人工復查，從小時級變成分鐘級。

從價值來說：

1. 提升效率、降低成本。
2. 降低風險。
3. 把長期非結構化文檔的管理問題很好的管理起來。

合同評估對于AI產(chǎn)品有兩個層面：

算法層面的評估，更多的是面向AI算法和研發(fā)人員，比如：準確率、召回率、F1值。

機器翻譯、智能客服、多輪對話、搜索、推薦、文本抽取等在算法層面都有不同的指標，對業(yè)務方很難講明白準確率是多少，用戶很難把準確率和它的業(yè)務價值映射起來。

評價的維度也非常多，取決于業(yè)務方怎么看待這個產(chǎn)品以及通過這個產(chǎn)品達到什么目標。有時客戶的期望是通過AI的產(chǎn)品提升人員的工作效率、降低出錯。有的客戶使用AI的產(chǎn)品專注在創(chuàng)新。

不管做to C還是to B都是圍繞用戶進行服務的，有一個經(jīng)典的模型叫“AARRR”：怎么獲取用戶、激活、留存、商業(yè)變現(xiàn)、用戶幫助評估。

在這個場景實現(xiàn)AI落地，針對這幾個不同的環(huán)節(jié)，到底帶來哪些業(yè)務價值上的提升：是新的獲客數(shù)量增加了、轉化率提升了，還是某項產(chǎn)品的營業(yè)額收入增加了。

節(jié)省人力；創(chuàng)造新價值，這是我們希望AI產(chǎn)品能夠達到的理想目標。

以上是我想給大家分享的多年做AI產(chǎn)品設計和項目交付的經(jīng)驗，謝謝大家！

作者：賈學鋒，達觀數(shù)據(jù)副總裁，負責AI解決方案及產(chǎn)品設計。

本文由 @賈學鋒 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載

題圖來自Unsplash，基于CC0協(xié)議