獨立思考，實事求是，鍥而不舍，以勤補拙。

——一顆西藍花

一、從AI技術說起

什么是機器學習？

Tom Michell 給出定義：對于某類任務T和性能度量P，如果一個計算機程序在T上以P衡量的性能隨著經(jīng)驗E而自我完善，那么我們稱這個計算機程序從經(jīng)驗E學習。

通常，為了很好地定義一個學習問題，我們必須明確這樣三個特征：任務的種類，衡量任務提高的標準，經(jīng)驗的來源。

舉一個手寫識別學習問題：

• 任務T：識別和分類圖像中的手寫文字
• 性能標準P：分類的正確率
• 訓練經(jīng)驗E：已知分類的手寫文字數(shù)據(jù)庫

機器學習與深度學習

深度學習是一種特定類型的機器學習，具有強大的能力和靈活性，它將大千世界表示為嵌套的層次概念體系。

深度學習是受人工神經(jīng)網(wǎng)絡的大腦結構和功能啟發(fā)而創(chuàng)造的算法，由于它的興起，推動了人工智能行業(yè)技術的落地應用，如人臉識別。

二、從技術到用戶體驗

伴隨著技術的發(fā)展，市面上創(chuàng)造出來了大量的基于AI技術的產品。

產品設計，本身是一件非常難的事。

而AI產品，因其應用場景的復雜性，讓產品設計這件事變得更加困難。對產品經(jīng)理而言，需要其在設計產品時候，對實際應用場景的思考，更加地透徹。

《用戶體驗要素》的文章開篇，有如下一段話：

在產品設計時候，我們對用戶體驗的關注實在是太少：我們所生產的產品是供人們在現(xiàn)實世界中使用的。在產品開發(fā)過程中，人們更多地關注產品將用來做什么。用戶體驗是經(jīng)常被忽略的另一個因素——即產品如何工作——而這一因素恰恰是決定產品成敗的關鍵因素。

用戶體驗并不是指一件產品本身是如何工作的，用戶體驗是指“產品如何與外界發(fā)生聯(lián)系并發(fā)揮作用”，也就是人們如何“接觸”和“使用”它。當人們詢問你某個產品或服務時候，他們問的是使用的體驗。用起來難不難？是不是很容易學會？使用起來感覺如何？

上述摘錄中，有一段話，很有意思，單獨拿出來：

在產品開發(fā)過程中，人們更多地關注產品將用來做什么。用戶體驗是經(jīng)常被忽略的另一個因素——即產品如何工作——而這一因素恰恰是決定產品成敗的關鍵因素。

我解釋一下，上面這句話的意思。一共有兩層理解：

• 第一層，在產品開發(fā)的過程中，產品經(jīng)理更多關注這個產品將來做什么。即理想情況下，該產品將來的功能。
• 第二層，指出產品經(jīng)理忽略的一個點，當產品被應用到實際場景中的時候，這款產品與真實的場景交互，在這樣的一些場景中，產品又將如何工作。

在產品開發(fā)中，產品經(jīng)理容易忽略產品與真實場景的交互。AI產品的設計更是如此，AI產品的使用場景復雜，很多時候需要產品在不同情況下做出判斷。如果產品經(jīng)理沒有提前將所有可能出現(xiàn)的場景思考明白且提前做出設計方案，那么該AI產品造成的用戶體驗可能會非常糟糕。

用一個AI產品的例子來說明。

二、AI場景，行人闖紅燈抓拍

還原「行人闖紅燈抓拍」的真實業(yè)務場景：

十字路口，為了更好規(guī)范行人與車輛，因此有了紅綠燈。當紅燈亮起時，行人也好，車輛也好，都不能通過或行駛。當綠燈亮起的時候，行人和車輛均可通行。

但總會有人，不遵守交通規(guī)則，闖紅燈。因此，在這種場景下，我們可以借助AI來幫助我們更好地監(jiān)控行人闖紅燈的行為。我們希望，如果有行人A闖了紅燈，那我們的設備可以將此人記錄下來，并向后端監(jiān)控設備上傳該用戶闖紅燈的事件信息，包括時間、地點、行人的臉。

上面的需求描述，比較寬泛，讓我們思考如何將該需求，拆解成算法(AI)+硬件可實現(xiàn)。

1. 紅燈期間，集成了算法工業(yè)相機檢測并抓拍到紅燈期間出現(xiàn)在斑馬線上的人；
2. 將該事件相關信息，包括時間、地點、行人的臉一共上傳到后端監(jiān)控設備。

三、從需求文檔到實際業(yè)務場景

需求文檔輸出后，我們這款產品似乎馬上就要成功了。但是，我們來看一個圖：

（1）上面這個圖是什么

作為宣傳廣告，印刷在公交車身的董明珠女士，被抓拍到闖紅燈。并且，登上了當?shù)氐男腥岁J紅燈曝光臺。

（2）為什么會出現(xiàn)上述情況

產品經(jīng)理在輸出需求文檔時候，只描述了需求是檢測行人闖紅燈。沒有考慮車身廣告這種情況，因此沒有事先思考解決方案，故而出現(xiàn)了上圖的情況。

俞軍老師在他的新書《俞軍產品方法論》中，講到：

技術本身并不創(chuàng)造價值，技術必須被應用于產品。

無論是多么高端的技術，脫離了產品，都

四、怎么做得更好？

4.1 還原真實場景

讓我們來思考一下真實的業(yè)務場景，紅綠燈是在十字路口，用來維持交通秩序的。

當A通道的紅燈亮起時候，A通道的行人以及電動車、自行車都都不得通行。此時B通道的車輛是可以通行的。如果說，B通道的車輛車身印刷有人像，那么會出現(xiàn)什么情況呢？

或許在一開始設計產品的思路，沒有想得足夠深入，忽略了這種場景，從而導致了上圖印刷在車身的董明珠被識別為闖紅燈的行人。

4.1 怎么做得更好

我們了解了真實場景，基于對真實場景的理解，如果重來一次，我們如何做得更好呢？

1. 活體檢測：場景需求是對“行人在斑馬線闖紅燈”的抓拍，因此算法需要檢測的區(qū)域是“斑馬線”區(qū)域。需要檢測的目標是“行人”，時間段是在紅燈時間段。檢測區(qū)域是“斑馬線”，檢測目標是“闖紅燈行人”。在這個區(qū)域，在紅燈時間段，出現(xiàn)車身人臉，因此被系統(tǒng)檢測為了闖紅燈。針對這種場景，我們可以提前想到“活體檢測”的解決方案。
2. 邊界分析：我們需要將檢測邊界按照時間、地點、人物三要素進行設定，對應到本場景中，即：紅燈時間段、斑馬線區(qū)域、人臉+活體。
3. 技術方案：在這種場景下，如何做活體檢測呢？由于場景的開放性，不能像在線支付那樣，我們可以要求用戶左看看，右看看。那我們可以加一個目標檢測，如果檢測到人臉、且檢測到汽車，則我們可以排除。同時，行人闖紅燈過馬路，是一個連續(xù)的動作，這個過程會持續(xù)一段時間，我們可以將這個作為切入點。一是可以考慮增加“姿態(tài)估計”，二是考慮“軌跡”檢測到第一張臉后不做推送，而是繼續(xù)檢測，同時考慮公交車的移動方向與斑馬線行人的移動方向是垂直方向。

總結

1. 從算法模型到部署到真實業(yè)務場景中，AI產品經(jīng)理/項目經(jīng)理需要思考很多很多。
2. 很多時候，需要思考產品如何與真實業(yè)務場景產生交互，這非常重要，而不單單只思考我們期望中的算法該如何運作。
3. 產品如何與世界交互，這非常重要。

參考：

1. 《用戶體驗要素》
2. https://github.com/lonelygo/Shift-AI-models-to-real-world-products

本文由 @一顆西蘭花 原創(chuàng)發(fā)布于人人都是產品經(jīng)理。未經(jīng)許可，禁止轉載

題圖來自Unsplash，基于CC0協(xié)議