文章為作者在AI領域做產(chǎn)品后的一些經(jīng)驗總結(jié)，希望對你有所幫助。

HI，我是Jasmine，是一位AI產(chǎn)品經(jīng)理。在講正式內(nèi)容之前，我想跟大家簡單分享一下我的經(jīng)歷：我大學本科不是IT相關(guān)，甚至在我工作之前，我沒有做過任何與互聯(lián)網(wǎng)相關(guān)的實習工作。

而現(xiàn)在我能負責公司的重點項目，證明了進入AI行業(yè)并不是你們想象中的那么困難。直至今天，我仍在這條道路上不斷學習，也希望有更多的朋友給予我指點。

現(xiàn)在我就來說說，如何在對AI行業(yè)一無所知的情況下，快速了解到它的流程運作，并找準機會轉(zhuǎn)行。

簡單了解AI應用范圍

首先要跟大家說明的是，AI是一個領域，AI的應用范圍非常非常廣，如下圖

圖 by@智能玩咖

圖上每一個領域用到的算法都不一樣，并且一個領域下面有很多的細分小領域。

比如語音識別，就包含了語音轉(zhuǎn)文字、自然語言處理、文字轉(zhuǎn)語音等等技術(shù)。而有很多想轉(zhuǎn)型的產(chǎn)品，第一個考慮的點就是：不懂技術(shù)就做不了AI，我是不是學完算法才能入行？

其實不是。

如果不是想立刻轉(zhuǎn)型到算法相關(guān)的AI產(chǎn)品，其實在平臺——工程——算法之間有一個可以漸漸過渡的過程。

大家可能都知道：

對算法來說最重要的是數(shù)據(jù)，足夠量足夠好的數(shù)據(jù)才能得到更優(yōu)秀的算法模型。

而關(guān)于數(shù)據(jù)其實可分為兩種類型：被標記過的數(shù)據(jù)和未被標記過的數(shù)據(jù)。什么是標記呢？意同“貼標簽”，當你看到一個西瓜，你知道它是屬于水果。那么你就可以為它貼上一個水果的標簽。算法同事用“有標簽的數(shù)據(jù)”去訓練模型，這里就有了“監(jiān)督學習”。

重點就是這里：

只要是跟“監(jiān)督學習”沾邊的產(chǎn)品/技術(shù)，比如圖像識別、人臉識別、自然語言理解等等，他們都有一個必走的流程

不斷地用標注后的數(shù)據(jù)去訓練模型，不斷調(diào)整模型參數(shù)，得到指標數(shù)值更高的模型。

流程分解

數(shù)據(jù)標注

數(shù)據(jù)的質(zhì)量直接回影響到模型的質(zhì)量，因此數(shù)據(jù)標注在整個流程中絕對是非要重要的一點。一般來說數(shù)據(jù)標注部分可以有三個角色：

• 標注員：標注員負責標記數(shù)據(jù)。
• 審核員：審核員負責審核被標記數(shù)據(jù)的質(zhì)量。
• 管理員：管理人員、發(fā)放任務、統(tǒng)計工資。

只有在數(shù)據(jù)被審核員審核通過后，這批數(shù)據(jù)才能夠被算法同事利用。

關(guān)于數(shù)據(jù)標記的流程思考：

1. 任務分配：假設標注員每次標記的數(shù)據(jù)為一次任務，則每次任務可由管理員分批發(fā)放記錄，也可將整個流程做成“搶單式”的，由后臺直接分發(fā)。
2. 標記程序設計：需要考慮到如何提升效率，比如快捷鍵的設置、邊標記及邊存等等功能都有利于提高標記效率。
3. 進度跟蹤：程序?qū)俗T、審核員的工作分別進行跟蹤，可利用“規(guī)定截止日期”的方式淘汰怠惰的人。
4. 質(zhì)量跟蹤：通過計算標注人員的標注正確率和被審核通過率，對人員標注質(zhì)量進行跟蹤，可利用“末位淘汰”制提高標注人員質(zhì)量。

模型訓練

這部分基本交由算法同事跟進，但產(chǎn)品可依據(jù)需求，向算法同事提出需要注意的方面；

舉個栗子：

一個識別車輛的產(chǎn)品現(xiàn)在對大眾車某系列的識別效果非常不理想，經(jīng)過跟蹤發(fā)現(xiàn)是因為該車系和另外一個品牌的車型十分相似。而本次數(shù)據(jù)標注主要針對大眾車系的數(shù)據(jù)做了補充，也修改了大批以往的錯誤標注。（這兩種為優(yōu)化數(shù)據(jù)的基本方式）本次模型需要重點關(guān)注大眾某車系的識別效果，至少將精確率提高5%。

產(chǎn)品將具體的需求給到算法工程師，能避免無目的性、無針對性、無緊急程度的工作。

模型測試

測試同事（一般來說算法同事也會直接負責模型測試）將未被訓練過的數(shù)據(jù)在新的模型下做測試。

如果沒有后臺設計，測試結(jié)果只能由人工抽樣計算，抽樣計算繁瑣且效率較低。因此可以考慮由后臺計算。

一般來說模型測試至少需要關(guān)注兩個指標：

1. 精確率：識別為正確的樣本數(shù)/識別出來的樣本數(shù)
2. 召回率：識別為正確的樣本數(shù)/所有樣本中正確的數(shù)

模型的效果需要在這兩個指標之間達到一個平衡。

測試同事需要關(guān)注一領域內(nèi)每個類別的指標，比如針對識別人臉的表情，里面有喜怒哀樂等等分類，每一個分類對應的指標都是不一樣的。測試同事需要將測試的結(jié)果完善地反饋給算法同事，算法同事才能找準模型效果欠缺的原因。同時測試同事將本次模型的指標結(jié)果反饋給產(chǎn)品，由產(chǎn)品評估是否滿足上線需求。

產(chǎn)品評估

評估模型是否滿足上線需求是產(chǎn)品必須關(guān)注的，一旦上線會影響到客戶的使用感。

因此在模型上線之前，產(chǎn)品需反復驗證模型效果。為了用數(shù)據(jù)對比本模型和上一個模型的優(yōu)劣，需要每次都記錄好指標數(shù)據(jù)。

假設本次模型主要是為了優(yōu)化領域內(nèi)其中一類的指標，在關(guān)注目的的同時，產(chǎn)品還需同時注意其他類別的效果，以免漏洞產(chǎn)生。

產(chǎn)品工作補充

產(chǎn)品的工作不止是產(chǎn)品評估：

除了流程控制，質(zhì)量評估。針對分類問題，由產(chǎn)品制定的邊界非常重要，直接影響模型是否滿足市場需求。

產(chǎn)品制定的分類規(guī)則：例如，目的是希望模型能夠識別紅色，那產(chǎn)品需要詳細描述“紅色”包含的顏色，暗紅色算紅色嗎？紫紅色算紅色嗎？紫紅色算是紅色還是紫色？這些非常細節(jié)的規(guī)則都需要產(chǎn)品設定。

若果分類細，那么針對一類的數(shù)據(jù)就會少。如果分類大，那么一些有歧義的數(shù)據(jù)就會被放進該分類，也會影響模型效果。

分類問題和策略問題道理是一樣的，都需要產(chǎn)品對需求了解得非常深刻。

以上內(nèi)容，都只是AI行業(yè)一個小領域內(nèi)可梳理的工作內(nèi)容。

針對剛剛?cè)胄械呐笥?，如果沒有算法基礎、沒有工程基礎?？梢钥紤]在流程、平臺上做過渡。在工作內(nèi)容中不斷總結(jié)學習，往自己想走的方向不斷前進！

本文由 @jasmine 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(zhuǎn)載。

題圖來自Pixabay，基于CC0協(xié)議