案例解析：AI產(chǎn)品設(shè)計(jì)，怎么在不同情況下做出判斷？

獨(dú)立思考，實(shí)事求是，鍥而不舍，以勤補(bǔ)拙。

——一顆西藍(lán)花

一、從AI技術(shù)說(shuō)起

什么是機(jī)器學(xué)習(xí)？

Tom Michell 給出定義：對(duì)于某類(lèi)任務(wù)T和性能度量P，如果一個(gè)計(jì)算機(jī)程序在T上以P衡量的性能隨著經(jīng)驗(yàn)E而自我完善，那么我們稱(chēng)這個(gè)計(jì)算機(jī)程序從經(jīng)驗(yàn)E學(xué)習(xí)。

通常，為了很好地定義一個(gè)學(xué)習(xí)問(wèn)題，我們必須明確這樣三個(gè)特征：任務(wù)的種類(lèi)，衡量任務(wù)提高的標(biāo)準(zhǔn)，經(jīng)驗(yàn)的來(lái)源。

舉一個(gè)手寫(xiě)識(shí)別學(xué)習(xí)問(wèn)題：

• 任務(wù)T：識(shí)別和分類(lèi)圖像中的手寫(xiě)文字
• 性能標(biāo)準(zhǔn)P：分類(lèi)的正確率
• 訓(xùn)練經(jīng)驗(yàn)E：已知分類(lèi)的手寫(xiě)文字?jǐn)?shù)據(jù)庫(kù)

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

深度學(xué)習(xí)是一種特定類(lèi)型的機(jī)器學(xué)習(xí)，具有強(qiáng)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(xué)習(xí)是受人工神經(jīng)網(wǎng)絡(luò)的大腦結(jié)構(gòu)和功能啟發(fā)而創(chuàng)造的算法，由于它的興起，推動(dòng)了人工智能行業(yè)技術(shù)的落地應(yīng)用，如人臉識(shí)別。

二、從技術(shù)到用戶(hù)體驗(yàn)

伴隨著技術(shù)的發(fā)展，市面上創(chuàng)造出來(lái)了大量的基于A(yíng)I技術(shù)的產(chǎn)品。

產(chǎn)品設(shè)計(jì)，本身是一件非常難的事。

而AI產(chǎn)品，因其應(yīng)用場(chǎng)景的復(fù)雜性，讓產(chǎn)品設(shè)計(jì)這件事變得更加困難。對(duì)產(chǎn)品經(jīng)理而言，需要其在設(shè)計(jì)產(chǎn)品時(shí)候，對(duì)實(shí)際應(yīng)用場(chǎng)景的思考，更加地透徹。

《用戶(hù)體驗(yàn)要素》的文章開(kāi)篇，有如下一段話(huà)：

在產(chǎn)品設(shè)計(jì)時(shí)候，我們對(duì)用戶(hù)體驗(yàn)的關(guān)注實(shí)在是太少：我們所生產(chǎn)的產(chǎn)品是供人們?cè)诂F(xiàn)實(shí)世界中使用的。在產(chǎn)品開(kāi)發(fā)過(guò)程中，人們更多地關(guān)注產(chǎn)品將用來(lái)做什么。用戶(hù)體驗(yàn)是經(jīng)常被忽略的另一個(gè)因素——即產(chǎn)品如何工作——而這一因素恰恰是決定產(chǎn)品成敗的關(guān)鍵因素。

用戶(hù)體驗(yàn)并不是指一件產(chǎn)品本身是如何工作的，用戶(hù)體驗(yàn)是指“產(chǎn)品如何與外界發(fā)生聯(lián)系并發(fā)揮作用”，也就是人們?nèi)绾巍敖佑|”和“使用”它。當(dāng)人們?cè)儐?wèn)你某個(gè)產(chǎn)品或服務(wù)時(shí)候，他們問(wèn)的是使用的體驗(yàn)。用起來(lái)難不難？是不是很容易學(xué)會(huì)？使用起來(lái)感覺(jué)如何？

上述摘錄中，有一段話(huà)，很有意思，單獨(dú)拿出來(lái)：

在產(chǎn)品開(kāi)發(fā)過(guò)程中，人們更多地關(guān)注產(chǎn)品將用來(lái)做什么。用戶(hù)體驗(yàn)是經(jīng)常被忽略的另一個(gè)因素——即產(chǎn)品如何工作——而這一因素恰恰是決定產(chǎn)品成敗的關(guān)鍵因素。

我解釋一下，上面這句話(huà)的意思。一共有兩層理解：

• 第一層，在產(chǎn)品開(kāi)發(fā)的過(guò)程中，產(chǎn)品經(jīng)理更多關(guān)注這個(gè)產(chǎn)品將來(lái)做什么。即理想情況下，該產(chǎn)品將來(lái)的功能。
• 第二層，指出產(chǎn)品經(jīng)理忽略的一個(gè)點(diǎn)，當(dāng)產(chǎn)品被應(yīng)用到實(shí)際場(chǎng)景中的時(shí)候，這款產(chǎn)品與真實(shí)的場(chǎng)景交互，在這樣的一些場(chǎng)景中，產(chǎn)品又將如何工作。

在產(chǎn)品開(kāi)發(fā)中，產(chǎn)品經(jīng)理容易忽略產(chǎn)品與真實(shí)場(chǎng)景的交互。AI產(chǎn)品的設(shè)計(jì)更是如此，AI產(chǎn)品的使用場(chǎng)景復(fù)雜，很多時(shí)候需要產(chǎn)品在不同情況下做出判斷。如果產(chǎn)品經(jīng)理沒(méi)有提前將所有可能出現(xiàn)的場(chǎng)景思考明白且提前做出設(shè)計(jì)方案，那么該AI產(chǎn)品造成的用戶(hù)體驗(yàn)可能會(huì)非常糟糕。

用一個(gè)AI產(chǎn)品的例子來(lái)說(shuō)明。

二、AI場(chǎng)景，行人闖紅燈抓拍

還原「行人闖紅燈抓拍」的真實(shí)業(yè)務(wù)場(chǎng)景：

十字路口，為了更好規(guī)范行人與車(chē)輛，因此有了紅綠燈。當(dāng)紅燈亮起時(shí)，行人也好，車(chē)輛也好，都不能通過(guò)或行駛。當(dāng)綠燈亮起的時(shí)候，行人和車(chē)輛均可通行。

但總會(huì)有人，不遵守交通規(guī)則，闖紅燈。因此，在這種場(chǎng)景下，我們可以借助AI來(lái)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(shè)備可以將此人記錄下來(lái)，并向后端監(jiān)控設(shè)備上傳該用戶(hù)闖紅燈的事件信息，包括時(shí)間、地點(diǎn)、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(shí)現(xiàn)。

1. 紅燈期間，集成了算法工業(yè)相機(jī)檢測(cè)并抓拍到紅燈期間出現(xiàn)在斑馬線(xiàn)上的人；
2. 將該事件相關(guān)信息，包括時(shí)間、地點(diǎn)、行人的臉一共上傳到后端監(jiān)控設(shè)備。

三、從需求文檔到實(shí)際業(yè)務(wù)場(chǎng)景

需求文檔輸出后，我們這款產(chǎn)品似乎馬上就要成功了。但是，我們來(lái)看一個(gè)圖：

（1）上面這個(gè)圖是什么

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

（2）為什么會(huì)出現(xiàn)上述情況

產(chǎn)品經(jīng)理在輸出需求文檔時(shí)候，只描述了需求是檢測(cè)行人闖紅燈。沒(méi)有考慮車(chē)身廣告這種情況，因此沒(méi)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(shū)《俞軍產(chǎn)品方法論》中，講到：

技術(shù)本身并不創(chuàng)造價(jià)值，技術(shù)必須被應(yīng)用于產(chǎn)品。

無(wú)論是多么高端的技術(shù)，脫離了產(chǎn)品，都

四、怎么做得更好？

4.1 還原真實(shí)場(chǎng)景

讓我們來(lái)思考一下真實(shí)的業(yè)務(wù)場(chǎng)景，紅綠燈是在十字路口，用來(lái)維持交通秩序的。

當(dāng)A通道的紅燈亮起時(shí)候，A通道的行人以及電動(dòng)車(chē)、自行車(chē)都都不得通行。此時(shí)B通道的車(chē)輛是可以通行的。如果說(shuō)，B通道的車(chē)輛車(chē)身印刷有人像，那么會(huì)出現(xiàn)什么情況呢？

或許在一開(kāi)始設(shè)計(jì)產(chǎn)品的思路，沒(méi)有想得足夠深入，忽略了這種場(chǎng)景，從而導(dǎo)致了上圖印刷在車(chē)身的董明珠被識(shí)別為闖紅燈的行人。

4.1 怎么做得更好

我們了解了真實(shí)場(chǎng)景，基于對(duì)真實(shí)場(chǎng)景的理解，如果重來(lái)一次，我們?nèi)绾巫龅酶媚兀?/span>

1. 活體檢測(cè)：場(chǎng)景需求是對(duì)“行人在斑馬線(xiàn)闖紅燈”的抓拍，因此算法需要檢測(cè)的區(qū)域是“斑馬線(xiàn)”區(qū)域。需要檢測(cè)的目標(biāo)是“行人”，時(shí)間段是在紅燈時(shí)間段。檢測(cè)區(qū)域是“斑馬線(xiàn)”，檢測(cè)目標(biāo)是“闖紅燈行人”。在這個(gè)區(qū)域，在紅燈時(shí)間段，出現(xiàn)車(chē)身人臉，因此被系統(tǒng)檢測(cè)為了闖紅燈。針對(duì)這種場(chǎng)景，我們可以提前想到“活體檢測(cè)”的解決方案。
2. 邊界分析：我們需要將檢測(cè)邊界按照時(shí)間、地點(diǎn)、人物三要素進(jìn)行設(shè)定，對(duì)應(yīng)到本場(chǎng)景中，即：紅燈時(shí)間段、斑馬線(xiàn)區(qū)域、人臉+活體。
3. 技術(shù)方案：在這種場(chǎng)景下，如何做活體檢測(cè)呢？由于場(chǎng)景的開(kāi)放性，不能像在線(xiàn)支付那樣，我們可以要求用戶(hù)左看看，右看看。那我們可以加一個(gè)目標(biāo)檢測(cè)，如果檢測(cè)到人臉、且檢測(cè)到汽車(chē)，則我們可以排除。同時(shí)，行人闖紅燈過(guò)馬路，是一個(gè)連續(xù)的動(dòng)作，這個(gè)過(guò)程會(huì)持續(xù)一段時(shí)間，我們可以將這個(gè)作為切入點(diǎn)。一是可以考慮增加“姿態(tài)估計(jì)”，二是考慮“軌跡”檢測(cè)到第一張臉后不做推送，而是繼續(xù)檢測(cè)，同時(shí)考慮公交車(chē)的移動(dòng)方向與斑馬線(xiàn)行人的移動(dòng)方向是垂直方向。

總結(jié)

1. 從算法模型到部署到真實(shí)業(yè)務(wù)場(chǎng)景中，AI產(chǎn)品經(jīng)理/項(xiàng)目經(jīng)理需要思考很多很多。
2. 很多時(shí)候，需要思考產(chǎn)品如何與真實(shí)業(yè)務(wù)場(chǎng)景產(chǎn)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(yùn)作。
3. 產(chǎn)品如何與世界交互，這非常重要。

參考：

1. 《用戶(hù)體驗(yàn)要素》
2. https://github.com/lonelygo/Shift-AI-models-to-real-world-products

http://www.woshipm.com/ai/3187438.html