本文筆者將與大家詳細講述：人臉識別的方式、人臉識別的場景以及人臉識別產品的設計思路。

當下AI行業趨勢在向商業化轉變，自動駕駛的量產，城市、社區智慧化改造等可見一斑。AI產品經理，或許身處一個最好也是最壞的時代。

今天主要聊聊人臉識別產品，通過本文你將了解：

1. 人臉識別的方式
2. 人臉識別的場景
3. 人臉識別產品設計思路

一、人臉識別的方式

做人臉識別產品，首先要理解相關技術，才能明確人臉識別的設計邊界——即能做什么。

概括來說，人臉識別實現了一件事：確定實際人臉與目標人臉的相似度，粗略可分為：人臉1:1比對、人臉1:N檢測（M:N可看作M個1:N ）。

1. 人臉1:1比對：證明你是誰，如高鐵站人證合一驗證，支付寶人臉支付等。
2. 人臉1:N檢測：判斷人臉庫中是否存在滿足相似度要求的數據，如商場會員檢測、社區黑名單監控等。

以上兩者的差異，在于目標人臉是否確定（通過其他方式獲取到唯一身份信息）。在人臉1:1比對中，身份證、支付寶認證等，是已知賬戶/身份信息，只需核實實際人臉是否匹配。在人臉1:N檢測中，目標人臉是不確定的，檢測是為找到最相似的top N。

1:N的用戶體驗更優，因為是非配合，不像1:1，需要用戶配合。但隨著比對范圍的擴大（個人了解目前N上限應該小于10萬），1:N的準確率和速度不如1:1。

實際應用時，就需要依據實際環境仔細權衡，高鐵站等，因為人流較大，更多采用1:1，而一般千人量級的社區，在準確率相當的情況下，1:N的體驗會更好。

二、人臉識別的場景

人工智能本身沒有任何意義，只有和具體場景結合才能夠體現其價值?，F階段，絕大部分的人工智能還是弱人工智能，所謂人工智能賦能——即是將人從機械工作中解放出來。人臉識別作為人工智能的一個分支，遵循一樣的規律。

其場景的尋找，依舊是需求調研/分析的工作，基本可以按照以下2個步驟進行：

1. 梳理客戶/用戶業務的流程、多方利益相關人訴求等因素。
2. 找到流程中機械工作&利于客戶/用戶目標的場景。

例如：社區改造中，如果客戶是物管管理層，那么場景建設重心便是圍繞其運營效率/成本、物業價值的外化等。在此基礎上，尋找與此相關的機械工作，如保安三班倒值守，進出人員登記等。再如人臉支付，優化的機械工作是支付密碼輸入等。ToB和ToC業務，因其客戶、用戶屬性存在不一致性，需要區分對待。

另外，如上文所述，受限于當前技術能力，無論什么場景，都需要基于準確率和體驗的均衡來設計。達不到效果最好內部/種子用戶多磨練，畢竟吸引客戶/用戶的機會可能只有一次。

三、人臉識別設計思路

人臉識別產品，具有產品的基本屬性，設計有共通之處。產品設計相關的文章很多，但和主題相關度也不高，不贅述。本文主要聊除此之外，人臉識別產品需要考慮什么？

1.前端

1. 人臉數據一般通過攝像頭、攝像機、人臉抓拍機等設備獲取，為了確保數據獲取效率，可識別區域的引導設計尤為重要，如人臉框；
2. 交互流對于已有流程，是否足夠簡單，即提升新體驗、降低替換成本。如支付寶現在的刷臉付產品，需要刷臉、手機號驗證兩步，不見得比二維碼更有效率。隱私性也是需要考慮的問題。
3. 對既有流程的兼容?，F在人臉識別的準確率，還沒辦法做到刷卡/指紋那么高的準確率，那么對于異常情況的處理就要更全面。比如：人臉識別為他人，識別一直不通過的提示及引導等。如果真的發生，也能確保用戶/客戶的流程繼續走下去，別給客戶/用戶添麻煩。

2. 后端

1. 光照：光照投射的陰影，會加強/減弱人臉特征?？紤]建模進行補償、消除。
2. 人臉角度：垂直于圖像平面的頭部旋轉會造成人臉信息缺失?？紤]學習并記憶多角度視圖。
3. 遮擋：主要出現非配合人臉獲取，這個問題貌似沒有很好的解決辦法……
4. 年齡變化：如k12場景下，學生過2-3年面部變化?？紤]設計動態更新人臉庫
5. 數據量增多出現性能瓶頸：人臉庫增大，導致準確率的降低?？紤]通過業務進行人臉庫的切分，及準確率、召回率的權衡
6. 夜景識別：可能導致非人臉判定為人臉，考慮干擾物圖的過濾。

還有運動目標、丟幀、單幀人臉識別效率等等，人臉識別的后端處理，涉及到的方面十分繁雜，限于篇幅，此文僅簡單列舉。

切忌認為這只是開發層面的問題，優秀的產品應該主動分析。

所以，要做好系統日志的設計，詳細記錄識別情況，包括識別成功的記錄和識別出錯的原因，錯誤原因需要定期導出分析，尋求算法優化的切入點。

最后，系統上線僅是起點，而絕非終點?？蛻?用戶永遠會有你意料之外的反饋，多跟蹤多交流，可能多走一步，就是產品的核心競爭力。

作者：Kevin ，個人公眾號：Kevin回憶錄。記錄、分享各種復盤和思考。

本文由@Kevin 原創發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自Unsplash, 基于CC0協議。