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衡量的性能隨著經驗E而自我完善，那么我們稱這個計算機程序從經驗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
• 訓練經驗E：已知分類的手寫文字數據庫

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網絡的大腦結構和功能啟發而創造的算法，由于它的興起，推動了人工智能行業技術的落地應用，如人臉識別。

二、從技術到用戶體驗

伴隨著技術的發展，市面上創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實世界中使用的。在產品開發過程中，人們更多地關注產品將用來做什么。用戶體驗是經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“產品如何與外界發生聯系并發揮作用”，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：

在產品開發過程中，人們更多地關注產品將用來做什么。用戶體驗是經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，在產品開發的過程中，產品經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。

在產品開發中，產品經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。如果產品經理沒有提前將所有可能出現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」的真實業務場景：

十字路口，為了更好規范行人與車輛，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。

1. 紅燈期間，集成了算法工業相機檢測并抓拍到紅燈期間出現在斑馬線上的人；
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控設備。

三、從需求文檔到實際業務場景

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，登上了當地的行人闖紅燈曝光臺。

（2）為什么會出現上述情況

產品經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域是“斑馬線”區域。需要檢測的目標是“行人”，時間段是在紅燈時間段。檢測區域是“斑馬線”，檢測目標是“闖紅燈行人”。在這個區域，在紅燈時間段，出現車身人臉，因此被系統檢測為了闖紅燈。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，是一個連續的動作，這個過程會持續一段時間，我們可以將這個作為切入點。一是可以考慮增加“姿態估計”，二是考慮“軌跡”檢測到第一張臉后不做推送，而是繼續檢測，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務場景中，AI產品經理/項目經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