中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

導(dǎo)語：前面介紹了「AI產(chǎn)品經(jīng)理需要具備的能力和對數(shù)據(jù)、算法需要理解的程度」、「機(jī)器學(xué)習(xí)的實(shí)際訓(xùn)練過程」；后面將圍繞AI產(chǎn)品在當(dāng)前環(huán)境下的熱門應(yīng)用來進(jìn)行探討，涵蓋了語音識別、圖像識別、NLP自然語言處理、知識圖譜等產(chǎn)品化落地的場景。

一、人工智能與「人工」智能

人每天做的最多的事情就是看、聽、說、思考、決策，這是人這個(gè)復(fù)雜系統(tǒng)需要具備的能力，那么如果要做像人一樣的智能機(jī)器，最基礎(chǔ)要解決的問題便是圖像處理的能力、聲音的處理能力、口語的處理能力、邏輯推理能力，具備了這些能力之后，人才能做更多的事情，同理機(jī)器也就能做更多的事情。

機(jī)器學(xué)習(xí)作為人工智能的實(shí)現(xiàn)手段之一，核心是用算法來解析數(shù)據(jù)、從數(shù)據(jù)中學(xué)習(xí)規(guī)律，再對現(xiàn)實(shí)世界中的事件做出決策和預(yù)測。由于強(qiáng)依賴數(shù)據(jù)，對于數(shù)據(jù)的處理和應(yīng)用便顯得極為重要。AI場景中需要面臨大量的非結(jié)構(gòu)化數(shù)據(jù)的處理，涉及了大量的人力工作在里面。在當(dāng)前發(fā)展的階段，我更愿意稱它為「人工」智能。

二、如何構(gòu)建AI產(chǎn)品

構(gòu)建AI產(chǎn)品需要經(jīng)歷的幾個(gè)核心階段，簡單概括為業(yè)務(wù)梳理階段，準(zhǔn)備數(shù)據(jù)階段，設(shè)計(jì)產(chǎn)品研發(fā)方案階段。

1. 業(yè)務(wù)梳理

不同的行業(yè)有不同的行業(yè)背景，在設(shè)計(jì)產(chǎn)品方案之前需要了解自身所處行業(yè)的業(yè)務(wù)邏輯及面臨的需求痛點(diǎn)，AI產(chǎn)品本質(zhì)上解決的是效率問題；不管是提高信息生產(chǎn)的效率還是信息傳遞的效率，首先需要找到存在效率問題的場景及識別是否高優(yōu)解決。

• 確定業(yè)務(wù)流程：畫業(yè)務(wù)流程圖，梳理不同角色在業(yè)務(wù)間的順接關(guān)系。
• 業(yè)務(wù)分類：分析不同環(huán)節(jié)間信息如何傳遞，按照不同的需求類型進(jìn)行分類。
• 資源評估：評估現(xiàn)有數(shù)據(jù)資源，是否有足夠多的數(shù)據(jù)支撐產(chǎn)品的開發(fā)；若業(yè)務(wù)積累數(shù)據(jù)不夠或質(zhì)量不佳，有沒有其他渠道收集數(shù)據(jù)，或數(shù)據(jù)治理的方式。
• 確定優(yōu)先級：哪些問題可以優(yōu)先解決，按照重要緊急系數(shù)進(jìn)行劃分。

2. 準(zhǔn)備數(shù)據(jù)

在構(gòu)建AI產(chǎn)品的工作流中，準(zhǔn)備數(shù)據(jù)是重中之重，極其關(guān)鍵的一個(gè)環(huán)節(jié)，數(shù)據(jù)的好壞直接影響了模型是否可用，也是花費(fèi)精力和工作量最多的一個(gè)環(huán)節(jié)。準(zhǔn)備數(shù)據(jù)的過程包含了收集數(shù)據(jù)、治理數(shù)據(jù)、標(biāo)注數(shù)據(jù)。

收集數(shù)據(jù)：一般收集數(shù)據(jù)的方式有整理并收集內(nèi)部積累的業(yè)務(wù)數(shù)據(jù)、向數(shù)據(jù)方購買或合作獲取數(shù)據(jù)、通過爬蟲系統(tǒng)獲取網(wǎng)絡(luò)上公開的數(shù)據(jù)、通過終端設(shè)備采集上報(bào)數(shù)據(jù)。

數(shù)據(jù)治理：通常我們從多個(gè)渠道收集上來的數(shù)據(jù)是無法直接利用的，因?yàn)椴煌缹?shù)據(jù)的定義以及生產(chǎn)和使用場景不一樣，想要進(jìn)行使用，需要進(jìn)行一系列的數(shù)據(jù)處理流程；治理數(shù)據(jù)是一個(gè)復(fù)雜的過程，包含了數(shù)據(jù)質(zhì)量、數(shù)據(jù)標(biāo)準(zhǔn)、數(shù)據(jù)安全等多個(gè)方面的處理技術(shù)及方法。

數(shù)據(jù)標(biāo)注：數(shù)據(jù)標(biāo)注就是將數(shù)據(jù)打上相應(yīng)的標(biāo)簽。AI產(chǎn)品需要處理大量非結(jié)構(gòu)化的數(shù)據(jù)，數(shù)據(jù)標(biāo)注的意義是將人積累的經(jīng)驗(yàn)判斷的信息標(biāo)注到數(shù)據(jù)上，讓機(jī)器能夠理解和可讀；數(shù)據(jù)標(biāo)注的流程可以分為：確定數(shù)據(jù)標(biāo)注的目的、制定標(biāo)注標(biāo)準(zhǔn)、進(jìn)行數(shù)據(jù)標(biāo)注、標(biāo)注結(jié)果驗(yàn)收。

設(shè)計(jì)產(chǎn)品研發(fā)方案——構(gòu)建并訓(xùn)練模型，機(jī)器學(xué)習(xí)的訓(xùn)練過程在前一篇文章中已經(jīng)分享過了，此處不再介紹。

三、案例分析：圖像識別 – AI識別植物

1. 應(yīng)用場景

• 獲取知識 – 拍照識別植物 ，進(jìn)行植物研究；
• 輔助教學(xué) – 快速識別植物，了解植物基本信息，簡化學(xué)生認(rèn)知；
• 興趣愛好 – 旅行游玩，掃描識圖增加趣味。

2. 明確任務(wù)類型

基于具體的應(yīng)用場景，梳理核心要解決的問題，例如植物識圖，最簡單的場景是要輸入一個(gè)植物圖片進(jìn)去，返回正確的植物名稱，屬于典型的分類問題。

3. 制定分類標(biāo)準(zhǔn)

我們想要準(zhǔn)確識別植物圖片，首先第一步要厘清植物一共分為多少種，每種植物具有怎樣的特征。

下圖是以不同植物的生存方式作為分類邏輯進(jìn)行劃分的，可作為參考；分類方式有很多種，核心需要確認(rèn)并統(tǒng)一制定一套標(biāo)準(zhǔn)，方便日后的維護(hù)和擴(kuò)充，也為后續(xù)模型訓(xùn)練打下基礎(chǔ)。

制定標(biāo)準(zhǔn)的過程非?？简?yàn)產(chǎn)品經(jīng)理對需求場景的理解以及對特定場景下知識背景的研究，標(biāo)準(zhǔn)的覆蓋范圍直接影響了最終產(chǎn)品所解決問題的范圍。

4. 數(shù)據(jù)采集

根據(jù)分類標(biāo)準(zhǔn)分別為每一個(gè)類目采集樣本圖片，通常會(huì)有專門的采集數(shù)據(jù)的平臺，我們只需創(chuàng)建任務(wù)類型，定義數(shù)據(jù)采集的范圍及需要訪問的網(wǎng)站或鏈接，即可完成自動(dòng)化數(shù)據(jù)的采集。

5. 數(shù)據(jù)標(biāo)注

將采集上來的樣本圖片分別打上對應(yīng)的分類標(biāo)簽。打標(biāo)簽的過程可分為人工打標(biāo)簽、機(jī)器打標(biāo)簽。通常公司內(nèi)部都會(huì)搭建專門打標(biāo)簽的數(shù)據(jù)服務(wù)平臺，例如百度有自己的眾包平臺，專門提供各個(gè)部門關(guān)于數(shù)據(jù)標(biāo)注的服務(wù)。此外市場上也有專門做數(shù)據(jù)標(biāo)注的公司，例如云測數(shù)據(jù)這樣的平臺。

6. 模型訓(xùn)練 – CNN

卷積神經(jīng)網(wǎng)絡(luò)CNN，是目前主流的處理圖像問題的技術(shù)。它包含了圖像內(nèi)容定位、目標(biāo)分割、目標(biāo)關(guān)鍵點(diǎn)檢測、目標(biāo)分類等關(guān)鍵技術(shù)，能夠快速提取圖像特征；在介紹CNN之前先了解一下什么是神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)是模擬了生物神經(jīng)細(xì)胞傳遞信息的過程而構(gòu)建的神經(jīng)元模型，主要包含了三部分，數(shù)據(jù)輸入層、隱藏層、輸出層。

• 輸入層：就是將基礎(chǔ)數(shù)據(jù)錄入到模型中。
• 隱藏層：也叫計(jì)算層，包含了多個(gè)參數(shù)的數(shù)學(xué)模型計(jì)算。
• 輸出層：經(jīng)過計(jì)算后輸出結(jié)果。

計(jì)算過程可以簡單理解為：輸入層輸入的每一個(gè)數(shù)值在乘以相應(yīng)的權(quán)重后會(huì)傳遞到下一個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)處會(huì)把每一條經(jīng)過計(jì)算的數(shù)據(jù)結(jié)果進(jìn)行累加；累加后的值通過激活函數(shù)激活之后，會(huì)繼續(xù)作為下一層的輸入數(shù)據(jù)參與計(jì)算，以此循環(huán)直到計(jì)算至最后一層輸出數(shù)據(jù)。

每一次訓(xùn)練數(shù)據(jù)的進(jìn)入，都會(huì)將整個(gè)神經(jīng)網(wǎng)絡(luò)上的各個(gè)節(jié)點(diǎn)權(quán)重值更新一次，通過每一層權(quán)重值的不斷調(diào)整來逐漸縮小誤差，確認(rèn)最終模型。

卷積神經(jīng)網(wǎng)絡(luò)CNN與神經(jīng)網(wǎng)絡(luò)邏輯一致，同樣包含輸入層、隱藏層、輸出層，區(qū)別在于隱藏層中又會(huì)拆分出卷積層、線性整流單元層、池化層、全連接層。

卷積層是為了提取圖像特征；線性整流單元層在進(jìn)行計(jì)算時(shí)調(diào)用了特定的ReLU激活函數(shù)；池化層是為了將參與計(jì)算的圖像特征數(shù)據(jù)進(jìn)行降維處理；全聯(lián)接層是為了綜合計(jì)算不同分類的得分，為最后的數(shù)據(jù)輸出做準(zhǔn)備（技術(shù)邏輯較為復(fù)雜，感興趣的童鞋可以查閱更多資料進(jìn)行擴(kuò)展了解，通常此部分為算法工程師處理，產(chǎn)品只需簡單理解原理）。

7. 模型評估

AI產(chǎn)品經(jīng)理需要為模型結(jié)果負(fù)責(zé)，在評估模型是否可用上需要建立統(tǒng)一的評估標(biāo)準(zhǔn)，明確評估流程，并通過數(shù)據(jù)分析來形成結(jié)論。

在植物識圖這個(gè)場景下，一方面需要評估模型能否成功識別出圖片內(nèi)容包含植物，另一方面需要對已識別出的植物進(jìn)行分類準(zhǔn)確性的評估。

1）評估標(biāo)準(zhǔn)

評估標(biāo)準(zhǔn)包含了準(zhǔn)備測試數(shù)據(jù)集，確定評估指標(biāo)，定義不同情況下的判斷標(biāo)準(zhǔn)。

2）評估流程

所有識圖相關(guān)的場景下都要經(jīng)過先識別再預(yù)測，因此在評估過程中，需要著重關(guān)注模型是否正確圈選出目標(biāo)物體，若已框選出目標(biāo)物體，再做正確與否判斷。

3）評估數(shù)據(jù)

確定了評估標(biāo)準(zhǔn)及評估流程之后，要對采集的測試數(shù)據(jù)進(jìn)行逐個(gè)評估，此環(huán)節(jié)可以交由數(shù)據(jù)標(biāo)注團(tuán)隊(duì)或者實(shí)習(xí)生來進(jìn)行操作；因?yàn)閭€(gè)別場景下需要測試數(shù)據(jù)量級比較大，為了提高效率需要將任務(wù)量進(jìn)行分?jǐn)偅蟛糠止緯?huì)設(shè)定專門的崗位進(jìn)行數(shù)據(jù)支持。

4）評估結(jié)論

準(zhǔn)確率指標(biāo)是為了評估模型對數(shù)據(jù)的預(yù)測能力；YES判斷正確數(shù)/（YES識別框+NO中應(yīng)為YES的識別框）。

召回率指標(biāo)是為了評估模型對圖像識別的能力；已框選植物主體框/應(yīng)框選植物主體框。

#專欄作家#

大鵬，公眾號：一個(gè)數(shù)據(jù)人的自留地。人人都是產(chǎn)品經(jīng)理專欄作家，《數(shù)據(jù)產(chǎn)品經(jīng)理修煉手冊》作者。

本文原創(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Unsplash，基于CC0協(xié)議。