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

2019年4月13-14日，人人都是產品經理舉辦的【?2019產品創新大會·深圳站】完美落幕。平安產險科技中心首席AI專家肖嶸老師，給大家分享了《跨越AI的“最后一公里”》。

大家好，我是肖嶸。做了十多年的技術工作，去年加入平安財產險，在AI方面做一些智能產品的創新工作。

可能大家不理解，怎么把一個技術宅硬生生的逼成了半個產品經理，這是為什么？主要是AI的創新實在太難了——AI的產品落地，技術跟產品的中間存在一個巨大的一個鴻溝：如何跨越AI的最后一公里。

這幾年，人工智能技術在行業里有了很多應用：人臉識別、自然語言處理、深度學習等等。但是，哪些人工智能技術是已經相對成熟了呢？比如說人臉識別，火車站機場基本上都能用得到，但是光線差一點，或者有點逆光就不行了。

為什么？

因為這些技術和它的訓練數據關聯性非常強。在任何一個場景通用的算法基本上是找不到的，這里面有一個問題：如何針對我的應用場景，選擇一個足夠好用的算法？

這就涉及到深度打磨的過程。今天就從5個場景給大家分享一下，如何做一名創新的AI產品經理。

一、移花接木：AI寵物識別

這個部分，我們從“寵物識別”來說起。

現在身邊養寵物的人越來越多，寵物的整個市場、規模、保費規模等都在增加。

但是寵物險這個市場其實還沒有完全開發起來，因為有非常大的風險——今天我給我的貓投保了，但是寵物是沒有身份證的，貓也沒有什么生物驗證的技術（即使有也不成熟）；如果我拿鄰居家生病的貓來理賠，保險公司是很難檢測出問題的。

這種情況下，是否跨越用人臉識別的技術做一個貓狗臉的識別——這其實是一個非常自然的一個想法。

人臉識別有幾個步驟：

• 把人臉的位置找出來；
• 把人臉上五官找出來，進行精確定位；
• 在五官精確定位的基礎上，抽取人臉特征進行比對。

我們把人臉識別的技術搬到了貓狗臉識別上，效果也非常好。

人臉能做到99.8%，我們能做到95%，很大程度上解決了貓狗臉識別的問題。這就是移花接木，把這朵花（人臉識別）接到木（寵物識別）上去。

它有兩個維度的創新：

1. 行維度：比如人臉識別創新到貓狗上。
2. 列維度：有一個新的算法，比如人臉識別搬到貓狗臉識別上去，在貓狗臉識別上有一個新的算法，新的網絡架構出來了，搬到人臉識別上去應用，同樣得到性能的提升。

二、起死回生：OCR圖像分類與識別

在OCR技術中，圖片質量和真實場景是一個很復雜的情況，導致OCR準確率一直不是很高。

以新車合格證為例：它的vin碼有17位，即使每個字符識別的準確率能到99%，它一個碼全對的概率也只有0.99*17次方，約等于84%的準確率。

大家可以想象一下，一張表格有很多字段，每個字段每個字符都識別爭取，是一件非常難的事情。身份證可能是個比較簡單的問題，能做的比較高一些，但是在很多復雜場景下，如何應用OCR技術，其實非常難——只有百分之七八十的準確率。而如果要交付，肯定要99%以上對不對？如果只有百分之七八十，就需要人工再確認一遍。

這種情況下，對效率提升就不是那么明顯。

在這種場景下，我們怎么來解決這個問題？

做技術的人應該非常清楚，OCR技術分成三個步驟：

1. 文字檢測：告訴你文字在哪；
2. 文字識別：每個字符是什么；
3. 文字理解：理解這個字符是什么意思。

我們以身份證舉例：

在“出生”這里，我們畫了一個框，但是“1654”這四個字是什么意思？是金額還是其他的？在這個特殊場景里面，我們還需要知道這個位置是什么意思。

OCR技術的三個步驟：一是識別文字范圍，二是識別文字字符，三是根據當前的上下文和模板。

意思是，在這個過程中，三個步驟的準確率不完全一樣的。識別比較難一些，文字理解部分，是有一些前沿的知識在里面。所以，我們是不是可以運用不同的技術手段，把效果提升上去？

OCR技術為什么不準確？

很大一個原因是圖片質量不太好，所以我們引入了圖片質量的算法——當資源質量不好的時候，在用戶端就直接攔截掉。

OCR技術是依賴于不同的表征類型的，我們引入了遷移學習，對圖像進行分類，找出是身份證還是新車合格證（OCR技術在理解的時候必須要結合具體的場景，所以不能把身份證放到新車合格證的識別場景去做），用算法把不同的表現分解出來，放到不同的分類器里面去。

所以，我們的OCR技術處理流程變成了：

客戶端獲取圖片-篩選出質量合格的圖片-對圖片進行自動分類

整個流程，我們需要上傳四個類型的證件，通過圖片分類和質量篩選，找到四個合適的圖片，上傳流程就可以結束了。如果類型缺失或者圖片質量不佳，在用戶端實時提醒。

在識別的時候，我們可能設定一些可信度：當算法不能夠完全確認的情況下，直接把無法確定的部分攔截，調用人工進行判斷，完全可信的就自動進入下一個環節。

（人工判斷任然是現在采用的一種輔助模式，人工判斷會產生新的標注信息。因為這些人工標注的都是計算機判斷不準的部分，利用計算機的深度學習引擎可以對算法進行更新迭代，讓模型自動升級）

通過這樣的方式，我們統合圖像質量評估、圖像分類、圖像識別三大技術，使得整個OCR技術能全自動運行起來。對用戶而言，基本上就是直接拍個照問題就解決了，后面人工的部分他是看不到的（人工部分隨著模型的迭代可以降低甚至消除）。

我們的OCR引擎剛上線的時候，只有百分之七十幾的一個準確率，隨著模型的自動更新迭代，現在我們做到了百分之九十幾，未來可能還會繼續更高。

而且我相信，OCR技術和圖像分類也是一樣（大家都知道在圖像分類技術上，它已經超過人類了），在未來的3-5年之內，也能超過人類。

三、老樹新花：AI智能閃賠

在已有的一些場景/應用上，我們能不能繼續突破/更新。

我們以平安的“AI智能閃賠”這個產品為例：

（此處插入視頻）

看視頻可能會覺得很炫，但是實際使用中，依然會有很多的問題：

1. 用戶拍攝的時候，很多時候不是那么準的——要么過大，要么過小，這會導致后面的識別就不準確。
2. 人是很聰明的，如果對這輛車拍個遠景，再對著一輛撞壞的車拍照，然后說這是我的損傷，來報案理賠——這種情況，我們是無法識別其中的風險的。
3. AI技術在落地上受限于場景。比如說反光，車拍一下陽光或者路燈照在車上的反光，會直接影響到損傷部位的判定——它顯示就是個亮斑，而亮斑是不是損傷是沒法判斷的。

我們進行反思之后，抓住了幾個點：

1. 智能抓拍
2. 安全
3. 增強圖像質量

這里面我們提供了一套解決方案，對老技術進行了一次整體的升級換代。在這里面，我們的技術人員和AI技術員有過深入溝通，發現很多東西其實你只要想到那個方向，其實都是可以解決掉的。

比如：智能抓拍。在拍照過程中，我們通過手機視頻的物理檢測，可以告訴你離車是遠還是近，直接在屏幕里提示你“往前走進一點”還是“離遠一點”，在視頻中完全可以通過交互實現。

另外，視頻其實就是不斷的連續幀的集合，每一幀之間都是有相似性存在的。通過幀與幀之間的相似性，可以鎖定一個證據鏈，形成類似“從遠處拍車，到近處的局部”照片，結合車輛的檢測和相似性給定鎖定的證據鏈，防止篡改視頻，降低理賠的風險。

前面說的亮斑問題，困擾我們很久，后來我們采用的方法很簡單。

反光是一個非常有意思的物理現象，反光的位置是由你觀察的位置和光源的位置所決定的。當你往前移動的時候，反光的位置也在移動，而損傷的部位是不會動。而我們在拍攝視頻的過程中，我們的人和反光點都是在往前移動的，但是損傷不會移動，我們通過多幀圖像進行融合，增強圖像來解決亮斑影響損傷判斷的問題。

所以，AI的技術其實并沒有固定的模式，都是多個人工智能技術的融合過程——在應用場景中，發現的每一個難點，如何匹配流程上的變化，把技術/算法進行升級，解決掉這個問題。

四、芥子須彌：智能機器人

在人工智能應用中，很多技術是“膠水技術”——它可以把很多技術整合在一起，形成一個更加完整的體驗。

比如說我們的聊天機器人小新，基本上就是完成一些用戶的溝通需求：與用戶閑聊，查詢一下天氣之類的，Google的還可以預定披薩，幫你接電話之類的，解決一些情感、溝通的問題。

而這個機器人的技術，我們在工業或者商業的應用上，可以做成業務型機器人——完成多倫問答，滿足客戶的特定需求，完成特定業務流程（比如說詢報價，詢報價是固定的流程，用戶輸入他的身份證，輸入他的車架號車牌號，然后再看你有什么需求，整個業務流程是非常確定的）?；旧隙际峭ㄟ^文字/語音和機器人溝通，但是技術其實不限于此。

機器人可以把整個業務流程打通在一起，而這種技術，在其他公司/其他場景也可以得到應用。所以機器人技術，是一種非常好的膠水技術。

我們自己的客戶助手，用戶咨詢/投訴/業務辦理的問題，通過客戶助手機器人就可以自動進行。

比如：用戶會問“理賠的流程是什么？”

根據我們的知識圖譜，機器人可以告訴用戶理賠流程下面涉及到幾個步驟。

用戶再接著問“我的進度在哪，進度到底怎么樣？”

我們通過分析用戶的意圖是“要查詢當前進度”（這會涉及到很多NLP技術），機器人會給用戶一個合理的反饋，甚至給出一些建議，比如說：可以查一下違章什么的（通過推薦和算法）。

通過AI的多種技術的融合，在機器人上能有一個非常好的體驗。

五、大巧不工：AI開放平臺

一個AI算法，是需要一個技術平臺，一套體系來完成更新迭代的過程。AI最重要的問題，在于它的技術是不停更新的。

2011年語音技術從深度學習開始突破以后，2018年已經做到非常接近人的水平。圖像技術在2012年之前，跟人的差距非常大，但是在圖像細分領域，2012年之后每年都有巨大的提升，2017年的時候就已經達到人類的水平。

我們構建了一個AI的開放平臺，包含了訓練/上線/更新/監控等整個全自動的模塊，可以完成一個閉環，把我們很多的技術都對接到這個平臺上面去。這樣一個平臺的建立，可以使整個AI技術達到自動更新完善的一個過程，現在整個的AI開放平臺已經服務到多個部門當中，統一集合的同時使得深度學習的資源可以跨部門共享。

六、總結

在AI如何跨越最后一公里的過程中，可以看到：如果要成為一個合格的AI產品經理，除了產品經理本身的硬實力軟實力之外，還需要什么？

• 需要一些創新，很多流程和傳統流程是不一樣的。在整個創新的過程中，你可以找到很多場景，通過AI技術和實際的場景深度融合，把原來的流程顛覆掉。
• 第二個是好奇鉆研，產品經理對技術要有一個非常好的把握度，要去了解一些技術的發展，主動去了解一些信息。

為什么AI技術到完全落地還有一個巨大的鴻溝？

這個技術在你的場景是否合適，能不能用，涉及到什么判斷因素，如何衡量每一個步驟的效果？等等這些。

相關閱讀

所有的創新，最后都是人的問題

遠望資本程浩：漸進式創新都是給行業老大打工！

好創新壞創新：如何實施營銷創新推動品牌增長？

產業互聯網，到底如何才能落地

一位好的產品經理，也是一位好的掌舵手

容許產品有缺點，不許產品無特點

創新：一段充滿風險的向死而生的道路

研究完95后群體，我發現了這幾點新機會

本文為【2019產品創新大會·深圳站】現場分享整理內容，由@小編Ella 整理發布。

未經許可，禁止轉載，謝謝合作

題圖來自大會現場