What is AI? - Artificial Intelligence current state
 |
來源：人人都是產品經理
按：本文作者連詩路，前阿里產品專家。在人工智慧火熱的現在，AI 鏈接各行各業似乎是大勢所趨，作為一名產品經理該如何適應這個「新時代」？作者談了談他的看法。（本文背景部分描述為中國市場，僅供參考。）
一、產品的驅動源力
幹了 10 年的 PC、APP、智慧硬體產品經理，經歷 B2B、B2B2C、C2C 、B2C SOLOMO、O2O 、C2M/F、P2P 等等各種商業模式或事業模式，有的企業需要你解決業務方向不穩定，有的企業讓你解決的是技術薄弱問題，有的是營運需要加強對產品經理的要求統一問題。
但是從產品方法論上來講，人類社會經歷過的 PC、網路時代、行動網路時代，以及現在所處的智慧硬體時代，技術發展和商業模式、創新之間始終是相輔相成的關係。
但是從產品方法論上來講，人類社會經歷過的 PC、網路時代、行動網路時代，以及現在所處的智慧硬體時代，技術發展和商業模式、創新之間始終是相輔相成的關係。
每當科技發展的紅利，被商業模式（商業模式換個通俗的話，就是提供服務或者商品的賺錢模式）創新挖掘殆盡後，經濟也隨之步入寒冬；直到下一輪技術革命的出現，商業模式創新才能重新併發生機。
這裡面典型的代表，是在 HK 上市的美圖秀秀，美圖秀秀是非常及時得趕上了，從 PC 端到行動端的轉移，並且成為大家手機裡必備軟體之一。
另外一個案例是微信，被稱為行動網路時代第一產品，如果沒有行動網路軟硬體技術的進步，尤其是智慧手機的突破，就不會有張小龍今天的產品市場地位。
這裡面典型的代表，是在 HK 上市的美圖秀秀，美圖秀秀是非常及時得趕上了，從 PC 端到行動端的轉移，並且成為大家手機裡必備軟體之一。
另外一個案例是微信，被稱為行動網路時代第一產品，如果沒有行動網路軟硬體技術的進步，尤其是智慧手機的突破，就不會有張小龍今天的產品市場地位。
所以，產品經理的關鍵點，除了參悟透人性需求之外，其更關鍵的是認知和遷移，將知道的知識巧妙的遷移，運用到產品中來，例如輔助駕駛、圖像辨識、語音辨識等。在過去是非常困難的技術，而如今已經被許多牛的小團隊突破。產品經理應該做的是遷移，跳出固定思維，去想和做別人沒有想到和做到的，甚至感知到的事情，並進行 AI+ 遷移。
二、追溯 AI 的發展
1、「萬維網藍圖」奠基
Internet 的前身阿帕網起源於美蘇冷戰。20 世紀 80 年代阿帕網，已經透過大學和研究所等機構滲透到民間。1989 年歐洲量子物理實驗中心工作的伯納斯李，向實驗中心正式提交了一份後來被稱為「萬維網藍圖」的報告。
這份報告提出了萬維網框架的運行機制和實施方案。1990 年 11 月，他在 NeXT 工作站上製作了第一個萬維網瀏覽器，和第一個網路伺服器，隨後編寫了執行萬維網項目細節的網頁，至此世界上第1個萬維網站誕生。
這份報告提出了萬維網框架的運行機制和實施方案。1990 年 11 月，他在 NeXT 工作站上製作了第一個萬維網瀏覽器，和第一個網路伺服器，隨後編寫了執行萬維網項目細節的網頁，至此世界上第1個萬維網站誕生。
1993 年 1 月美國伊利諾大學，為瀏覽萬維網網站，開發的UNIX 版本馬賽克瀏覽器，被放到該大學計算中心的免費 FTP 伺服器上，不到兩個月的時間就被下載了上萬次。
1993 年 12 月《紐約時報》商業版頭版介紹了馬賽克，稱其將創造一個全新的產業。馬賽克的流行使得覆蓋互聯網的萬維網，成為新的連接世界的平台，也引發了以矽谷為中心的電子商務革命。1993 年 1 月馬賽克剛出現時，全世界只有 50 個萬維網伺服器，10 月份達到 500 個，1994 年 6 月份增加到1500個，萬維網開始以指數成長。
1993 年 12 月《紐約時報》商業版頭版介紹了馬賽克，稱其將創造一個全新的產業。馬賽克的流行使得覆蓋互聯網的萬維網，成為新的連接世界的平台，也引發了以矽谷為中心的電子商務革命。1993 年 1 月馬賽克剛出現時，全世界只有 50 個萬維網伺服器，10 月份達到 500 個，1994 年 6 月份增加到1500個，萬維網開始以指數成長。
注意，好產品逐步出現了：在萬維網流行了 3 年後的 1996 年，史丹佛 2 個研究生發現，用解 n 元一次方程組的辦法，可以把萬維網的所有網頁，按照重要性進行排名，從而解決了網路用戶，面對以指數成長的網頁資訊，進行有效搜索的難題；他們後來成立了谷歌公司。
差不多在相同的時間，剛上線一年多的亞馬遜與明尼蘇達大學的幾位電腦專家合作，開始分析每個用戶在其網站上購買的商品，並與其他用戶的購買商品進行比較和關聯，用得到的結果來個性化對網站瀏覽用戶的商品推薦。
差不多在相同的時間，剛上線一年多的亞馬遜與明尼蘇達大學的幾位電腦專家合作，開始分析每個用戶在其網站上購買的商品，並與其他用戶的購買商品進行比較和關聯，用得到的結果來個性化對網站瀏覽用戶的商品推薦。
不同的是，網路人工智慧不再像谷歌、亞馬遜的初期一樣，使用昂貴的超級電腦，而是用大量聯結在一起的廉價伺服器，甚至是個人電腦，來取得相同甚至更好的效果。在知識來源上，網路人工智慧往往依靠成千上萬的大眾點滴貢獻（crowdsourcing），而不是專家智慧。
比如谷歌在計算網頁的排名時，使用的是不同網頁之間的超文本鏈接資訊，而這些鏈接是用戶在創建網頁時提供的。亞馬遜的數據來源則是每個用戶購買的商品資訊。
這些在個人看來再簡單不過的資訊，被整合到一起進行處理後，發揮出巨大的潛力，也使得數據挖掘，成為網路人工智慧的流行用語和代名詞。
比如谷歌在計算網頁的排名時，使用的是不同網頁之間的超文本鏈接資訊，而這些鏈接是用戶在創建網頁時提供的。亞馬遜的數據來源則是每個用戶購買的商品資訊。
這些在個人看來再簡單不過的資訊，被整合到一起進行處理後，發揮出巨大的潛力，也使得數據挖掘，成為網路人工智慧的流行用語和代名詞。
網路人工智慧給人類社會，帶來的不僅是日常生活的方便，它們在很大程度上，開始從各個方面影響社會發展進程。谷歌的搜索結果，可以決定一個人的言論被關注的程度，而亞馬遜的推薦，則可以把許多品質好，但沒能得到推廣的商品推薦給大眾，引出「長尾定律」。So產品經理還會從零開始搭建搜索引擎嗎？遷移吧。
2、大廠是如何訓練辨識和檢測算法系統的？
華人 AI 李飛飛團隊，曾經從互聯網上下載 10 億多圖片，然後通過亞馬遜機械土耳其人這一低成本網絡眾包的方式，雇傭了來自 167 個國家共 5 多人對這些圖片進行了分類標注。
截止 2009 年該項目成功產生了，一個包含 22000 不同門類，共 1500 萬圖片的帶標籤的數據庫。該數據庫裡的圖片分類和標籤品質，超過以往任何數據庫，其中僅貓這一門類就有 62000 張不同的圖片，包含了所有種類的馴養和野生貓。
建成這一數據庫後，李飛飛及其團隊利用深度學習方法，使得電腦透過監督學習方式，辨識包含各種物體的圖像，而且能夠用自然語言生成，對每個圖像中的物體關係的簡單描述。這一成果，產品經理還建議圖片創業公司再走一遍嗎？
建成這一數據庫後，李飛飛及其團隊利用深度學習方法，使得電腦透過監督學習方式，辨識包含各種物體的圖像，而且能夠用自然語言生成，對每個圖像中的物體關係的簡單描述。這一成果，產品經理還建議圖片創業公司再走一遍嗎？
三、AI+產品案例
有一次跟 VST 的營運總監聊天，話到曾經裝了很多新聞閱讀軟體，後來只留下一個今日頭條，我問她為啥，答曰：「今日頭條把我想看的都推薦給我了，非常懂我」。SO ……
如果有人閱讀彼得蒂爾的從零到一後真的從零到一，搭建這麼一套新聞推薦系統，我相信這款產品負責人一定是只佔了勤奮一詞，我真的替他焦慮。因為目前完全可以 AI+ 遷移，迅速打造一個今日頭條式樣的資訊平台。
大概框架如下：
首先新聞頭條類創業者，首先要自我解決數據源的問題，可以是爬蟲可以是通路分銷還可以自採。
其次瞭解自己的產品目標定位。
最後關鍵點來了：別自己開發，記得別自己開發，只需要遷移 AI+ 來訓練自己的資訊推薦模型，把這些統統交給 AI+，因為AI+幫你訓練一個資訊推薦模型，你只需要收集用戶的特徵資訊、內容特徵資訊、上下文特徵；透過收集樣本結果（是否點擊）讓機器學習產生一定的聯繫，這就製作出了一個推薦模型——比如用戶在使用什麼品牌手機、每天哪個時間段、關注哪些關鍵字、有哪些購買行為等特徵的情況下，點擊了哪條擁有哪些特徵資訊的新聞。
當給定了新的資訊特徵，模型計算出所有候選資訊的點擊率，把預測點擊率最高的資訊推薦上去，這就是資訊流推薦服務的機器學習模式。
當給定了新的資訊特徵，模型計算出所有候選資訊的點擊率，把預測點擊率最高的資訊推薦上去，這就是資訊流推薦服務的機器學習模式。
一個產品經理運用 AI+ 遷移做的產品一定比從零搞效率高。
另外一次跟生日管家 COO 聊天，他問我兩個問題：
‧（一）產品營運在人工智慧時代還有活幹嗎？
‧（二）垂直電商的搜索推薦系統應該怎麼搭建 。
從零開始，構建一套網紅電商搜索系統，可見感知力度強的產品運營者已經開始焦慮了，這種焦慮是求知若渴、虛心若愚的表現。我當時是如下大致回答如上兩個問題的。
（一）AI+時代產品營運做什麼事，或者還有什麼事
AI 來了產品都不是原來的產品，系統也不是原來的架構，框架也日新月異，身為、產品、技術、營運人員是不能不焦慮的，那麼產品、營運、技術未來的工作機會點有哪些呢？
場景一、非符號化流域：AI 目前實現和將來一段時間都是以解決符號化流域的問題而智慧化解決。而非符號化流域的問題像感知能力、創新能力、社交能力和身體靈活能力等等，AI 一時半會並不擅長，因為 AI 將承擔主要是無聊的工作，技術只是在替代人類的體力和部分認知能力。在產品規劃、替代規劃、場景構造、新用戶消費偏好分析、創意、等方面均有產品營運的機會。
場景二、共享運作流域：AI 技術大發展解決資源短缺問題。產品經理的關注點，應從資源創造轉移到資源分配。因此產品經理利用自己的藝術和技術天賦，承接各種產品亮點設計有趣的模塊。才是產品經理感受勞動成果的重要意義。
場景三：按需協調工作：AI+ 對產品營運的替代，讓整個產品項目可以減少大量的技術，用多種語言寫同一個邏輯的問題。因為通用 AI+ 技術普遍運用到日常、標準化、可重複的活動營運工作中，再者企業在廣泛運用 AI+ 的同時，會保持核心精乾力量。他們往往是核心技術和有競爭力資源的產品創造者和維護者。沒有一勞永逸的解決方案，只有拉鋸式談判和妥協，這些均需要產品營運技術高度協作工作。
所以，AI+ 時代產品、營運、技術，目前如果能結合自身的實際情況，例如：技術型產品經理對照從算法層面，知道自己可以切入的技術角度；營運型產品經理從應用場景層面，知道未來技術會在哪些生活中先發生作用。
分別根據對應的情況累積知識學習能力，再未來 AI 還不足夠的感知領域，一定有產品經理的創造機會。
分別根據對應的情況累積知識學習能力，再未來 AI 還不足夠的感知領域，一定有產品經理的創造機會。
（二）垂直電商搜索系統搭建，別自己從零搭建了
一般的搜索引擎要素如下圖：
而AI搜索推薦系統，是利用深層神經網路，在大規模無標注範圍上進行無監督學習。在形式上，把每個詞表示成一個固定五維的向量，當作詞的本身特徵；在此特徵基礎上進行架構設計，分詞標注分塊命名實體辨識，訓練網路基於一角色標注單操作，以這樣的方式進行自然語言處理，可以實現高計算速度的大數據處理。
而如果使用多任務模式進行計算，還能進一步提升系統的計算和處理速度，所以推薦系統的話肯定是無標注。
而如果使用多任務模式進行計算，還能進一步提升系統的計算和處理速度，所以推薦系統的話肯定是無標注。
AI 不僅有文字的智慧索引，還有AI圖像辨識且隨之成為各個互聯網產品逐漸開始關注的對象。其中兩個核心問題是圖像分類和固體檢測，圖像分類是對圖像整體的語音內容，進行類別判定，固體檢測是定位圖像中，特定物體出現的區域，並對其進行深度判斷圖頭向分裂辨識。
固體檢測更加關注圖像的局部確定，和特定的物體類別聚合，通常被視為更加複雜的圖像辨識問題，變相接受在我的資訊檢索廣告投放、搜索、商品推薦的等方面。
谷歌、亞馬遜、微軟就採用深度卷積神經網路作為模型，並在構建的記憶圖片樣本上進行端到端的學習。
谷歌、亞馬遜、微軟就採用深度卷積神經網路作為模型，並在構建的記憶圖片樣本上進行端到端的學習。
所以產品經理千萬別閉門搭建自己搜索推薦系統了，AI+已經為你準備好了API。因此產品經理應該做的是未雨綢繆，必須讓自己盡早的進行知識和技能的儲備，以便能夠平滑轉型，是 AI+ 時代產品經理們面前的新要求。
四、小結
產品經理最現實的生存挑戰，是如何全力以赴、如何身兼重任，並誠實的面對心中的產品夢想。探尋知識和真理應該是流淌在產品經理的血液里的基因。產品經理希望自己的產品，可以到達全球、更應該可以成為一個富有，且隨著經濟社會發展理性判斷需求思維的人。
AI+ 時代產品經理，更應該自信人類社會裡的需求，不完全是符號化的，還包括許多所謂的「亞符號」，人有非常快速的直覺判斷。例如，藝術鑒賞家能夠一眼看出贋品，這不是透過一步步邏輯推理得到的。
在知覺、模式辨認、導航和學習等許多方面，也都是如此。這些內隱的知識構成了產品經理的背景儲備，再加上產品經理持續的學習，一定可以結合 AI+ 在未來的消費和服務領域裡，做出更好的產品。
在知覺、模式辨認、導航和學習等許多方面，也都是如此。這些內隱的知識構成了產品經理的背景儲備，再加上產品經理持續的學習，一定可以結合 AI+ 在未來的消費和服務領域裡，做出更好的產品。
0 comments:
張貼留言