目錄TOC\o"1-2"\h\u30045第1章 3278461.1 496751.2 9308291.3人工智能產(chǎn)品經(jīng)理需要兼具“軟硬” 10136071.4 136150第2章 16162412.1 17183102.2什么叫作“懂行業(yè) 19104872.3 23311082.4 2517259第3章定義人工智能產(chǎn)品需求 2693423.1 27124483.2 3431514第4 3762034.1 38121884.2 40122504.3 44255824.4 48208604.5機器“大腦” 49130254.6 51312874.7 52257534.8 567029第5 58121015.1 59151925.2 63119135.3 6612625.4 7220292第6章人工智能產(chǎn)品經(jīng)理工作流程 74121286.1 7568196.2 7669786.3 81252416.4 86162976.5 889005第7章方法論、溝通和CEO 8932547.1 90182507.2 93224547.3用CEO 95第1章隨著人工智能技術(shù)的日新月異，產(chǎn)品形態(tài)和價值都有無限種可能，產(chǎn)品經(jīng)理需要擔(dān)負起更大的社會責(zé)任。就像《終結(jié)者2》中的人工智能產(chǎn)品800（如圖11所示）1000（12所示），技術(shù)，越容易將人類領(lǐng)向另外一個極端。圖1-1《終結(jié)者2》中的人工智能產(chǎn)品T-圖1-2《終結(jié)者2》中的人工智能產(chǎn)品T-從2006個領(lǐng)域?qū)崿F(xiàn)了廣泛應(yīng)用，并取得了巨大的商業(yè)價值，例如機器人、自動化技術(shù)、智能控制、電商、金融、自動駕駛、醫(yī)療診斷、語音與圖像識別、人機交互等。以上所有的應(yīng)用或產(chǎn)品，本質(zhì)上都得益于人工智能領(lǐng)域中主流研究方向的發(fā)展，如圖13所示。圖1-3回顧人類歷史，每個領(lǐng)域的科技進步都給使用該技術(shù)的產(chǎn)品帶來性能和效率上的提升。這些改變過程在本質(zhì)上都如出一轍，都是在人類需求的驅(qū)使下產(chǎn)生了某種技術(shù)，最終幫助人類實現(xiàn)了新的行業(yè)和新的產(chǎn)品形態(tài)，如圖14求而生的工具，而這個工具通常用在傳統(tǒng)解決方案產(chǎn)品上，對其進行改進和提升。圖1-4基于以上分析不難理解，人工智能的本質(zhì)就是實現(xiàn)推斷的概率可以無限逼近100和判斷能力。而人工智能產(chǎn)品經(jīng)理在設(shè)計人工智能類產(chǎn)品的時候，就充當(dāng)了實現(xiàn)概率最優(yōu)和成本投入（可能包含資金投入、技術(shù)投入、時間周期選擇）之間的平衡者。復(fù)勞動（自動駕駛）、提升效率和準(zhǔn)確率（反金融欺詐系統(tǒng)）、提升用戶體驗（通過語音輸入下達控制指令的智能居家機器人）上面描述的所有人工智能類產(chǎn)品在本質(zhì)上都顛覆了傳統(tǒng)的產(chǎn)品設(shè)計流程。例如，傳統(tǒng)的產(chǎn)品設(shè)計邏輯是設(shè)計確定的交互流程，而且是越明確、越詳細越好，產(chǎn)品經(jīng)理還常常因為（odutquntoun）文檔寫得不夠詳細、交互說明不夠具體，而在評審會上被研發(fā)人員挑戰(zhàn)。而當(dāng)你設(shè)計人工智能類產(chǎn)品時，有時明確的交互邏輯反而限制了研發(fā)的工作。在使用同一款產(chǎn)品時，不同用戶看到的頁面內(nèi)容不同，交互邏輯不同，甚至連產(chǎn)品形態(tài)都不一樣，產(chǎn)品的這種千人千面的特性讓產(chǎn)品經(jīng)理沒法將每個用戶點擊某個按鈕后的效果都描述出來。步白色，系統(tǒng)又進一步引導(dǎo)用戶您經(jīng)常在平地跑步還是山地跑步，用戶接下來可以進行進一步的個性化選擇。用戶既可以隨時終止這種對話，也可以繼續(xù)對話，直到找到他的目標(biāo)，如圖15進行瀏覽時，頁面中產(chǎn)品顯示優(yōu)先級就會自動按照用戶之前的意圖排序。圖1-5圖1-6圖1-7近幾年來人工智能的快速發(fā)展離不開深度學(xué)習(xí)（pnng）在圖像識別、語音識別、自然語言處理、信息檢索、機器翻譯、社交網(wǎng)絡(luò)過濾、生物信息學(xué)和藥物設(shè)計等方面的成功應(yīng)用。作為機器學(xué)習(xí)算法家族中的一員，深度學(xué)習(xí)在每個應(yīng)用場景中的落地都離不開算法、計算能力、數(shù)據(jù)三要素，如圖18所示。三要素相關(guān)技術(shù)近些年來的快速迭代和積淀，是促使人工智能技術(shù)得以廣泛應(yīng)用的根本原因。圖1-8人工智能產(chǎn)品“三要素GPU、TPU合考慮利弊后要判斷采用平臺即服務(wù)（PlatformasaService，PaaS）的方案還是自建計算平臺。例如，產(chǎn)品設(shè)計中包含了實時在線的智能語意在數(shù)據(jù)層面：在機器學(xué)習(xí)領(lǐng)域，數(shù)據(jù)顯然已經(jīng)變成了兵家必爭之地，優(yōu)質(zhì)的數(shù)據(jù)可以幫助企業(yè)快速建立門檻。好的數(shù)據(jù)通常要比好跨部門協(xié)調(diào)能力，會在本書第7章具體介紹。人工智能三要素是構(gòu)建人工智能產(chǎn)品核心競爭力的重要手段，任何一種要素都不足以讓產(chǎn)品在市場上建立絕對優(yōu)勢。產(chǎn)品經(jīng)理應(yīng)在定義產(chǎn)品核心競爭力的時候就主動尋找三要素交叉組合的黃金地帶，如圖19的。圖1-9人工智能產(chǎn)品的“黃金地帶核心技術(shù)：人工智能時代的產(chǎn)品成功不同于過往任何一個時期，日新月異的技術(shù)創(chuàng)新導(dǎo)致解決同一個需求的手段有多重選擇。產(chǎn)品之間競爭的戰(zhàn)場早已經(jīng)從可見的、功能性方面轉(zhuǎn)換到了更多維度的比拼。而且人工智能產(chǎn)品給用戶帶來的往往是零感知何學(xué)習(xí)成本，甚至都察覺不到這種高科技，但實際上已經(jīng)實現(xiàn)了更優(yōu)的產(chǎn)品體驗。圖1-103D就取得了絕對的制高點。另外，深度感應(yīng)鏡頭也應(yīng)用在人體跟蹤、三維重建、人機交互、即時定位與地圖構(gòu)建（SimultaneousLocalizationand產(chǎn)品化：核心技術(shù)在本質(zhì)上只是解決用戶需求的一種手段，如果技術(shù)先進卻對用戶提出了較高的使用門檻，反而很難直接地傳遞價值，那么產(chǎn)品還是無法成功。產(chǎn)品化的過程是讓產(chǎn)品首先可以以快捷、低門檻的形式觸及用戶（宣傳、推廣），有效地傳遞價值并為用戶解決實際需求，當(dāng)用戶使用產(chǎn)品一段時間后，通過延展價值形成用戶持續(xù)的消費，如圖111所示。圖1-11蘋果公司在設(shè)計iPod時，產(chǎn)品團隊的負責(zé)人喬恩·魯賓斯坦（JonRubinstein）找到了一款適合iPod的存儲設(shè)備。在當(dāng)時，全球范圍內(nèi)只有東芝公司正在研發(fā)一個1.8英寸見方的硬盤，其帶有5GB的存儲空間，當(dāng)時東芝也并不知道這個產(chǎn)品能夠解決什么樣的需求。當(dāng)東芝的工程師把看過美劇《西部世界》的人一定對安東尼霍普金斯（nhonyopkn）出演的羅伯特福特（obtod）這個角色不陌生。他作為整個西部世界的創(chuàng)造者，同時也是整個虛擬世界中最大的產(chǎn)品經(jīng)理，為每一個接待員（也就是被設(shè)計出的人形機器人）設(shè)計了完整的記憶及人物背景，這里面包括被他用來殺害人類的機器人。這也是現(xiàn)今很多美國人工智能公司成立了倫理審查委員會（hso）的原因。該組織是由不同領(lǐng)域的專家組成的獨立組織，其職責(zé)為檢查人工智能產(chǎn)品的設(shè)計方案是否符合道德，并為之提供公眾保證，確保用戶的安全和權(quán)益受到保護。該委員會的組成和一切活動不應(yīng)受到產(chǎn)品設(shè)計者和公司其他成員的干擾。人工智能產(chǎn)品經(jīng)理需要兼具“軟硬”在利用人工智能技術(shù)進行產(chǎn)品研發(fā)時需要產(chǎn)品經(jīng)理能夠融入研發(fā)過程。如果說輸出交互設(shè)計文檔是產(chǎn)品經(jīng)理的重要工作之一，那么并提供研發(fā)所需要的成果物。本書第6掌握前沿技術(shù)在產(chǎn)品所在領(lǐng)域的應(yīng)用條件和最佳實踐。本質(zhì)上人工智能是一種替代人工生產(chǎn)力的技術(shù)，因此如果說互聯(lián)網(wǎng)產(chǎn)品的核心是流量，那么人工智能產(chǎn)品就是利用軟硬件基礎(chǔ)設(shè)施數(shù)據(jù)算法作為生產(chǎn)材料完成生產(chǎn)力的升級，帶來更好的用戶體驗。因此，產(chǎn)品加多元化。假如你負責(zé)一個機器視覺產(chǎn)品的設(shè)計，要了解目前主流的產(chǎn)品架構(gòu)都有哪些，每種架構(gòu)都適合什么樣的用戶使用場景。產(chǎn)品如果包含硬件，那么傳感器元件的精度、目前市面上處理芯片的運算效率和功耗以及生物識別的原理、視覺識別的原理、采用3還是2視覺識別方案等都需要了解，每種方案配套的硬件組合和算法都不同，還要考慮到每種方案的軟件研發(fā)、硬件研發(fā)集成的成本和風(fēng)險，最終綜合所有這些技術(shù)調(diào)研后才能完整地輸出產(chǎn)品優(yōu)勢、上線周期、投資回報率等成果物，然后綜合考慮以上所有指標(biāo)才開始產(chǎn)品的設(shè)計工作。因此，產(chǎn)品經(jīng)理不僅需要懂技術(shù)原理，還需要具備對技術(shù)發(fā)展趨勢的洞見，才能最終設(shè)計出有競爭力的、有前瞻性的人工智能產(chǎn)品。舉個例子，搜索在電商平臺中是用戶購買商品的入口，也是一種重要的商品推薦功能，用戶通過關(guān)鍵字輸入搜索意圖，引擎返回和搜索意V（oshndeou，商品交易總量）提升率作為本次迭代的考核目標(biāo)，如果你作為產(chǎn)品經(jīng)理沒有長期關(guān)注到歷次迭代中的增長情況，就無法對比算法優(yōu)化前后的效果。當(dāng)新的搜索算法研發(fā)出來后，通常需要進行測試以降低新特性的發(fā)布風(fēng)險，如果產(chǎn)品經(jīng)理在需求描述階段沒有明確的量化目標(biāo)，試時就無法衡量哪個版本效果更好，最終的結(jié)果就是不僅研發(fā)人員沒有獲得成就感，公司領(lǐng)導(dǎo)也不知道你做了什么貢獻，自然也不會給你更多的資源用于以后的迭代。當(dāng)然這個案例只是為了證明量化表達的價值而舉的一個簡單案例，更深入的關(guān)于需求量化的內(nèi)容會在第4章詳細描Sequence-to-Sequence模型（一種專門用來解決序列到序列的監(jiān)督學(xué)習(xí)問題的算法，適用場景包含對話機器人、自動生成古詩詞和對聯(lián)等），那知識圖譜（KnowledgeGraph）通常在互聯(lián)網(wǎng)公司被各條產(chǎn)品線的研發(fā)人員廣泛使用，那么在公司內(nèi)部也會成立專門維護公司知識圖譜的研發(fā)組。除此以外，由于機器學(xué)習(xí)需要大數(shù)據(jù)的支撐，數(shù)據(jù)評測（DataTesting）組也是另外一個在數(shù)據(jù)挖掘領(lǐng)域細分出來的部門。從業(yè)務(wù)需求出發(fā)，追本溯源找到知識的源頭，帶著目的去學(xué)習(xí)技術(shù)。在開始學(xué)習(xí)技術(shù)之前，要明確：為什么要學(xué)？為了解決什么樣能算法社區(qū)，了解最新的技術(shù)發(fā)展在工程方面的應(yīng)用效果和最佳實踐，或者去世界頂級期刊訂閱一些所在行業(yè)內(nèi)部應(yīng)用到人工智能技術(shù)的論文。這些都是高效學(xué)習(xí)的方式。除日常的知識積累外，產(chǎn)品經(jīng)理需要經(jīng)常和公司內(nèi)部的技術(shù)專家交換知識和觀點，將自己理解的技術(shù)知識講給技術(shù)專家，看看從他新往往來源于不同領(lǐng)域的知識交叉。圖1-12如果你認(rèn)真讀完以上的章節(jié)，你可以看到相比于傳統(tǒng)產(chǎn)品經(jīng)理的能力模型，人工智能領(lǐng)域在數(shù)據(jù)分析、軟面都對產(chǎn)品經(jīng)理這個崗位提出了更高的要求。那么在人工智能時代，如何能夠成為一個合格的人工智能產(chǎn)品經(jīng)理呢？我總結(jié)了幾點建議給想要轉(zhuǎn)型為人工智能產(chǎn)品經(jīng)理的人。圖1-13odu）融合了各種傳感器、即時定位與地圖構(gòu)建技術(shù)、高精地圖等來自各廠家的軟優(yōu)劣勢、成本、集成難度等都是影響系統(tǒng)集成效果的因素。產(chǎn)品經(jīng)理需要在工程實踐中積累經(jīng)驗并鍛煉資源的統(tǒng)籌管理和風(fēng)險管理能力，在產(chǎn)品迭代過程中從上面提到的三種核心資源角度考慮投入和產(chǎn)出，并拿出合理的解決方案。圖1-14人工智能核心技術(shù)：包括自然語言處理（NaturalLanguageProcessing，NLP）、人機交互（Human-ComputerInteraction，HCI）、計算機視覺（ComputerVision，CV）、生物特征識別（Biometrics）、語音識別（AutomaticSpeechrecognition，ASR）、虛擬現(xiàn)實（VirtualReality，VR）、增強現(xiàn)實（AugmentedReality，AR）、混合現(xiàn)實（MixReality，MR）等，以及算法基礎(chǔ)常識，并理解以上技術(shù)的應(yīng)用場景和人工智能普遍應(yīng)用的產(chǎn)品或服務(wù)可分為三大類：第一類是語音和文字處理，例如人工智能寫新聞稿、機器人客服等；第二類是圖像控，健康風(fēng)險管理系統(tǒng)等。行業(yè)知識體系：具體請參照第2“一招鮮吃遍天”，產(chǎn)品之間競爭并有助于快速準(zhǔn)確地做出判斷。本書第4第2章唯一能改變這種局面的方式就是回到原點，將所有的機頂盒都拆掉，換成一個具有唯一UI的機頂盒。但是目前無法實現(xiàn)這樣的局手機之所以和運營商合作推廣，是因為手機的GSM（GlobalSystemforMobileCommunication）即移動電話標(biāo)準(zhǔn)是全球統(tǒng)一的。但是行業(yè)+目前世界上絕大部分公司都是這種類型或即將變?yōu)檫@種類型，即依賴自身的多年領(lǐng)域積累，給用戶提供人工智能賦能后的產(chǎn)品或服務(wù)。比如福特（od）、通用（）、日產(chǎn)（n），作為傳統(tǒng)汽車企業(yè)近幾年在自動駕駛技術(shù)上投入了大量的人力物力，盡管市場上也出現(xiàn)了像百度、特斯拉（）這樣強勁的互聯(lián)網(wǎng)車企，但就目前情況看來，傳統(tǒng)汽車企業(yè)在無人駕駛汽車行業(yè)中并沒有顯示出明顯的劣勢。圖2-1這類公司通常提供一種基礎(chǔ)功能，客戶可以通過調(diào)用封裝好的應(yīng)用程序編程接口（pponogngn）進行對自身產(chǎn)品的武裝或填充，而無須自己研發(fā)基礎(chǔ)功能。例如人臉識別功能可以被應(yīng)用到各種需要身份驗證的產(chǎn)品中，語音識別功能可以被應(yīng)用到各種人機交互的產(chǎn)品中。研發(fā)核心技術(shù)/“基礎(chǔ)設(shè)施”問題，例如：數(shù)據(jù)從哪來？計算平臺怎么建？建立企業(yè)自身病癥細分為糖網(wǎng)篩查、肺癌篩查、皮膚癌篩查等。過去，研發(fā)（醫(yī)院管理信息系統(tǒng)）的廠商按照不同的流程階段進行切分，而現(xiàn)在會被按照不同病癥分割為不同科室的細分模塊。在行業(yè)被細分的同時，設(shè)計產(chǎn)品的人才需求也被細分。TOB（企業(yè)級應(yīng)用服務(wù)）KPI考核之一就是除此以外，TOB類產(chǎn)品的特殊性決定了在產(chǎn)品管理過程中要考慮產(chǎn)品的CAC（CustomerAcquisitionCost，用戶獲取成本）、產(chǎn)品的LTV（LifeTimeValue，用戶的終身價值）以及產(chǎn)品的PBP（PaybackPeriod，為獲得用戶而付出的成本的回收周期）。因此，需要產(chǎn)品經(jīng)理在在研發(fā)核心技術(shù)基礎(chǔ)平臺的人工智能公司中，公司對產(chǎn)品經(jīng)理的要求更側(cè)重于其對底層技術(shù)框架的理解。例如，對于一家做基礎(chǔ)平臺產(chǎn)品的公司，公司的產(chǎn)品是基于noo（ooge基于進行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)）進行優(yōu)化和研發(fā)的機器學(xué)習(xí)平臺，并提供給第三方在線使用。為了實現(xiàn)公司的產(chǎn)品比原生noow此這類公司更傾向于尋找從事過研發(fā)工作的產(chǎn)品經(jīng)理。什么叫作“懂行業(yè)文本情感分析和觀點挖掘（nnt ny），又被稱為意見挖掘（pnon nng）、主觀分析（ubvy ny），（ulngugeong，自然語言處理）的重要研究方向，是一種對帶有情感色彩的主觀性文本進行分析、處理、歸納和推理的過程。這種技術(shù)可以用來分析品牌優(yōu)劣勢和受歡迎程度的趨勢，通過實時挖掘網(wǎng)絡(luò)上的用戶意見，了解每個品牌在不同維度上的優(yōu)缺點，不僅可以幫助品牌廠商了解自身產(chǎn)品的不足，同時也可以通過對比競爭對手的優(yōu)勢制定精準(zhǔn)的商業(yè)決策，有著很高的商業(yè)價值。在I如，在爬取互聯(lián)網(wǎng)上對衣服薄厚的評價數(shù)據(jù)時，在冬季爬取的大部分有關(guān)衣服薄的評價是負向情感，而在對筆記本電腦的評價中薄代表的評價是正向的，因此在構(gòu)建情感詞典時會因語料、領(lǐng)域背景及任務(wù)的不同而釆用不同的方法。所以，人工智能產(chǎn)品經(jīng)理需要在團隊研發(fā)過程中輸入更多關(guān)于領(lǐng)域常識與行業(yè)背景，幫助研發(fā)團隊縮短模型的調(diào)試和選擇時間。圖2-2行業(yè)運行趨勢：產(chǎn)品經(jīng)理應(yīng)該去主動了解國內(nèi)外的行業(yè)發(fā)展趨勢和方向。包括供應(yīng)商談判能力、購買者談判能力、現(xiàn)有同行競爭的局面、龍頭企業(yè)（不應(yīng)該只限定一家）關(guān)鍵時期，過去的規(guī)律在今天不一定奏效，因此能夠把握趨勢、順勢而為且能有一定預(yù)見性是產(chǎn)品經(jīng)理非常重要的素質(zhì)。競爭力因素分析：產(chǎn)品經(jīng)理需要了解行業(yè)內(nèi)價格、品質(zhì)、質(zhì)量、分銷能力、上游資源、成本、產(chǎn)品差異、技術(shù)壁壘、管理水平、地看，都占據(jù)較高的權(quán)重，在這方面產(chǎn)品經(jīng)理需要格外重視管理和規(guī)劃。政府管制：了解行業(yè)的準(zhǔn)入門檻、國家法規(guī)、價格、稅收、進出口等。各國舊有的法律法規(guī)和行業(yè)標(biāo)準(zhǔn)顯然在迭代速度上已經(jīng)無法適應(yīng)人工智能技術(shù)的迅猛發(fā)展了，國外相繼出現(xiàn)了人工智能應(yīng)用挑戰(zhàn)法律法規(guī)的案例，例如在2016動車政策》（dluodhsoy）（OSTP）下屬國家科學(xué)技術(shù)委員會（NSTC）發(fā)布了《為人工智能的未來做好準(zhǔn)備》（PreparingfortheFutureofArtificialIntelligence），探討美國《國家人工智能研究與發(fā)展戰(zhàn)略計劃》（onllngnehndvopntgcn），提出了美國優(yōu)先發(fā)展的人工智能七大戰(zhàn)略方向及兩方面的建議。在這些報告中提及了知識產(chǎn)權(quán)、隱私和數(shù)據(jù)保護，以及數(shù)據(jù)使用、安全等標(biāo)準(zhǔn)建設(shè)的問題?？梢灶A(yù)見到，我國也會陸續(xù)頒布相關(guān)法案和行業(yè)標(biāo)準(zhǔn)。因此，產(chǎn)品經(jīng)理需要密切關(guān)注這方面的信息，確保公司產(chǎn)品可以合理、合法地參與市場競爭。商業(yè)模式：產(chǎn)品經(jīng)理不僅是將商業(yè)模式落地的執(zhí)行者，同時也是探索商業(yè)模式的先鋒。因此產(chǎn)品經(jīng)理需要關(guān)注行業(yè)的掙錢手段、產(chǎn)析結(jié)果來樹立自己在公司內(nèi)部、外部的行業(yè)專家的形象。只有得到內(nèi)外部的認(rèn)可，才便于爭取更多的公司資源及行業(yè)客戶的認(rèn)可。圖2-3個人/（資料來源：安信證券研究中心圖2-4（另外，你應(yīng)該了解驅(qū)動這個行業(yè)發(fā)展的關(guān)鍵在哪里，這需要從剖析服務(wù)機器人的構(gòu)成開始。個人家庭服務(wù)機器人是軟件、電子組件和機械結(jié)構(gòu)深度集成的產(chǎn)物。從產(chǎn)業(yè)鏈看，上游包括智能芯片、傳感器、激光雷達等，中游包括操作系統(tǒng)提供商、引擎（算法）提供商、云服務(wù)系統(tǒng)提供商等，下游包括集成應(yīng)用、各種場景應(yīng)用等，如圖25局，這有助于判斷合作對象，構(gòu)建合理的產(chǎn)品集成方案。圖2-5個人/（資料來源：安信證券研究中心體五部分構(gòu)成，如圖2-6所示。其核心價值主要集中在核心零部件、AI引擎、操作系統(tǒng)三大部分。圖2-6個人/家庭服務(wù)機器人系統(tǒng)架構(gòu)核心零部件是典型的技術(shù)驅(qū)動型產(chǎn)業(yè)，例如智能芯片包括、、、U等對處理感知計算，特別是視覺及深度學(xué)習(xí)起到了關(guān)鍵作用。產(chǎn)品經(jīng)理應(yīng)關(guān)注核心部件的發(fā)展，由于硬件產(chǎn)品的集成本身就存在較高的替換成本，因此一旦選擇了某種硬件集成方式，當(dāng)產(chǎn)品量產(chǎn)后幾乎沒法替換。但同時，這也是一種非常好的競爭壁壘，如果能拿到某種核心組件的獨家技術(shù)合作，將與競爭對手在不同的賽道比拼。例如蘋果公司收購3Den3D傳感及精準(zhǔn)的地理追蹤性能，構(gòu)成了hone的、no、及人像特效拍攝等亮點功能的技術(shù)基礎(chǔ)。這種判斷就需要依靠產(chǎn)品經(jīng)理敏銳的嗅覺來完成。AI引擎部分主要包含自動語音識別（AutomaticSpeechRecognition，ASR）、機器視覺（ComputerVision，CV）等各種感知交互技由于開源算法的普及以及機器學(xué)習(xí)訓(xùn)練平臺的門檻越來越低，在這個領(lǐng)域中不僅會有大量人工智能創(chuàng)業(yè)公司涌現(xiàn)，而且傳統(tǒng)行業(yè)也將加快掌握人工智能基礎(chǔ)技術(shù)，并依托其積累的行業(yè)資源，參與到這個層面的競爭中來。人工智能時代比拼的是I業(yè)務(wù)場景中的實際問題，算法不能停留在產(chǎn)品宣傳層面，而需要具備實際價值。這需要考驗公司的人才儲備、行業(yè)資源積累及通過算法賦能產(chǎn)品的工程實踐能力。機器人操作系統(tǒng)（）的標(biāo)準(zhǔn)架構(gòu)包含核心層、庫、機器人功能和場景化應(yīng)用。象、底層設(shè)備控制、常用功能實現(xiàn)、進程間消息以及數(shù)據(jù)包管理等。除此之外，還能提供相關(guān)工具和庫，用于獲取、變異、編輯代碼，以及在多個計算機之間運行程序，以完成分布式計算，如圖27所示。操作系統(tǒng)是構(gòu)建生態(tài)圈的關(guān)鍵壁壘，但是構(gòu)建生態(tài)本身需要的時間周期較長、投入較大，因此這種突破口往往不適合初創(chuàng)企業(yè)。圖2-7目前較為主流的機器人操作系統(tǒng)包括Android、ROS（RobotOperatingSystem）。另外，不少國內(nèi)機器人的操作系統(tǒng)也在蓄力和突破，如圖靈機器人的TuringOS、小i機器人的iBotOS和小智機器人的SOS。還有典型的安卓系統(tǒng)開發(fā)的機器人Otonaroid和Kodomoroid，如圖2-8所示。圖2-8機器人Otonaroid和（資料來源：中新網(wǎng)表2-1以“點”圖2-9人工智能產(chǎn)品經(jīng)理要對行業(yè)內(nèi)技術(shù)的發(fā)展和趨勢有準(zhǔn)確的判斷，結(jié)合公司現(xiàn)狀對公司的技術(shù)優(yōu)勢和差距有明確的認(rèn)知。一方面，對能力、數(shù)據(jù)等方面的積累在行業(yè)中的位置。綜合以上兩方面的所有信息，產(chǎn)品經(jīng)理需要在產(chǎn)品定位（包括場景定義）南針，但也不能脫離對公司的技術(shù)天花板的評估。對點的把握能力決定了產(chǎn)品能否進入一個行業(yè)并獲得用戶的初步認(rèn)知。精準(zhǔn)地找到場景并用有競爭力的技術(shù)手段研發(fā)出產(chǎn)品，是踏入行業(yè)的第一步。深挖“點”，變成“線現(xiàn)代管理學(xué)之父彼得德魯克（r.uk）曾經(jīng)說過企業(yè)的目的是創(chuàng)造和留住顧客。在人工智能行業(yè)初期，一定是由技術(shù)驅(qū)動形成單個的場景應(yīng)用和創(chuàng)新，隨著市場同質(zhì)化競爭日趨嚴(yán)重，企業(yè)一旦在某個點建立起競爭優(yōu)勢后，就需要快速轉(zhuǎn)向線，即為客戶創(chuàng)造更豐富的產(chǎn)品和服務(wù)，讓客戶不斷看到新的價值和驚喜，最終積累更多的忠誠客戶。從點到線的變化。如果說互聯(lián)網(wǎng)時代的主流價值觀是流量為王，那么人工智能時代的產(chǎn)品就是獲得更多的超級用戶，這些超級用戶創(chuàng)造了絕大部分的企業(yè)利潤。企業(yè)靠點的創(chuàng)新只會保證其在第一階段獲取更多的初始客戶，如果想要保住這些用戶，而且要讓他們變?yōu)橹艺\的超級用戶，就需要定制化、一站式的完整解決方案。當(dāng)發(fā)現(xiàn)用戶口袋里的錢不夠時，沒關(guān)系，用戶還可以賒賬，這樣又衍生出了金融服務(wù)。按照這種邏輯規(guī)劃出來的產(chǎn)品本質(zhì)上就是解決方案，因為用戶永遠都會不停地挑剔、比較，只有產(chǎn)品的鏈條足夠長，才能保持品牌持久的競爭力。而找到這樣的線工智能產(chǎn)品經(jīng)理重要的使命。挖掘用戶數(shù)據(jù)中的價值，為用戶創(chuàng)造驚喜。例如，如果你是做線上房屋租賃平臺產(chǎn)品的，可以通過分析每個用戶線上的行為和習(xí)慣興趣愛好幫助用戶匹配最適合的房東，當(dāng)用戶想換個地方住的時候還可以提供個性化建議。這就是一種典型的從點到線的思路。人工智能產(chǎn)品經(jīng)理要通過人工智能技術(shù)挖掘那些從量變到質(zhì)變的潛在機會，最終實現(xiàn)產(chǎn)品服務(wù)鏈條化，積累更多的忠誠用戶。橫向拓展“線”，變成“面當(dāng)人工智能產(chǎn)品完成從點到線的變化后，需要進一步鞏固自身優(yōu)勢，讓產(chǎn)品變成面。面包括兩方面的含義，一是通過引入外部資形成公司內(nèi)部的產(chǎn)品生態(tài)。整合外部資源，實現(xiàn)多元化協(xié)作：由于人工智能產(chǎn)品的架構(gòu)復(fù)雜，數(shù)據(jù)、算法、計算能力想要實現(xiàn)快速積累并整合，在某種程度上件供應(yīng)商進行軟硬技術(shù)的融合，通過整合上下游資源形成利益結(jié)盟。布局內(nèi)部產(chǎn)品生態(tài)化：當(dāng)公司的產(chǎn)品線變得豐富后，產(chǎn)品經(jīng)理應(yīng)通過構(gòu)建人工智能統(tǒng)一平臺，實現(xiàn)各條產(chǎn)品線的優(yōu)勢聯(lián)合與價值共考慮整合三條產(chǎn)品線的用戶數(shù)據(jù)和算法（例如智能交互、語義搜索、智能匹配等），競爭力，進而產(chǎn)生更多有價值的數(shù)據(jù)，最終形成良性循環(huán)。另外，當(dāng)公司有新的產(chǎn)品線成立時，可以在公司現(xiàn)有平臺基礎(chǔ)上快速建立自身優(yōu)勢，快速融入公司的產(chǎn)品生態(tài)。如果你想成為人工智能產(chǎn)品經(jīng)理，強烈建議你從了解行業(yè)開始，而不是一開始就學(xué)yhon（一種常見的機器學(xué)習(xí)編程語言），（卷積神經(jīng)網(wǎng)絡(luò)）、（循環(huán)神經(jīng)網(wǎng)絡(luò)）。并不是說這些不重要，只不過作為一個產(chǎn)品經(jīng)理，當(dāng)你連自己的角色都無法扮演好時，即使你可以掌握再多的編程語言，具備再多算法調(diào)試的經(jīng)驗，公司也不敢雇傭你。第3章定義人工智能產(chǎn)品需求誕生是為了降低人與人之間的溝通成本，重新構(gòu)建了人與人之間的關(guān)系。醫(yī)院的（醫(yī)院信息系統(tǒng)）的誕生是為了管理和操作發(fā)生在醫(yī)院管理和醫(yī)療活動中的信息，即重新構(gòu)建醫(yī)生、患者、設(shè)備之間的關(guān)系。理主要關(guān)注的是入口及流量的走向。人工智能實際上給人類帶來的是技術(shù)創(chuàng)新驅(qū)動下的產(chǎn)業(yè)升級，本質(zhì)上是關(guān)注產(chǎn)品本身的價值，如圖31所示。圖3-1人工智能技術(shù)的飛躍發(fā)展為產(chǎn)品設(shè)計和需求定義帶來了新的思路和邏輯。新的趨勢和變化可以被總結(jié)為以下6圖3-2例如在無人駕駛產(chǎn)品中，關(guān)鍵系統(tǒng)和解決方案分別是傳感器、高精度地圖、高級輔助駕駛系統(tǒng)（dvnd vr nt ）和車聯(lián)網(wǎng)。傳感器作為無人駕駛汽車的感應(yīng)系統(tǒng)，用來接收和感知行駛時環(huán)境的動態(tài)變化（如圖33所示）；高精度地圖為無人駕駛汽車提供全局視野；負責(zé)對靜態(tài)、動態(tài)物體進行辨識、偵測與追蹤，從而預(yù)先讓駕駛者察覺到可能發(fā)生的危險，有效提升汽車駕駛的舒適性和安全性；車聯(lián)網(wǎng)能夠保證傳感器數(shù)據(jù)更新上傳，保證無人駕駛汽車的狀況與周圍環(huán)境處于實時更新的狀態(tài)。正是因為傳感器的技術(shù)發(fā)展和成本的降低，使得的部署成本大幅降低。過去只能安裝在高端汽車上，目前已經(jīng)被普遍使用在入門級乘用車上。圖3-3產(chǎn)品經(jīng)理輸出的需求未必是確定的頁面內(nèi)容，可能是一堆規(guī)則和策略。例如，oogedod谷歌關(guān)鍵字廣告或者內(nèi)容聯(lián)盟網(wǎng)絡(luò)來推廣網(wǎng)站的付費網(wǎng)絡(luò)推廣方式，如圖34的用戶推送什么樣的廣告信息，因為產(chǎn)品是千人千面的。產(chǎn)品經(jīng)理只需要給廣告主提供后臺的推廣喜好配置功能以及推廣效果管理功能即可，至于最終用戶打開的頁面如何顯示，則是由算法模型計算后得出的結(jié)果，即搜索結(jié)果頁面都是基于商家偏好配置和用戶精準(zhǔn)匹配算法實現(xiàn)的個性化頁面。圖3-4由于一個完整的人工智能產(chǎn)品體系的搭建通常需要考慮基礎(chǔ)設(shè)施、數(shù)據(jù)采集、數(shù)據(jù)處理、推理和決策等若干環(huán)節(jié)，產(chǎn)品最終的實現(xiàn)效果取決于上面所有因素的協(xié)同。例如，設(shè)計一個提供多場景復(fù)雜交互的機器人產(chǎn)品時，由于對交互的實時性要求較高，系統(tǒng)應(yīng)具備足夠的硬件支撐，包括計算能力（、、、C等）、儲存能力以及各種智能模組（如視覺模組、語音模組）等，因此需要產(chǎn)品經(jīng)理在提出需求的同時綜合考慮配套的硬件要求。宏觀：由于人工智能產(chǎn)品體系復(fù)雜，對某一個功能進行研發(fā)可能有牽一發(fā)而動全身的效果，尤其是某些功能如果要實現(xiàn)較好的效于在需求定義之前將一些不滿足公司整體戰(zhàn)略目標(biāo)的候選功能需求篩掉，并給出定義需求的優(yōu)先級。同時，有了這樣的上帝視角也有助于得到老板、投資人的認(rèn)可，最終讓公司從上至下達成一致。如圖35所示為某機器視覺人工智能公司的整體產(chǎn)品架構(gòu)圖，該公司的整個產(chǎn)品體系可以被分為技術(shù)平臺層、產(chǎn)品服務(wù)層、解決方案層。技術(shù)平臺層為產(chǎn)品服務(wù)層提供了基礎(chǔ)計算和分析引擎，而解決方案層是公司在標(biāo)準(zhǔn)產(chǎn)品基礎(chǔ)上根據(jù)不同行業(yè)的特殊場景定制的一系列解決方產(chǎn)品架構(gòu)中定義功能需求可以保證需求的目標(biāo)明確性及合理性。圖3-5微觀：產(chǎn)品經(jīng)理一旦從宏觀角度篩選出了優(yōu)先級較高的功能，就可以從微觀角度定義具體的功能描述了。產(chǎn)品經(jīng)理應(yīng)盡量給出明確的業(yè)務(wù)背景和業(yè)務(wù)目標(biāo)，并且可以將目標(biāo)進行量化。例如，在電商平臺中可以通過（oshndeou，商品交易總量）提升率作為業(yè)務(wù)目標(biāo)。產(chǎn)品經(jīng)理需要和算法工程師一起在功能需求定義階段明確功能的哪些指標(biāo)可以被量化，以及算法依賴什么樣的數(shù)據(jù)，并提供明確的驗證方法。這樣不僅有助于產(chǎn)品經(jīng)理有的放矢地幫助團隊協(xié)調(diào)公司資源或外部資源，找到高質(zhì)量的數(shù)據(jù)集，而且有助于統(tǒng)一團隊的迭代目標(biāo)。有關(guān)需求量化的內(nèi)容，在3.2節(jié)量化需求分析中有詳細的介紹。非功能性需求通常被描述為一款產(chǎn)品的質(zhì)量屬性（uy bu）質(zhì)量目標(biāo)（uy o）或非行為需求（nonhvolqun），常常被用來評價一個系統(tǒng)或軟件的運行、服務(wù)情況。產(chǎn)品非功能性定義不僅決定了人工智能產(chǎn)品的質(zhì)量，還在很大程度上影響產(chǎn)品的功能需求定義，是支撐產(chǎn)品功能性需求的重要因素。非功能性需求描述不清或缺失往往會為產(chǎn)品研發(fā)埋下重大隱患，甚至在產(chǎn)品上線后抵消功能性需求給用戶帶來的價值。同時，非功能性需求是成功的人工智能軟件硬件架構(gòu)必須關(guān)注的關(guān)鍵要素?？傻眯裕寒a(chǎn)品的數(shù)據(jù)和功能是否可以按照明確的權(quán)限系統(tǒng)控制訪問權(quán)限，并且有效地拒絕未授權(quán)的訪問？例如：得到授權(quán)的用戶是描述清楚了。圖3-6私密性：產(chǎn)品存儲的數(shù)據(jù)受到保護，不會被沒有授權(quán)的人得到。例如人工智能產(chǎn)品的部分?jǐn)?shù)據(jù)經(jīng)常被存儲在云端，這樣有利于產(chǎn)品定期的算法升級、G些居家機器人，因為要獲得用戶的視頻、音頻和各種家庭內(nèi)部傳感器采集的數(shù)據(jù)源，因此此類產(chǎn)品需要盡量將數(shù)據(jù)存儲在本地，并實現(xiàn)局域網(wǎng)內(nèi)部不同物聯(lián)網(wǎng)設(shè)備的本地通信對話機制。國際標(biāo)準(zhǔn)化組織在ISO9241-11標(biāo)準(zhǔn)中將可用性描述為“產(chǎn)品被具體用戶使用，從而在具體的使用環(huán)境中有效地、高效地、滿意地完成具體境等方面?？捎眯孕枨竺枋鐾ǔＥc工程師直接相關(guān)，可用性需求描述得越清楚，在設(shè)計產(chǎn)品時的目標(biāo)就越明確。同時，可用性需期望、他們需要用產(chǎn)品完成的最終目標(biāo)，以及他們使用產(chǎn)品時的真實場景等。更多關(guān)于易用性的描述請參照ISO9241（交互式計算機系統(tǒng)的人類工效學(xué)國際標(biāo)準(zhǔn)）。人工智能產(chǎn)品通常融合了顛覆性的創(chuàng)新技術(shù)手段，觀感需求對于產(chǎn)品品牌的建立和識別非常重要。例如無人駕駛汽車的設(shè)計一定要與普通汽車不同，要有顯著的識別特征，這樣對于購買無人駕駛汽車的用戶來說是一種尊重，他們可以通過汽車的強識別性展示自己品味的不同。如圖37展現(xiàn)的是特斯拉odl加抽象。圖3-7特斯拉Model出錯頻率：是否已經(jīng)明確了產(chǎn)品在使用過程中多長時間內(nèi)（或在某些運行流程或運行條件中）的故障頻率的上限是多少，是否明確了故作系統(tǒng)、其他支持軟件、輸入數(shù)據(jù)格式和范圍以及操作規(guī)程等。人工智能產(chǎn)品背后都有復(fù)雜的算法模型，一旦后臺算法、模型發(fā)生變化，意圖識別、推薦策略等都可能受到影響。另外，加上實時在線學(xué)習(xí)技術(shù)的引入，產(chǎn)品的運行狀態(tài)監(jiān)控和錯誤識別對公司的測試流程和平臺分析架構(gòu)都提出了新的挑戰(zhàn)，傳統(tǒng)的人工全量回歸測試的效率和成本都是不能被接受的。人工智能產(chǎn)品經(jīng)理應(yīng)特別留意積累工程實踐中產(chǎn)品的運行風(fēng)險，并有針對性地提出可以被量化的可靠性需求，用明確的需求指引架構(gòu)師和測試團隊制定專門的工作流程和目標(biāo)。例如，某些互聯(lián)網(wǎng)公司會建立自動化I歸所有算法分類場景、及時定位具體產(chǎn)生的環(huán)節(jié)、自動提交清單等。響應(yīng)時間：是指系統(tǒng)對請求做出響應(yīng)的時間。對于系統(tǒng)響應(yīng)時間，有一個普遍的標(biāo)準(zhǔn)——2510秒原則。也就是說，在2秒之內(nèi)響應(yīng)客戶，被用戶認(rèn)為是非常有吸引力5秒之內(nèi)響應(yīng)客戶，被認(rèn)為是還算不錯的用戶體驗；在10秒內(nèi)響應(yīng)用戶，被認(rèn)為是很慢但也可以接受的用戶體驗。如果超過10秒還沒有得到響應(yīng)，那么大多數(shù)用戶會認(rèn)為這次請求糟透了，或認(rèn)為系統(tǒng)已經(jīng)失去了響應(yīng)。在人工智能時代，用戶只會對系統(tǒng)的反饋要求更加苛刻。產(chǎn)品經(jīng)理要調(diào)研、測試用戶在不同場景中的忍受限度，并提出合理的要求。吞吐量：是指系統(tǒng)在單位時間內(nèi)處理請求的數(shù)量，是產(chǎn)品性能承載能力的關(guān)鍵衡量指標(biāo)之一。吞吐量在不同情況下用不同的指標(biāo)單位進行衡量和描述：請求數(shù)秒、頁面數(shù)秒、訪問人數(shù)天、處理的業(yè)務(wù)數(shù)小時、字節(jié)數(shù)L在網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)流量。吞吐量作為一種人工智能產(chǎn)品的重要性能指標(biāo)，直接影響了用戶體驗，產(chǎn)品經(jīng)理應(yīng)明確提出產(chǎn)品在不同場景中的吞吐量需求。例如，產(chǎn)品經(jīng)理在設(shè)計一款帶語音交互功能的智能音響產(chǎn)品（如圖38所示）為當(dāng)產(chǎn)品在單位時間內(nèi)接收到來自一個或多個用戶的多條命令時，其處理效率直接影響了用戶的交互體驗。圖3-8并發(fā)用戶數(shù)：平均并發(fā)用戶數(shù)的計算公式為n，其中是平均的并發(fā)用戶數(shù)，n是平均每天訪問用戶數(shù)，L是一天內(nèi)用戶從登錄到退出的平均時間，是考察時間長度（一天內(nèi)多長時間有用戶使用系統(tǒng)）。并發(fā)用戶數(shù)是指在同一時間段內(nèi)訪問系統(tǒng)的用戶數(shù)量。隨著大規(guī)模的流式數(shù)據(jù)計算，深度模型在線學(xué)習(xí)技術(shù)的落地越來越成熟，人工智能產(chǎn)品的并發(fā)性能需要強大的計算能力，是對軟硬件技術(shù)的雙重考驗。例如，某些電商平臺的在線學(xué)習(xí)的（nonrond，每秒事務(wù)數(shù)）會經(jīng)常達到百萬次級別。因此產(chǎn)品經(jīng)理需要積累這方面的經(jīng)驗以預(yù)估軟硬件基礎(chǔ)設(shè)施的投入。與吞吐量相比，并發(fā)用戶數(shù)的描述盡管更容易被理解，但是具有先天的缺陷，因為用戶在使用軟件的不同模式或場景下對服務(wù)器產(chǎn)生的壓力（向服務(wù)器發(fā)出的請求量）是完全不同的。舉一個視頻網(wǎng)站的例子，假設(shè)該網(wǎng)站有5萬名注冊用戶（系統(tǒng)用戶數(shù)），在線統(tǒng)計中發(fā)現(xiàn)訪問高峰期有8000個用戶同時在線，在這8000個用戶中，有50的用戶停留在首頁瀏覽各種視頻欄目（沒有觀看任何視頻），戶對服務(wù)器產(chǎn)生的負擔(dān)是非常小的，甚至可以忽略不計。有20的用戶盡管登錄了，但是并沒有產(chǎn)生任何操作，剩下的30的用戶正在觀看網(wǎng)站里的視頻內(nèi)容，也就是說只有這30的用戶真正對服務(wù)器構(gòu)成了壓力。因此，無法單從并發(fā)用戶數(shù)這個指標(biāo)來衡量系統(tǒng)的性能表現(xiàn)，還需要結(jié)合多維度的性能參數(shù)。資源利用率：一款軟件產(chǎn)品的性能通常受到服務(wù)器的資源利用率（資源的實際使用總的資源可用量）的影響，通常表現(xiàn)為處理效率應(yīng)對軟件性能瓶頸的意外來臨。通常服務(wù)器的、、內(nèi)存的占用率是比較常用的資源利用率指標(biāo)。當(dāng)然，在描述的時候要將預(yù)期的最高并發(fā)量同時進行聲明。例如，由于的稠密矩陣計算能力在某些場景中不能得到充分發(fā)揮，因此和的混合架構(gòu)下的異構(gòu)計算成了當(dāng)前最具經(jīng)濟性的選擇，如圖39所示。某些產(chǎn)品中的服務(wù)在夜間是流量低谷，造成了大量設(shè)備的低U機器上面，可以為公司節(jié)省大量的資源和成本。圖3-9圖3-10效率的安裝部署流程就意味著為企業(yè)節(jié)省大量部署、升級的成本。例如，b應(yīng)用的自動化打包和發(fā)布可以采用ok容器化部署方式，研發(fā)人員將配置集成到產(chǎn)品中，不需要運維人員關(guān)心具體的配置，可節(jié)省大量配置時間。量化需求分析不僅在前期技術(shù)預(yù)研和項目評估方面有好處，而且對產(chǎn)品研發(fā)、測試及上線后對產(chǎn)品功能的表現(xiàn)結(jié)果可以進行精準(zhǔn)的驗證。例如根據(jù)被量化的目標(biāo)，測試人員在進行測試（是一種分離式組間實驗，為同一個目標(biāo)制定兩個方案，讓一部分用戶使用用戶使用方案，比較哪個方案效果更好）的時候，比較新的功能投放后的效果表現(xiàn)是否明顯。BR（點擊通過率）和轉(zhuǎn)化率（指在一個統(tǒng)計周期內(nèi)，網(wǎng)站的獨立訪客完成轉(zhuǎn)化行為的次數(shù)占推廣信息總點擊次數(shù)的比率）分別帶來了2.4和4.1的提升，而這樣的表現(xiàn)超出了一開始產(chǎn)品經(jīng)理量化的目標(biāo)，即R和轉(zhuǎn)化率各2的提升目標(biāo)，因此我們認(rèn)為，這樣的表現(xiàn)足以證明該功能值得被全量推廣使用。而如果在測試后發(fā)現(xiàn)效果提升不明顯或RV轉(zhuǎn)化率還不如過去的時候，產(chǎn)品經(jīng)理需要跟研發(fā)人員開會討論到底是算法調(diào)優(yōu)問題——求的量化標(biāo)準(zhǔn)一開始就定得離譜。當(dāng)團隊再一次達成共識后，產(chǎn)品經(jīng)理需要提出改進設(shè)計方案，重新進入研發(fā)環(huán)節(jié)，再到測試環(huán)節(jié)，直到實驗結(jié)果達到可以被全量推廣應(yīng)用的程度，即完成了新版本的迭代。整個流程如圖311所示。圖3-11商品推薦功能的A/B類似這樣的以量化需求為基礎(chǔ)、以測試為驗證方式的研發(fā)過程可以被看作是一種典型的通過數(shù)據(jù)驅(qū)動決策的案例。整個團隊都會從這合理與否，需要用數(shù)據(jù)說話，而不是任何人拍腦袋想出來的。可能你會問，不是要量化需求嗎，為什么還需要符合產(chǎn)品愿景？那是因為產(chǎn)品愿景和產(chǎn)品成功標(biāo)準(zhǔn)本身在人工智能產(chǎn)品中就是需要被量化的。例如：某電商平臺在今年需要通過優(yōu)化推薦算法實現(xiàn)（平臺類電商的通用說法，是指拍下金額，包括付款和未付款的總額）升至少30。另外，在自動駕駛領(lǐng)域中，美國國家公路交通安全管理局（）、國際自動機械工程師學(xué)會（）都有各自的分級標(biāo)準(zhǔn)。其中，以分級最詳細，也是美國交通部選擇的評定標(biāo)準(zhǔn)，分為0到5級，分別對應(yīng)不智能、駕駛輔助、半智能、條件智能、高度智能、完全智能，如圖312所示。一款自動駕駛汽車，產(chǎn)品的愿景可能是實現(xiàn)某個級別的自動駕駛標(biāo)準(zhǔn)。產(chǎn)品需要實現(xiàn)的目標(biāo)可以被分為宏觀目標(biāo)和微觀目標(biāo)，兩者同樣重要，且缺一不可。圖3-12圖3-13總結(jié)以上提到的內(nèi)容，定義場景中量化需求有如下步驟（不同場景順序可以靈活變動）考慮內(nèi)部因素。需求量化需要考慮，不同類型的數(shù)據(jù)集訓(xùn)練出的模型可能完全不同，模型的量化標(biāo)準(zhǔn)要按照不同類型的模型區(qū)別對待。例如，手持眼底相機成像效果差，而三維T是否權(quán)威詳盡，專家知識儲備和經(jīng)驗是否是經(jīng)過權(quán)威認(rèn)證的，這些都是在進行需求量化前需要考慮的因素。圖3-14在工程實踐中，由于場景需求不同導(dǎo)致精準(zhǔn)率和召回率的側(cè)重點不同。例如銀行對百元假幣預(yù)測時，對精準(zhǔn)率的要求就極高，需要盡量做到檢測出的假幣100是假幣，里面沒有真幣；而在醫(yī)療過程中，對腫瘤的預(yù)測就需要具備較高的召回率，絕對接受不了為健康的情況。的ROI（ReturnonInvestment，投入產(chǎn)出比）。第4《人工智能標(biāo)準(zhǔn)化白皮書（2018版）（2018版）圖4-1整個人工智能產(chǎn)品體系作為一個動態(tài)流程，本質(zhì)上都是圍繞數(shù)據(jù)采集、存儲、計算展開的。傳感器制造商作為基礎(chǔ)設(shè)施的一部分，提供了針對互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的數(shù)據(jù)采集工作的各種軟硬件產(chǎn)品，包括傳感器、攝像頭、麥克風(fēng)、觸摸屏、網(wǎng)絡(luò)數(shù)據(jù)采集器等。智能芯片和系統(tǒng)開發(fā)商提供基礎(chǔ)設(shè)施中所需要的運算能力，例如、、、等。基礎(chǔ)平臺包括分布式計算框架提供商及網(wǎng)絡(luò)提供商提供的平臺保障和首先，數(shù)據(jù)提供者利用各種數(shù)據(jù)采集手段采集原始數(shù)據(jù)。數(shù)據(jù)處理者完成對數(shù)據(jù)的加工（包括清洗、轉(zhuǎn)換、歸一化、拆分、采樣等處理方式）。接下來，為了實現(xiàn)智能推理和決策，數(shù)據(jù)處理者需要進行模型訓(xùn)練，按照不同的產(chǎn)品型。數(shù)據(jù)處理過程是人工智能產(chǎn)品實現(xiàn)模擬人類行為能力的核心，目標(biāo)是從數(shù)據(jù)中獲取經(jīng)驗形成模型，并對新問題進行識別與預(yù)測。最后，將新數(shù)據(jù)輸入到訓(xùn)練好的模型中，并輸出結(jié)果，推斷的結(jié)果支撐了產(chǎn)品對外表現(xiàn)出的智能執(zhí)行與輸出，表現(xiàn)形式包括：運動、顯示、發(fā)聲、交互、合成等。傳感器是一種物理裝置或生物器官，能夠探測、感受外界的信號、物理條件（如光、熱、濕度）或化學(xué)組成（如煙霧），并將探知的信息傳遞給其他裝置或器官。傳感器的作用是將一種信號模式轉(zhuǎn)換為另外一種信號模式。按照應(yīng)用領(lǐng)域不同，可以將傳感器分為如下類型：壓力傳感器、濕度傳感器、溫度傳感器、H感器、位移傳感器、稱重傳感器、測距傳感器等。在人工智能領(lǐng)域流傳一句諺語“Garbagein，garbageout”，即表達數(shù)據(jù)作為人工智能的養(yǎng)料，其質(zhì)量決定了最終人工智能模型和落地效果的酶、抗體、抗原、微生物、細胞、組織、核酸等生物活性物質(zhì)）、適當(dāng)?shù)睦砘瘬Q能器（如氧電極、光敏管、場效應(yīng)管、壓電晶體等等）及信號放大裝置構(gòu)成的分析工具或系統(tǒng)。目前生物傳感器主要被用于醫(yī)療保健領(lǐng)域（例如糖尿病人的血糖監(jiān)測）、食品檢測領(lǐng)域（例如測定食物尤其是肉食及蜂蜜中抗生素、生長促進素等的藥物殘留）、環(huán)境檢測領(lǐng)域（例如河流污染物檢測）等。圖42傳感器（概念產(chǎn)品）。圖4-2光敏傳感器，是利用光敏元件將光信號轉(zhuǎn)換為電信號的傳感器，可以抽象理解為模擬人的視覺能力，是人工智能產(chǎn)品的眼睛光敏傳感器被廣泛應(yīng)用于民用和商用領(lǐng)域，例如攝像頭里的圖像傳感、、人體感應(yīng)燈、人體感應(yīng)開關(guān)、光控玩具、光控開關(guān)、手機屏幕亮度調(diào)節(jié)等，都是光敏傳感器的應(yīng)用實例。如圖43所示是手機亮度自動調(diào)節(jié)的應(yīng)用場景。聲音傳感器。這種傳感器的作用相當(dāng)于一個話筒。它用來接收聲波，顯示聲音的振動圖像?？梢猿橄罄斫鉃槟M人的聽覺能力，是人工智能產(chǎn)品的耳朵。該傳感器內(nèi)置一個對聲音敏感的電容式駐極體話筒，聲波使話筒內(nèi)的駐極體薄膜振動，導(dǎo)致電容的變化，而產(chǎn)生與之對應(yīng)變化的微小電壓。這一電壓隨后被轉(zhuǎn)化成0～5的電壓，經(jīng)過轉(zhuǎn)換被數(shù)據(jù)采集器接受，并傳送給計算機。聲音傳感器被廣泛應(yīng)用于軍的戰(zhàn)術(shù)布置方案。在民用領(lǐng)域，常見的走廊聲控?zé)艟陀玫搅俗詈唵蔚穆曇魝鞲衅?。如圖44所示是一個最簡單的聲音傳感器模塊。圖4-3圖4-4化學(xué)傳感器。是對各種化學(xué)物質(zhì)敏感并將其濃度轉(zhuǎn)換為電信號的傳感器，可以抽象理解為模擬人的嗅覺能力，是人工智能產(chǎn)品的鼻子?；瘜W(xué)傳感器的概念比較寬泛，具體可以分為氣體傳感器（常見的9種氣體傳感器如圖45所示）感器被廣泛應(yīng)用于大氣污染監(jiān)測、礦產(chǎn)資源的探測、氣象觀測、工業(yè)自動化、農(nóng)業(yè)生鮮保存等領(lǐng)域與場景中。圖4-5常見的9目前傳感器主要被應(yīng)用于四類人工智能產(chǎn)品，分別是：可穿戴應(yīng)用、高級輔助駕駛系統(tǒng)（dvndvrney，）、健康監(jiān)測、工業(yè)控制。作為人工智能產(chǎn)品經(jīng)理，應(yīng)該了解傳感器的最佳實踐和工程應(yīng)用情況，并掌握技術(shù)發(fā)展趨勢的預(yù)判能力。例如在無人駕駛汽車上可供選擇的傳感器至少有激光、毫米波、超聲波、紅外線等，產(chǎn)品經(jīng)理需要了解每種傳感器的造價，以及每種環(huán)境下的精度和穩(wěn)定性。例如當(dāng)前階段，安置在車頂用于掃描環(huán)境的是多線激光雷達，安裝在車子前方和后方用于探測遠方障礙物的主要是單線激光雷達、毫米波雷達等。表41中展示了無人駕駛的傳感器在各種環(huán)境中的表現(xiàn)能力。本質(zhì)上，無論是哪種傳感器，技術(shù)的發(fā)展趨勢都展現(xiàn)出了同樣的規(guī)律，即多功能化、智能化、網(wǎng)絡(luò)化、微型化、集成化。表4-1隨著深度學(xué)習(xí)在各種領(lǐng)域和場景中（如圖像識別、語音識別、搜索推薦引擎等）訓(xùn)練（nng）和推斷（nn）由于需要強大的計算能力作為前提，故從某種意義上來說芯片已經(jīng)成為人工智能領(lǐng)域建立競爭壁壘的關(guān)鍵武器。圖4-6第二種類型是用作云端推斷（InferenceonCloud）的芯片，目前主流人工智能應(yīng)用需要通過云端提供服務(wù)，將采集到的數(shù)據(jù)傳輸送到云端CPU、GPU、TPU去處理推斷任務(wù)，然后再將數(shù)據(jù)返回終端，即將推斷環(huán)節(jié)放在云端而非終端設(shè)備上。第三種是為各種終端設(shè)備（嵌入式設(shè)備）包括智能手機、智能安防攝像頭、機器人、自動駕駛、等設(shè)備提供設(shè)備端推斷（nneonv）的芯片。由于設(shè)備端的運行環(huán)境是變化的，這就導(dǎo)致網(wǎng)絡(luò)通訊帶來的延遲響應(yīng)會影響云端推斷的推斷速度，甚至在某些沒有網(wǎng)絡(luò)信號的環(huán)境中，云端推斷無法執(zhí)行，這就導(dǎo)致人工智能產(chǎn)品根本無法運行。尤其是那些需要快速進行推斷、決策并執(zhí)行輸出的機器人產(chǎn)品，需要在和用戶的交互過程中進行快速響應(yīng)并滿足用戶需求。為了解決這樣的問題，設(shè)備端（終端）芯片成為解決問題的重要手段。但是設(shè)備端推斷芯片目前由于性能普遍較差，因此主要被用來進行一些相對簡單的、對實時性要求很高的推斷。另外，算法模型升級和運維成本較高也是設(shè)備端芯片的缺點，而云端推斷通?？梢愿鶕?jù)需求配置足夠強大的硬件資源，適合運行一些復(fù)雜的、允許有一定延時的算法模型。因此，考慮到整體解決方案的投入產(chǎn)出比，二者并沒有好壞之分。（dogbeey，可編程門陣列）是一種集成大量基本門電路及存儲器的芯片，可通過輸入配置文件來定義這些門電路及存儲器間的連線，從而實現(xiàn)特定的功能。在生產(chǎn)出來后仍然可以進行自由升級和修改，就如一塊可重復(fù)刷寫的白板一樣，特別適合芯片制造商作為快速投放市場試錯的原型版本，當(dāng)原型不適合市場需求時，迅速進行修改迭代。本質(zhì)上是用硬件實現(xiàn)軟件算法，因此在實現(xiàn)復(fù)雜算法方面對企業(yè)有一定的技術(shù)門檻要求。在支持各種深度學(xué)習(xí)的計算任務(wù)時，對于大量的矩陣運算，優(yōu)于，但是當(dāng)處理小計算量、大批次的計算時，性能優(yōu)于，另外有低延遲的特點，非常適合在推斷環(huán)節(jié)支撐海量的用戶實時計算并發(fā)請求。（pponpcngdu，應(yīng)用專用集成電路）是一種為專門目的而設(shè)計的集成電路，通常是在特定用戶要求下或為了配合某種電子系統(tǒng)的要求，而被設(shè)計和制造出的。相比于，的缺點是試錯成本較高，即一旦定板、開模后就不能再變，再加上芯片設(shè)計周期較長，因此投資風(fēng)險較大。但采用這種方案的好處也很多，例如可以將算法模型燒到芯片里，運算效率將會非常高，而且一旦量產(chǎn)，單個芯片的造價會變得極低。由于芯片面積較小，因此功耗極低。一種策略性的做法是，先將芯片原型以形式做出來，在市場中進行充分的測試和調(diào)整，然后再進行生產(chǎn)。4-7所示。圖4-7根據(jù)美國國家標(biāo)準(zhǔn)與技術(shù)研究院（）的定義，云計算是一種按使用量付費的模式，這種模式提供可用的、便捷的、按需的網(wǎng)絡(luò)訪問，進入可配置的計算資源共享池（資源包括網(wǎng)絡(luò)、服務(wù)器、存儲、應(yīng)用軟件、服務(wù)），這些資源能夠被快速提供，只需投入很少的管理工作，或與服務(wù)供應(yīng)商進行很少的交互。人工智能可以利用云計算技術(shù)實現(xiàn)基礎(chǔ)資源層的彈性伸縮并以很低的價格供用戶使用。例如深度學(xué)習(xí)需要大量的數(shù)據(jù)集訓(xùn)練一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，這個過程依賴于大量的計算資源，如果每個企業(yè)都需要自己購買硬件服務(wù)器作為計算資源，那么不僅對于企業(yè)來說風(fēng)險很高，對于整個社會來說也將產(chǎn)生大量的資源浪費。數(shù)據(jù)采集（aquon）過程類似于人用耳朵聽、用眼睛看、用鼻子聞等各種感受外界的行為，接收外部信息是人制定決策、采取行動、擺明態(tài)度之前的重要一步，人工智能產(chǎn)品同樣需要這樣的過程。沒有數(shù)據(jù)的采集，機器不會憑空學(xué)習(xí)，而學(xué)習(xí)的內(nèi)容決定了機器可以實現(xiàn)智能化、類人化的上限。不同人工智能產(chǎn)品的數(shù)據(jù)采集過程完全不同，由于數(shù)據(jù)類型多、數(shù)據(jù)量大，需要采用各種工具和技術(shù)輔助才能實現(xiàn)采集過程。隨著計算資源、開放訓(xùn)練平臺的使用門檻越來越低，依靠計算能力在人工智能領(lǐng)域中建立門檻，已經(jīng)越來越難。谷歌的CloudTPU（CloudTensorProcessingUnit）已經(jīng)實現(xiàn)只需要數(shù)百美元的代價就可以在24小時內(nèi)將ImageNet（計算機視覺系統(tǒng)識別項目名稱，是目前世界上圖像識別數(shù)據(jù)采集階段首先考慮的重點是數(shù)據(jù)從哪來，和聯(lián)合發(fā)布的《20202020年數(shù)字宇宙將會膨脹到40000，均攤到每個人身上是5200以上?；ヂ?lián)網(wǎng)行業(yè)的數(shù)據(jù)由于原本就存放在各種類型的數(shù)據(jù)庫里，具備天然的優(yōu)勢，因此互聯(lián)網(wǎng)巨頭掌握著壟斷性的行業(yè)數(shù)據(jù)量。谷歌搜索廣告業(yè)務(wù)帶來了海量的用戶搜索和歷史瀏覽的記錄數(shù)據(jù)。book上用戶平均每天分享25億個內(nèi)容條目，包括狀態(tài)更新、墻上的帖子、圖片、評論和視頻，上傳約3億張圖片。這些數(shù)據(jù)可以讓廣告主將用戶的社交圖譜與其他數(shù)據(jù)結(jié)合起來，通過分析用戶去過的地方和購買行為構(gòu)建更豐富的用戶畫像，以便于精準(zhǔn)營銷。除了社交網(wǎng)絡(luò)、搜索引擎這些互聯(lián)網(wǎng)數(shù)據(jù)采集渠道，萬物互聯(lián)時代，對線下場景數(shù)據(jù)的采集隨著各類傳感器技術(shù)的發(fā)展也成為兵家必爭之地。例如，on通過收購線下超市hoeood、創(chuàng)建無人便利店ono，以及推出智能語音控制音響ho等手段采集用戶的偏好和消費行為的數(shù)據(jù)。\h圖4-8ICPSR\h圖4-9加州大學(xué)歐文分校（UniversityofCalifornia，Irvine，簡稱UCI）創(chuàng)立的機器學(xué)習(xí)社區(qū)，涵蓋六大領(lǐng)域的不同數(shù)據(jù)格式和類型的數(shù)據(jù)集，如4-10所示。網(wǎng)址：/ml。圖4-10數(shù)據(jù)堂，提供包括語音識別/語料庫、圖像識別/視頻處理、生活服務(wù)/天氣、社交網(wǎng)絡(luò)/4-\h圖4-11網(wǎng)絡(luò)爬蟲（WebCrawler）：爬蟲本質(zhì)上是一種自動獲取網(wǎng)頁內(nèi)容并可以按照指定規(guī)則提取相應(yīng)內(nèi)容的程序，同時也是搜索引擎的重要組成圖4-12第三方合作，整合行業(yè)資源，與友商或上下游的合作伙伴交換或購買數(shù)據(jù)。例如做精準(zhǔn)醫(yī)療的人工智能公司可以從醫(yī)院獲得不包含患者姓名、手機號等敏感信息的醫(yī)學(xué)影像數(shù)據(jù)。還有常見的電商公司與新聞聚合應(yīng)用之間經(jīng)常有數(shù)據(jù)合作關(guān)系，它們會交換用戶的（國際移動設(shè)備識別碼，nnonlobequpntdny），和（廣告標(biāo)識符，dnrordvng）數(shù)據(jù)，這也就是為什么用戶剛從電商網(wǎng)站上逛了一會兒運動鞋的店鋪，打開新聞客戶端就會看到有關(guān)運動鞋的廣告，這些其實都是數(shù)據(jù)交換的結(jié)果。圖4-13衡量數(shù)據(jù)質(zhì)量的“四個R”關(guān)聯(lián)度（vny）：人工智能產(chǎn)品中的算法模型在訓(xùn)練過程中，對領(lǐng)域數(shù)據(jù)的關(guān)聯(lián)度要求極高。關(guān)聯(lián)度是評價數(shù)據(jù)的首要標(biāo)準(zhǔn)，因為如果關(guān)聯(lián)度不夠高，其他所有指標(biāo)都毫無意義。例如在自然語言處理（ulngugeong，）領(lǐng)域中，想讓機器學(xué)會如何與人交流需要大量的強關(guān)聯(lián)數(shù)據(jù)，盡管我們可以輕易地從各種網(wǎng)絡(luò)資源中獲取文本數(shù)據(jù)集，但絕大多數(shù)這樣的數(shù)據(jù)并不夠自然語言，也就是說它們并不能代表一個普通人在正常的交流中的談話。在實際案例中，為了提高數(shù)據(jù)的關(guān)聯(lián)度，谷歌采集了65000個來自幾千個人的一秒長的語30個英文單詞中選取，通過這種方法，最終獲得了真實的自然語言數(shù)據(jù)集。圖414所用的軟件界面。圖4-14Google可信性（by）：對于很多類型的人工智能產(chǎn)品來說，數(shù)據(jù)的可信性是獲取用戶信任的關(guān)鍵因素。例如做一款可以預(yù)測心臟病信來自于經(jīng)驗豐富的專家或教授級別的醫(yī)生所給出的核心數(shù)據(jù)。70%～80%。模型選取、訓(xùn)練的時長反而只占到了相對較小的一部分。Kaggle公司的創(chuàng)始人安東尼·高德布盧姆曾這樣描述，“流傳著這樣一個笑話，80%的數(shù)據(jù)科學(xué)家的時間都數(shù)據(jù)質(zhì)量，對于任何一個有志成為數(shù)據(jù)驅(qū)動型的公司都非常重要。企業(yè)需要將數(shù)據(jù)治理作為常態(tài)，變成公司文化的一部分，僅依靠T門進行常規(guī)的數(shù)據(jù)治理是遠遠不夠的，要依靠公司全體成員來維護數(shù)據(jù)的質(zhì)量，保證實現(xiàn)。實際上某些企業(yè)不僅內(nèi)部對數(shù)據(jù)治理采取了動作，而且讓自己的用戶也參與到這樣的工作過程中來了。例如谷歌地圖就采取各種方式鼓勵用戶提供最新的、最真實的路況校驗結(jié)果，通過這樣的持續(xù)性的反饋，反過來給用戶提供了更好的產(chǎn)品體驗。數(shù)據(jù)處理是人工智能體系中通過對原材料（例如圖像、文字、神經(jīng)元信號等）進行加工，并賦予機器類似于人的技能的關(guān)鍵過程。2060化編碼，使計算機可以應(yīng)用這些知識來求解類似的問題。典型的基于規(guī)則的專家系統(tǒng)架構(gòu)如圖415所示。盡管專家知識融合了對問題的理論理解、大量被經(jīng)驗所證實的啟發(fā)式問題求解規(guī)則（在某種意義上均可以被各種公式表達），利用如果—就（—hn）規(guī)則定義的，是一種自上而下的思路。圖4-15有關(guān)數(shù)據(jù)處理（機器學(xué)習(xí)）的流程和關(guān)鍵技術(shù)在本書第5機器“大腦”表4-2人腦與計算機的比較單從統(tǒng)計數(shù)據(jù)上比較，目前計算機和人腦在某些運算單元的量級上已經(jīng)非常接近，人腦大概有接近1000萬億個神經(jīng)元（構(gòu)成神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的基本單位）和1000億個突觸（兩個神經(jīng)元之間或神經(jīng)元與效應(yīng)器細胞之間相互接觸，并借以傳遞信息的部位），而一個典型的計算機100是人腦處理速度的100萬倍，但是人腦進行的是并行處理，計算機進行的是順序處理，所以在處理某些問題上人腦的效率更高。識別（ognon）。識別本質(zhì)上屬于感知范疇，人和機器一樣，都需要從對環(huán)境及客體的識別開始，進而對識別到的東西做出判法實現(xiàn)這個過程的。在計算機科學(xué)領(lǐng)域，模式識別（nognon）是機器學(xué)習(xí)的一個分支，它側(cè)重于識別數(shù)據(jù)中的模式和規(guī)律，在某些情況下它被認(rèn)為與機器學(xué)習(xí)幾乎是同義詞。以圖像識別的過程為例，一般是先將大量的圖像進行處理，抽取主要表達特征并將特征與圖像的代碼存在計算機中，這一過程叫作訓(xùn)練。接下來的識別過程是對輸入的新圖像經(jīng)處理后，與計算機中的所有圖像進行比較，找出最相近的（分類或回歸）作為識別結(jié)果，這一過程叫作匹配。由于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法的快速發(fā)展，目前模式識別在計算機視覺（例如醫(yī)學(xué)圖像分析、文字識別）、自然語言處理（語音識別、手寫識別）、生物特征識別（人臉、指紋、虹膜識別）理解和推理（ndndngndonng）。識別更強調(diào)人對于環(huán)境感知的分類、打標(biāo)簽、召回數(shù)據(jù)的能力。而理解和推理更強調(diào)明確地區(qū)分、深層次地解釋和歸納總結(jié)數(shù)據(jù)的能力。對于人類來說理解一件事要遠比識別一件事更復(fù)雜——對信息的處理周期和邏輯更復(fù)雜。例如，當(dāng)你看到外面下雨時就知道天氣不好，這很容易做出識別，但你可能并不理解是什么原因?qū)е碌奶鞖獠缓?，你需要學(xué)習(xí)雨是怎么形成的，以及它是如何影響天氣的，最終才能推理出為什么天氣不好，更進一步，你還會通過學(xué)習(xí)一些心理學(xué)以及生理知識，來推理出為什么糟糕的天氣會影響心情，整個過程如圖416所示。因此理解又被稱作思維意念，是一種對人、客體、環(huán)境和信息進行處理的心理過程。它從本質(zhì)上決定了我們?nèi)绾慰创吞幚砦覀冎車娜撕铜h(huán)境的關(guān)系。人工智能目前在這個環(huán)節(jié)還不能獨立運行，仍然需要通過和人類指導(dǎo)相結(jié)合的方式才能實現(xiàn)。圖4-16做決策（onkng）。無論對于人類還是人工智能來說，做決策都是基于對外界客體、事物、環(huán)境的理解和判斷來決定采取什么樣的行動。其本質(zhì)上是一個認(rèn)知過程，但是側(cè)重點在于尋找那些可供選擇的方案，以及應(yīng)采取什么樣的行動。做決策最終都會展現(xiàn)為對待某件事采取某種行為或意見，只不過人類在做決策的過程中，會受到人本身的需求和價值觀的影響，而機器往往并不具備這樣復(fù)雜的決策依據(jù)。因此，在當(dāng)前階段，人工智能大多數(shù)以弱人工智能輔助人類做決定，而不是以替代人類獨立做決策的形式被應(yīng)用到各種場景中。例如，在目前的絕大多數(shù)客服系統(tǒng)中，還是以機器輔助人類的方式運行著。一個典型的人工智能輔助客服流程如圖417所示。圖4-17構(gòu)建一個完整的人工智能產(chǎn)品體系通常需要多方協(xié)作，包括基礎(chǔ)設(shè)施提供者（包括芯片和平臺的軟硬件廠商）等在內(nèi)的各種公司或公司內(nèi)部的各種業(yè)務(wù)部門，這種復(fù)雜的協(xié)同工作，通常需要公司內(nèi)部組成一個整體協(xié)調(diào)小組（至少包括產(chǎn)品經(jīng)理和系統(tǒng)架構(gòu)師在內(nèi)），一起承擔(dān)系統(tǒng)的協(xié)調(diào)工作。圖4-18美國的生命未來研究所（FutureofLifeInstitute，F(xiàn)LI）在2017年召集了100多位來自經(jīng)濟、法律、倫理學(xué)、哲學(xué)領(lǐng)域的人工智能研究者共同制定了《阿西洛馬人工智能原則》（AsilomarAIPrinciples）。該原則一方面給出了一系列有關(guān)如何確保人工智能的研發(fā)和發(fā)展對人類有益的框隨著全球有關(guān)人工智能建設(shè)管理標(biāo)準(zhǔn)的陸續(xù)出臺，產(chǎn)品經(jīng)理應(yīng)持續(xù)關(guān)注國際權(quán)威組織發(fā)布的各種有關(guān)安全、隱私、倫理道德方面的人工智能建設(shè)和管理標(biāo)準(zhǔn)。例如標(biāo)準(zhǔn)協(xié)會（Enddoon）陸續(xù)發(fā)布了幾個版本的人工智能建設(shè)標(biāo)準(zhǔn)《hygndgn》，而且廣泛征集公眾意見，將于2019年完成該標(biāo)準(zhǔn)的最終稿。第一種，被人為地設(shè)定或創(chuàng)造成為危害安全的產(chǎn)品。例如，自主武器（AutonomousWeapons）被形容為繼槍炮、核武器發(fā)明之后，戰(zhàn)爭形圖4-19自主武器（Autonomous第二種，盡管一開始被設(shè)定或創(chuàng)造為有益于社會的產(chǎn)品，但為了實現(xiàn)目標(biāo)，人工智能在有些時候會不擇手段，帶來破壞性的效果。僅設(shè)定正確的目標(biāo)對于人工智能產(chǎn)品經(jīng)理來說是遠遠不夠的，忽視設(shè)定過程中各種安全邊界和要求會帶來各種安全隱患，因此產(chǎn)品經(jīng)理還需要考慮到實現(xiàn)目標(biāo)的手段（往往需要過程透明化）。例如無人駕駛汽車領(lǐng)域，如果設(shè)計之初只考慮到以最快的速度實現(xiàn)從到快的速度從家到機場時，可能會導(dǎo)致出現(xiàn)一個無人駕駛的馬路殺手。人工智能，尤其是在機器學(xué)習(xí)領(lǐng)域里，本質(zhì)上依賴于大量數(shù)據(jù)的采集。隨著各種傳感器技術(shù)的發(fā)展，數(shù)據(jù)采集過程變得越來越隱蔽和難以理解，因此在人工智能服務(wù)于人類的過程中，很容易觸犯人們的隱私和數(shù)據(jù)保護的基本權(quán)利。各國政府在近些年紛紛出臺了相關(guān)的法律法規(guī)來保護人民的權(quán)利。例如，歐盟議會在2016年4月14日通過了《一般數(shù)據(jù)保護條例》（nlaoonguon，），條例不僅涉及歐盟內(nèi)部數(shù)據(jù)流通的隱私保護機制，而且制定了將個人數(shù)據(jù)出口到歐盟國以外地區(qū)的保護條例。的目的是保證歐盟國的所有公民和居住在歐盟國內(nèi)的人，具有對個人數(shù)據(jù)的完全控制權(quán)。有益于降低歐盟國企業(yè)中的行政管理負擔(dān)并提供法律保障。從2018年5月起，數(shù)據(jù)保護機構(gòu)無須歐盟國通過任何立法，就有權(quán)直接對觸犯法律的公司進行懲罰。根據(jù)相關(guān)規(guī)定，數(shù)據(jù)保護機構(gòu)當(dāng)發(fā)現(xiàn)有公司忽略他們的法律義務(wù)并犯下重復(fù)的、嚴(yán)重侵權(quán)行為時，將處以最高達到該公司全球年營業(yè)額4的罰款。對于人工智能產(chǎn)品經(jīng)理來說，為了降低產(chǎn)品和公司的法律風(fēng)險，應(yīng)在產(chǎn)品設(shè)計之初就嚴(yán)格審視產(chǎn)品在數(shù)據(jù)保護方面的問題。R條規(guī)定中就給企業(yè)明確的建議：如果企業(yè)認(rèn)為產(chǎn)品在設(shè)計或運行的過程中有可能對自然人的權(quán)利和自由構(gòu)成侵犯風(fēng)險，那么企業(yè)有責(zé)任進行數(shù)據(jù)保護影響評估。評估內(nèi)容應(yīng)至少包括如下四項。評估所有產(chǎn)品流程中涉及用戶權(quán)利（包括隱私權(quán)）①生成對抗網(wǎng)絡(luò)（GenerativeAdversarialNetworks，GAN）可以通過一套獨特的學(xué)習(xí)方法大幅減少訓(xùn)練深度學(xué)習(xí)算法所需的訓(xùn)練數(shù)據(jù)。GAN通過輪流訓(xùn)練判別器（Discriminator）和生成器（Generator），令其相互對抗，從復(fù)雜概率分布中采樣，例如生成圖片、文字、語音等。（ddnng）的方法訓(xùn)練數(shù)據(jù)，該技術(shù)可以實現(xiàn)將部分訓(xùn)練過程放到用戶的手機端，使用手機上的處理器進行數(shù)據(jù)訓(xùn)練，從而取代傳統(tǒng)流程中需要將所有數(shù)據(jù)先上傳到云端再進行訓(xùn)練的方式。谷歌已經(jīng)在安卓端鍵盤應(yīng)用bod上開始使用這種技術(shù)了，bod通過學(xué)習(xí)用戶的輸入習(xí)慣在本地訓(xùn)練模型，并將模型傳回服務(wù)器而不是將用戶輸入的敏感數(shù)據(jù)傳回，這樣就不會將用戶的敏感數(shù)據(jù)上傳到云端，bod的交互界面如圖421所示。圖4-20圖4-21Gboard③遷移學(xué)習(xí)（nrnng）。遷移學(xué)習(xí)是一種把從一個場景中學(xué)到的知識（模型）舉一反三遷移到類似的場景中的方法。遷移學(xué)習(xí)適合從小數(shù)據(jù)中學(xué)習(xí)知識，尤其是當(dāng)沒有足夠的數(shù)據(jù)作為訓(xùn)練資源時，在之前訓(xùn)練好的模型基礎(chǔ)上加上小數(shù)據(jù)并遷移到一個不同但類似的場景當(dāng)中去。這種技術(shù)從某種意義上說縮短了同類場景的訓(xùn)練周期，也降低了對訓(xùn)練數(shù)據(jù)量的要求。（DifferentialPrivacy，DP）。當(dāng)在數(shù)據(jù)庫中檢索某條信息時，在搜索結(jié)果中加入滿足某種分布的“噪音”，使查詢結(jié)果隨機②同態(tài)加密技術(shù)（ooophcnypon）。同態(tài)加密是一種加密形式，允許在密文上進行計算，生成加密結(jié)果，解密后的結(jié)果與對明文進行同樣的運算得到的結(jié)果是一樣的。同態(tài)加密的目的是允許對加密數(shù)據(jù)進行計算。換言之，這項技術(shù)令人們可以在加密的數(shù)據(jù)中進行諸如檢索、比較等操作并得出正確的結(jié)果，而在整個處理過程中無須對數(shù)據(jù)進行解密。其意義在于，真正從根本上解決將數(shù)據(jù)及其操作權(quán)限委托給第三方時的數(shù)據(jù)隱私保護問題，這對于那些使用云計算作為產(chǎn)品基礎(chǔ)架構(gòu)的公司尤為重要。很多有關(guān)人工智能侵犯隱私的事故，都是由于人工智能算法的可解釋性差導(dǎo)致的，因此提升對于模型輸出結(jié)果的可解釋性，是一種有效地提升用戶對于產(chǎn)品信任度的方法，當(dāng)用戶清楚地了解數(shù)據(jù)的來龍去脈以后，會減少對于個人隱私數(shù)據(jù)泄露的擔(dān)憂。美國國防部下屬行政機構(gòu)國防高級研究計劃局（nedvndhosgny，）已經(jīng)開始投入資金研究如何能夠提升人工智能的可解釋性，這項研究的目標(biāo)之一是通過提升可解釋性提升人們使用人工智能產(chǎn)品的信心。人工智能產(chǎn)品算法的可解釋性差不透明性料，給出批準(zhǔn)建議，是銀行的一種常見的金融風(fēng)控手段。在美國一起貸款駁回案件中，銀行被告上了法庭，申請人是一名黑人，宣稱銀行的貸款評估算法嚴(yán)重歧視了黑人，有明顯的種族歧視問題。但是銀行辯解稱這是不可能的，因為算法根本不知道候選人的種族。盡管如此，法官在近期所有銀行的貸款審批案件中發(fā)現(xiàn)黑人的通過率持續(xù)下降，而且，在這些銀行貸款申請案件中，各項資格（學(xué)歷、收入以及各種社會背景）幾乎相同的申請人中，算法對白人申請者的通過率明顯要高于黑人申請者。想了解為什么會發(fā)生這樣的事情，在當(dāng)前階段實際上是非常難的。首先，人工智能中的很多算法可解釋性本身就很差，如果上面這個案例中的算法是基于復(fù)雜的深度學(xué)習(xí)模型，那就意味著沒法通過拆解模型的方式，來推斷出算法究竟為什么會根據(jù)候選人的種族給出不同的評估結(jié)果。當(dāng)人工智能產(chǎn)品的目標(biāo)是替代人履行一定社會職能的時候，產(chǎn)品的不可預(yù)見性家法律制度的核心是遵循先例原則，法官通過對相同案件的相同判決而不斷地發(fā)現(xiàn)和創(chuàng)立先例，先例的集合體被稱為判例法。遵循先例原則實質(zhì)上是一種對法律的確定性目標(biāo)的追求，先例對法律具有確定性和可預(yù)測性，保證人們對法律保持穩(wěn)定的信賴，提高法院的審判效率、維護法律的協(xié)調(diào)性和統(tǒng)一性。而對比人工智能的算法，在某種程度上它遵循的邏輯是可預(yù)見性的反面，即追求的恰好是從數(shù)據(jù)反向推導(dǎo)出規(guī)律，另外一個備受爭議的人工智能倫理問題是關(guān)于人工智能的道德地位。當(dāng)機器人具有感知能力、體驗?zāi)芰Α⒆晕乙庾R以及對于心智的執(zhí)行控制能力時，是否還應(yīng)該被認(rèn)為是純粹的機器，是否已是具備道德地位的獨立客體？如果按照我們目前普遍接受的道德地位評判原則，人工智能至少應(yīng)和動物一樣具備一定的道德地位。這也是一個在機器倫理研究領(lǐng)域始終爭論不休的問題。如圖422器人。圖4-22最后引用狄更斯《雙城記》開篇的一句話：那是最美好的時代，那是最糟糕的時代；那是一個智慧的年頭，那是一個愚昧的年頭；那是奔相反的方向。沒錯，人工智能產(chǎn)品經(jīng)理就站在這個分岔路口。評價人工智能產(chǎn)品的運維能力有如下評判標(biāo)準(zhǔn)（如圖423所示）：系統(tǒng)能否在第一時間發(fā)現(xiàn)異常（即異常檢測），當(dāng)異常被發(fā)現(xiàn)后能否找提前預(yù)警。人工智能體系的運維能力和效果主要取決于體系化或平臺化的程度是否夠高。人工智能的平臺化程度可以從如下幾個方面進行衡量：模塊化、插件化、配置可視化，系統(tǒng)化監(jiān)控、自動化部署等。正所謂磨刀不誤砍柴工，完善產(chǎn)品的體系化和平臺化是提升運維能力的前提。圖4-23AIOps（ArtificialIntelligenceforITOperations）階段（人工智能技術(shù)與IT運維技術(shù)相結(jié)合），如圖4-24所示。圖4-24由于架構(gòu)復(fù)雜、數(shù)據(jù)來源多（各類傳感器、IoT設(shè)備等）p是n公司在2016年正式提出的概念，是一種結(jié)合了機器學(xué)習(xí)和大數(shù)據(jù)技術(shù)的運維管理軟件體系。相比于傳統(tǒng)運維體系，它可以提供類人交互、主動決策、理解執(zhí)行等能力，如圖425所示。首先pT孤島，將觀測數(shù)據(jù)（包括應(yīng)用畫像、服務(wù)圖譜、業(yè)務(wù)指標(biāo)、應(yīng)用性能、基礎(chǔ)設(shè)施性能、日志、調(diào)用鏈、基礎(chǔ)設(shè)施等）和在大數(shù)據(jù)平臺中的工單、異常事件中的數(shù)據(jù)結(jié)合起來，然后通過各種機器學(xué)習(xí)策略去分析。p融合了服務(wù)管理、性能管理和自動化運維三種不同領(lǐng)域的技術(shù)，提供針對運維的改進和修復(fù)的決策建議。圖4-25Gartner提出的AIOps圖4-26AIOps第1步，來自監(jiān)控、配置和變更的各種運行數(shù)據(jù)會給p引擎提供訓(xùn)練數(shù)據(jù)。第2步，p引擎（包括多個智能運維模型）會接受運維專家（至少對監(jiān)控、容器技術(shù)、、故障診斷等技術(shù)非常精通）知識和反饋的不斷訓(xùn)練，最終形成一個集異常檢測、異常定位、根因分析、異常預(yù)測于一體的綜合模型。在模型并不成熟之前，整個流程扮演了輔助專家進行運維的角色，即提供警告、預(yù)測、止損、修復(fù)、規(guī)避建議。第3步，運維專家看到這些警告和建議后可以快速根據(jù)已有的預(yù)案采取止損和規(guī)避操作。第4步，接下來通過執(zhí)行自動化的腳本完成回卷、動態(tài)擴縮容、切流量等目標(biāo)。隨著模型在識別、推理和決策上的逐步完善，p會實現(xiàn)常規(guī)運維工作的智能化操作包括：運行狀況監(jiān)控、問題定位、業(yè)務(wù)需求梳理、需求變更、操作指導(dǎo)、數(shù)據(jù)應(yīng)用、模塊分配、參數(shù)設(shè)置等。第5機器學(xué)習(xí)（hnenng）是人工智能的分支，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，其通過各種算法訓(xùn)練模型，并用這些模型對新問題進行識別與預(yù)測。本質(zhì)上機器學(xué)習(xí)是一種從數(shù)據(jù)或以往的經(jīng)驗中提取模式，并以此優(yōu)化計算機程序的性能標(biāo)準(zhǔn)。近些年來，由于機器學(xué)習(xí)融合了統(tǒng)計學(xué)、數(shù)學(xué)、計算科學(xué)、生物學(xué)、心理學(xué)等眾多學(xué)科的知識和成果，已經(jīng)成了人工智能的核心，是使計算機具有智能的重要途徑之一。圖5-1《MachineLearning：aProbabilisticPerspective》（KevinP.Murphy著）或者《PatternRecognitionandMachineLearning》（Christopher著）在深入了解機器學(xué)習(xí)之前，我們首先要理解和區(qū)分四個聯(lián)系緊密的名詞：人工智能、機器學(xué)習(xí)、表示學(xué)習(xí)（RepresentationLearning）、深度學(xué)習(xí)（DeepLearning），四個名詞的包含關(guān)系如圖5-2所示。圖5-2圖5-3傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（左）與深度學(xué)習(xí)（右圖5-4俗話說內(nèi)行看門道，外行看熱鬧。大多數(shù)人只看到了當(dāng)前弱人工智能時代人工智能應(yīng)用的局限性，而忽視了機器學(xué)習(xí)的本質(zhì)和內(nèi)在邏輯——究這其中的奧秘。圖5-5在圍棋界大放異彩的phoo，作為pnd圍棋軟件pho的最新版本，已經(jīng)不再受限于人類認(rèn)知。舊版本的pho獲得專家數(shù)據(jù)的代價很高，而且依靠專家的指導(dǎo)，反而可能會限制人工智能的能力上限。phoo則通過無監(jiān)督學(xué)習(xí)，進行連續(xù)地自我對弈幾百萬局，直到能預(yù)測自己的每一手棋對棋局結(jié)果的影響，僅需要幾天的模型訓(xùn)練過程，它就可以達到擊敗人類頂尖棋手的實力。在這個案例中，機器通過自學(xué)海量數(shù)據(jù)總結(jié)出規(guī)律，并形成自身的方法指導(dǎo)每一步棋。整個過程相當(dāng)于直接建立了復(fù)雜的數(shù)據(jù)和認(rèn)知的關(guān)系庫。圖5-6從表面上看，人的效率更高，因為不需要每遇到一個新的問題就重新學(xué)一遍海量數(shù)據(jù)，依賴已有的知識和經(jīng)驗也可以實現(xiàn)認(rèn)知和判斷。例如，讓一個孩子區(qū)別貓和狗只需要給他動物讓機器去識別，機器還需要重新學(xué)習(xí)新動物的數(shù)據(jù)，而人則完全可以依靠各種已有知識和經(jīng)驗快速完成判斷。但是事實證明，在某一個特定領(lǐng)域中，只要機器具備足夠的運算能力和訓(xùn)練數(shù)據(jù)，它可以一直學(xué)，不斷提高認(rèn)知和推斷能力，也就是說在該特定領(lǐng)域里，機器遲早會超越人類。知識論（TheoryofKnowledge）是探討知識的本質(zhì)、起源和范圍的一個哲學(xué)核心研究分支。千百年來，對于知識本質(zhì)的研究從未停止過，圖5-7“認(rèn)知判定法則”（JustifiedTrueBelief）是一種經(jīng)典的知識論主張。該理論認(rèn)為，如果一個人相信某件事，那么只有在這件事是真實的并有圖5-8圖5-9有關(guān)確證或辯護的問題一直是知識論中被爭論不休的問題，常見的幾種論點包括：內(nèi)在論（nn）和外在論（xn）、證據(jù)主義（vdn）和可靠主義（b）、基礎(chǔ)主義（oundon）和反基礎(chǔ)主義（noundon）等。2017年諾貝爾經(jīng)濟學(xué)獎得主理查德塞勒（hdh）認(rèn)為，人的經(jīng)濟行為經(jīng)常是非理性的。他同時認(rèn)為，這種非理性不僅在人的經(jīng)濟行為中表現(xiàn)明顯，在日常生活中也較為普遍，如果我們能克服這種非理性，采用以數(shù)據(jù)為中心的思考方式，就可以幫助我們在日常生活中做出理性的決定，提高決策效率。理查德塞勒的觀點與機器學(xué)習(xí)的本質(zhì)不謀而合。圖5-10較高要求，而且完成標(biāo)記所需的周期極長（例如精準(zhǔn)醫(yī)療領(lǐng)域中通過光片進行疾病預(yù)測），因此研究人員正在努力研究可以實現(xiàn)自動標(biāo)記數(shù)據(jù)的工具。訓(xùn)練數(shù)據(jù)（輸入數(shù)據(jù)）的質(zhì)和量從某種意義上決定了機器學(xué)習(xí)的成敗，但是原始訓(xùn)練數(shù)據(jù)的質(zhì)量常常無法滿足訓(xùn)練要求，例如原始數(shù)比較寬泛，包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)削減、數(shù)據(jù)離散化等。而深度學(xué)習(xí)中數(shù)據(jù)預(yù)處理的過程主要包含數(shù)據(jù)歸一化（尺度歸一化、逐樣本的均值相減、標(biāo)準(zhǔn)化）（TrainingSet），開發(fā)過程中用于調(diào)參（ParameterTuning）的驗證集（ValidationSet）以及測試時所使用的測試集（TestSet）在正式開始模型訓(xùn)練之前，需要針對我們的訓(xùn)練目標(biāo)進行分類。理解目標(biāo)的本質(zhì)對選擇訓(xùn)練（學(xué)習(xí)）的方式至關(guān)重要，機器學(xué)習(xí)可以實現(xiàn)o（樣本測試，再根據(jù)測試的效果選擇具體的算法。這樣可以避免后期由于大范圍的模型訓(xùn)練策略改動而帶來的損失。選擇好訓(xùn)練（學(xué)習(xí)）方式后就可以正式開始模型訓(xùn)練了。接下來，我們用一個最簡單的線性（直線）模型的訓(xùn)練過程舉例，如圖511所示。圖5-11x是輸入，m是直線的斜率，b為截距，ymbm本質(zhì)上