科大讯飞华南研发院施行院长刘舒：“AI+”世纪，成品经理本领模型

最近，由人人全是成品经理与腾讯大讲堂联合主办的2018中国成品经理大会深圳站完美闭幕，科大讯飞华南研发院施行院长、讯飞易据说总经理 刘舒做了“AI+世纪，成品经理本领模型”的主旨分享，并激发讨论：全部AI领域的成品经理从业者，理应具有哪类本领模型？enjoy~

分享佳宾：科大讯飞华南研发院施行院长、讯飞易据说总经理 刘舒

下列内容为佳宾分享实录，由人人全是成品经理社区@Daisy 整理编纂，部份内容有点窜，佳宾已确定：

16年我曾提到，互联网世纪的“流量暴利”已然消散了，因此那时提出了“互联网+领域”这个命题。回首一下这两年多的成长，咱们能够看见如此的命题实际上是建立的。

较近两年多，那种因暴利连通的成品实则已然是消散，取而代之的是垂直细分领域里生根的许多公司。此中，咱们最首要的是要对领域常识进行许多解读，进而提高它的效益。而人工自动就是在“互联网+领域”的流程中激发出去的新一轮反动。到了2018年，人工自动实际上已步入到了咱们生活中的方方面面。

因此，今日我也是期望结合这两年多的许多从业案例，并且对人工自动的许多思索，在此跟大家做1个主旨分享《“AI+”世纪，成品经理本领模型》，首要划为3个部份： AI世纪的降临AI的前世此生AI成品经理的三大本领模型

一、AI世纪的降临1. 从国度层面上来看

不管是美国，还是中国和欧盟，都陆续公布了相关人工自动的国度策略；针对互联网来说，这是1个很首要的事情：

2017年7月20号，国务院公布了新一代人工自动的成长计划，这是国务院初次以行政计划的方法公布工业成长计划。从这一点上能够看出：中国正在以举国之力抢战AI的制高点。

2. 从领域层面上看

大家能够看见：不管从国度还是从领域的层面上，AI都已然到来。

不管是麦肯锡，还是科学杂志、德勤，并且埃森哲的许多报表，大家都纷繁预言：人工自动在将来会更多地代替人类现有的许多工作，以及促使人类社会的制造效益变得更高。对此，大家也感觉了许多担心，例如工作率会进一步地下滑——或者说赋闲率会进一步地上升。

3. 从生活层面上看

AI并非只是停顿在国度层面和领域层面，也步入到了咱们生活中的方方面面。

从上图咱们能够看见，AI如今的确很火。

而针对要想专注AI的成品经理来说，该抓哪类重点呢？

首先要了解AI技术的成长演进历史，含盖它的许多技术原理和技术边缘；唯独如此，咱们才能更好地去设计成品。

因此，咱们先看下AI的前世此生。

二、AI的前世此生

AI实则并非是这两年才显现的，它很早就衍生了，可是为什么到这两年它才开启火起来呢？

1. AI的衍生与AI的发展

在1965年Dartmouth聚会上，那时4个图灵奖的得主集结在一块提出了十大问题，标注着AI领域的衍生：

自此以后，AI一共历经了三次浪潮：

70年代和90年代，因为算法构造及那时的计算本领原因，在那时领域的运用上、成效上，都没有到达1个较有效的成效，因此前两次浪潮全是潮起潮落。

紧随这个深度学习的显现，历程上的许多问题得以被处理，且获得了先进的好成绩。例如语音辨认、图片辨认等，都比传统算法有更好的实用成效。因而，咱们碰到的AI才变得实用，进而带到生活中。

因此，咱们认定这一次是人工自动真实到了暴发的时候。

如此，什么是深度学习？

接下来，我就会用许多简洁直观的例子，对深度学习做1个全面分解：

首先，深度神经网络实质上是1个分类器，它是模拟人的感觉流程。

如上图，这是1个简洁的深度神经网络。从左往右看，全部深度神经网络是1个函数（F就是1个函数），左边的“1”和“-1”，咱们称为填写的特点或者填写的向量；右边的“0.62”和“0.83”，咱们称之为它流出的1个结果。

在这个案例当中，“0.62”和“0.83”实际上是属于不同分类的几率。相当于图片辨认中的“这个是男性还是姑娘？”。

如此，证实他是男性的几率为0.62，她是姑娘的几率为0.83。

因此，深度神经网络就是：每1个填写经过深度神经网络的运算后，最终获得它在不同分类的几率；而它的实质就是填写1个特点向量，即“1”和“-1”。

换言之，通过深度网络的逐层运算，终极获得该向量属于不同类型的几率。

至于怎样定论这个类型？ 例如语音辨认：属于哪个中文字？属于哪个发音？这类全是分类；例如人脸辨认：是男是女？他年龄多大？这类全是分类；例如智能评测：它得多少分？他得100分还是得0分？这也属于分类。

因此实际上，深度神经网络的中心就是处理1个分类的问题。

如此以下咱们如何来应用这个深度神经网络？

它通常划为三步走：

操控方法1：筹备标志信息

第一步，咱们称之为叫标志信息。

刚才这个神经网络当中，进行逐层计算的时候，旁边都有许多属性，如此这个属性是如何获得的？

举1个数字辨认的例子：如果我要辨认1个图片，它里面写了0~9这0个数字。假设这个

的像素点上有值，我就认定它是“1”；假设没有色彩，红色就认定它是“0”。

如此一来，我就把1个图片成为了1个向量——例如它是16×16，如此就是X1到X256。

我会事先筹备许多信息，再交达机械去学习，我会事先选出规范“2”。

拿出去后，我奉告这个机械，它的流出是什么呢？

例如说我筹备的规范是“1”，它的流出属于“1”的几率是100%；如此它属于其余数字，例如说2345等，它的这个几率为0，它不能能是其余的数字——因此我会筹备批量的信息。

操控方法2：训练网格

筹备完这个信息之后，我就拿进去，咱们称之为“训练”，即“训练”这个网格。

咱们筹备了批量的手写体“1”的各类扭曲、“2”的各类扭曲、“0”的各类扭曲……这类是图片，每一张图片咱们都把它转变成向量（特点），接着把特点输到这个网络里面（右边为填写）；流出我也是跟机械讲好了，例如说第一排的这个数字，不管他如何写，最终我认定它全是“1”，属于“1”的几率是100%，属于其余数字几率是0；第二行，一切的这类手写的方法，我认定它全是“2”——相当于把如此的填写和流出，明确地奉告机械，去训练这个网格。

在训练的流程中，须要的训练信息集是十分之大的。

例如在语音辨认中，要批量的标志职员筹备差不多10^11如此多的语料。而要处理某1个问题，例如说语音辨认，要如此多的信息量；处理肺部结节的图片智能诊疗，又须要如此多的信息量……每1个行业都须要如此大信息量，要提早填写到计算机里面，接着训练好这个网格——因此在做AI的时候，这个本钱是较大的。

操控方法 3：应用网络

训练好之后就很简洁了，这个网格就能够叫人工自动，就能够用来用。

如上图，这个时候我再拿1个

进来（事先不知晓是几），我把它的特点抽出去后，用这个网格一算，最终得出： 属于“1”的几率是0.01（几乎不能能）；属于“2”的几率算出去是0.99（也许性较大）；属于“0”的几率是0.01（几乎不能能）。

如此逐层算下来后，最终咱们认定这张

就是“2”——实际上，这个网格就能够处理数字辨认的问题。

以上就是对于深度神经网络的1个简洁直观阐明。

2. AI的现状

如上图，咱们能够看见全部AI成长的3个阶段： 第1个阶段：计算自动。大信息和云计算技术的显现，促使计算自动机械已然远远超越人类，例如说Alpha Go；第二个阶段：感觉自动。因为深度学习的显现后，人工自动现在已然在大部份的行业能媲美，乃至超越了人类；例如在语音辨认、图片辨认等行业。第二个阶段：领悟自动。这是最首要的1个阶段，领悟自动就是人差别于万物最中心的1个点，例如植物也是有感觉的，也能辨别这个是不是能吃的，也能做许多简洁的分类。

如此，这三者的差别在哪？

咱们实际上认定：人类差别于植物最首要的是设想。

什么叫设想？就是人类能缔造许多基本不存在的物品。

例如： 什么叫胜利？什么叫落败？什么叫懊丧？什么叫神明？

这类概念实际上是人缔造出去的——通过这类设想出去的概念去凝聚人类，一同去完结1个目的。

现在这个体工自动还没搜到有效的许多模型；由于现在全部人工自动的成长，更多的是技术在人们已有的许多计算框架下，通过许多仿生学的许多方法，接着让它的效益变得更高。

因而，咱们认定：现在人工自动的成长还处于前2个阶段，即计算自动和感觉自动阶段——已然媲美，乃至是超过人类，而在领悟行业是有待冲破的。

较近这两三年，感觉自动在深度神经网络显现之后，获得了飞跃式的成长。

如此在感觉自动的运用上，现在已然在哪类行业里面已然十分实用了？

如下图：

咱们简洁地解析了算法的机理，以下我就会结合它的许多特点，接着持续分享：在如此的1个技术框架下，咱们成品经应该该具有哪类本领，才可以差别于互联网的成品经理，进而在AI这个行业获得更好的许多成果？

三. AI成品经理的三大本领模型

基于AI的许多特有性，咱们来分享一下对于AI成品经理的三大本领模型：

本领1：对AI技术边缘的领悟

第1个本领模型很首要， AI成品经理绝对要对AI的技术边缘要有较强的领悟——由于你对所在领域技术边缘的领悟，直接决议了你设计成品的运用情景。假设你对AI技术的领悟深度不足高，如此你设计出去的成品要么没人用，要么就累死开发——因此AI技术是1个很首要的特点，这是基于几率系统。

也就是说，一切的填写和流出不是1个确认性的结果。

例如我1个手写的“2”，针对通常的人解读，这个必定是“2” ；可是针对计算机，对AI引擎来说，它流出的是几率，如： 流出属于“2”的几率是多少？流出属于“1”的几率是多少？流出属于“0”的几率是多少？

况且有类时候还会犯错——最终流出的结果，也许属于“1”的几率比属于“2”的几率还大。

这个推翻了咱们本来传统做软件、做互联网的头脑。

举个例子：

在语音辨认这个行业，咱们的辨认确切率在过去十多年是低过95%的。此时候，我能用这个几率去作聚会记载吗？

这个是不行的——100个字里面错5个字，乃至也许有类要害字都错了，这个物品不实用。

可是在哪类地区能用呢？例如说K歌的评分，辅助的文字填写——这类偏娱文性，瞄准确率需要不高的许多情景以下，咱们就能够应用。

再举1个大家耳熟能详的例子：

在图片辨认行业，前两年特别火的是什么？猜年纪，或者看你长得像哪个明星？——为什么那时这种型运用特别火？由于那时的图片辨认确切率较为低，例如说是低过95%；在这类技术边缘下，咱们只可做许多娱文型的设计。

较近两年的成长，在许多特定情景下，咱们的确切率能提升到95%以上，乃至是99%。这项人工自动技术，因为它的边缘前移了，今后也提高了，因此促使它的运用情景就变得愈加宽敞了。例如如今的安防身份认证，含盖用微信领公积金，全是用人脸辨认成为暗码，这个的原因在于：人脸辨认的确切度，咱们经过十多年的尽力到达了技术边缘。

这个是很典型的一类情景：

成为互联网软件的成品经理，你对开发说的一句话必定走到他桌边，说：“哎，这个性能要多久实行？”

开发说：“也许要2个月吧。”

但假设你是AI成品经理，就不可如此去问了——由于如此问就显得太业余了；况且如此的问法，这个成品必定做不好。

如此该如何问？

你理应说：“3个月，语音辨认率能到达95%吗？”

你一定不可说3个月时间能不可搞定语音辨认，此时没有人能答复你什么叫搞定——因此，你要把这个边缘提出去。

况且参加这个的开发同事必定会如此答复，

“3个月，辨认率只可到达90%，况且须要标志100万条信息，须要100个标志师，假设你搞不定这类，那这个确切率也确保不了。”

因此在AI世纪，成为成品经理设计成品的时候，对于技术边缘的领悟是最首要的。

本领2：具有领域有关常识和粗浅洞察

成为AI成品经理，第二个本领模型绝对是要具有领域的有关常识和粗浅洞察——这一点也是差别于互联网其余行业的成品经理。

互联网缔造了新的领域和规则。例如「微信」这类通信方法，此前是没有的，如今缔造出去了如此的一类交互方法；再例如阿里巴巴这类电商，固然这是从外国引入进来的，但对绝大部份中国人来说，从前是没有如此的一类交互方法，因此里面的规则、操控和许多领悟构造都是由互联网人崭新缔造的——你会感觉到天地宽阔，你设计的每个性能仿佛全国人民都能用。

可是，AI领域并非是去缔造领域和规则；恰恰相同，AI领域是赋能传统领域，接着辅助传统领域提高。

因而结合上文提到的算法构造来说：AI得有填写和流出的信息，你才可以训练你的网格。而这个填写、流出则是由传统领域里面的顾问给你供应的。因此，假设你对传统领域的领悟不深，如此你是不能参加到AI领域中。

例如： 智能驾驶：除了把握互联网的技术和算法，其中心是要了解全部驾驶的机器原理，含盖对交通法规的了解等。你不具有如此的许多领域根基的话，光靠AI算法是不能专注这个领域。聪慧医疗：如此你得了解医学的许多病理常识、药理常识等，终究医疗是1个几千年的领域；自动客服：你要帮1个电商企业，或者帮1个金融公司做机械人客服，首先得对这个领域的许多话术，含盖他们答题的许多标准要做1个深入的了解。聪慧法院：要辅助法官去庭审、去审囚犯，如此你要对司法常识充足了解才行。

因此，AI成品经理必定比互联网成品经理愈加受拘谨。

大家绝对是要首先解读领域，接着再应用咱们的聪慧才智，把AI和行业交融起来。因而，这就提出去——了解领域的痛点和技术的可切入点，1+1的形式是最佳的入门途径。

什么叫1+1？

通常做AI的时候，绝对是要找1个领域顾问来协作——固然，这类领域顾问能够是1个队伍，也能够是专家的形态。例如做教育，绝对得跟许多有经历的教研职员来进行协作；做医疗，绝对时和专注某个细分行业的医疗顾问来进行协作。唯独如此，咱们才能真实提高AI成品的应用水平，也才有信息。

本领3：设计革新的人机耦合经营形式

第三点本领，咱们称之为“设计革新的人机耦合经营形式”，AI世纪的这个经营形式也是须要革新。

互联网世纪，由于确认性的存在，一切的问题都减小了旁边环节，直至终端客户，这是互联网的实质——提高效益。

而在AI世纪，你不可如此去做，由于这也许会有问题：

案例1：自动客服——完好工作量减低10%，整体效益提高30%

如下图左边的这个抱负中机械人客服，客户一上来后面没人了，就是1个机械人“哒哒哒……”。但现实中因为AI技术边缘的存在，这个针对语义解读的确切性还不能到达很实用。

现实生活中，咱们都跟许多机械人对过话，也知晓这个机械人的程度根本上就是两三岁小同伙的程度。假设你认知不到如此的技术边缘，而要去设计如此1个机械人，在当下这个场景，你必定会落败。

因此，咱们提出了如此的一类方法：指对于AI行业的不完美性，通过“人＋机械”一块来做。

如上图右边的这个模型，如今的自动客服体系是如此的：客户打进来之后，把客户的言行分解成两类：导航和提问题。

你打到银行，首先银行都会先问你：“假设你要问某某某营业，请按1号键；假设你要问某营业，请按2号键……”这个就是分类，这是人工自动处理得最佳的1个问题。

如今有1个语音导航，当你进来之后依据你语音辨认成文字，再判定你的分类属于哪一种问题，智能帮你导航——这个接线员就不必了，况且也不须要客户一步步地操控。

当客户进来后可直接用自然话语说话，接着一秒钟就能够自身导到机械人客服；假设发掘机械人解读不了用户的话，需立刻智能转人工客服，如此一来就叫之为叫人机耦合的革新形式。

如此的形式，已然被咱们批量地运用在金融领域和经营商领域。

咱们能够看见：完好的工作量减低了10%，就是说有10%的工作是完全被机械人代替了；整体的效益比本来提高30%，即通话时长节约了30%。

通过这类人机耦合的经营形式，AI才能在这个领域当中真实起到实际的效率。

案例2：医疗影像自动探测——有效减低误诊率

接下来1个案例，咱们解析一下抱负中的医疗影像自动探测：

例如说咱们照完了肺部、乳腺等之后影像，就要判定能否得了癌症：这个结节有没有结节？有，是哪一类结节？有没有癌症也要做许多判断。

如下图左边是咱们抱负中的模型：医疗这个机械人诊疗医疗图片传进来，机械人给结果——可是如此的路径是错误的。由于咱们是基于几率系统的，而机械人也会犯错；假设你如此去做，那跟从前的作法是同样的。

人际耦合形式是如何做？

实际上，咱们如今在医院里面协作的是右侧这类形式。医疗影像上传之后，由人类的医师先看，医师把一切的

并且诊疗结果上传到云端。咱们在云端布置1个叫质检的机械人。

也就是：质检机械人也来看一次，假设二者获得的诊疗结果是一致，那就是pass；反之，则会让人类的顾问再来仲裁。

通过如此的方法，能有效到减低误诊率，以及也十分实用。

因此，AI成品经理在设计成品时，不光是要设计性能，绝对要预先参考到成品在运用的时候，它的经营形式是什么。而你怎样试用经营形式，是和你对领域的领悟，对技术边缘的领悟，并且你的技术在领域中能否充足实用等全是息息有关的。

以上为本次大会分享内容。