当前位置: 首页  >  视频营销

案例解析:AI产品设计,怎么在不同情况下做出判断?

发布时间:20-01-04

独立思考,实事求是,锲而不舍,以勤补拙。

——一颗西蓝花

一、从AI技术说起

什么是机器☼学习?

Tom Michell 给出定义:对于◁某类任务T和性能度量P,如果一个计算机程序在T上以P衡量的性能随着经验⿳E而自我完善,那么我们称这个计算机程序从经验E学习。

通常,为了很好地定义一个学习▌问题,我们必须明确这样三个Э特征:任务的种类,衡量任务提高的标准,经验的来源。

举一个手写识别学习问题:

任务T:识别和分类图像中▍的手写文字 性能标准P:分类的正确Ξ率 训练经验E:已知分类的手写文字数据库

机器学习与深度学习

深度学习是一种特定类型的机器学≠习,具有强大的能力和灵活性,它将大千世界表示为嵌套的层次概念体系。

深度学习是受人工神经网络的大脑结构和功能启发而创造的算法,由于它的兴起,推动了人工智能行业技术的落地应用,如人脸识别。

二、从技术到用户体验

伴随着技术的发展,市面上创造出来了大量的基于AI技术я的产品。

产品设计,本身是一件非常难的事。

而AI产品,因其应用场景的复杂性,让产品设计这件事变得更加困难。对产品经理而言,需要其在设计产品时候,对实际应用场景的思考,更加地透彻。

《用户体验要素》的文章开篇,有如下一段话『:

在产品设计时候,我们对用户体验的关注实在是太少:我们所生产的产品是供人们在现实世界中使用的。在Ω产品♥开发过程中,人们更多地关注产品将用来做什么。用户体验是经常被忽略的另一个因素——即产品如何工作——而这一∝因素恰恰是决定产品成败的关键因素。

用户体验并不是指一件产品本身是如何工作的,用户体验是指“产品如何与外界Я发生联‖系并发挥作用”,也就是人们如何“接触”和“使用”它。当人们询问你某个产品或?服务时候╬,他们问的是使用的体验。用起来难不难?是不是很容易学会?使用起来感觉如何?

上述摘录中,有一段话,很有意思,单独拿出来:

在产品开发过程中,人们更多地关注产品将用来做什么。用户体验是经常被忽略的另一个因素——即产品如何工作——而这一因素恰恰是决定产品成败的关键因素。

我解释一下,上面这句话的意思。一共有两层理解:

第一层,在产品开发的过程中,产品经理更多关注这个产品将来做什么。即理想情况下,该产品将来的功能。 第二层,指出产品经理忽略的一个点,当产品被应用到实际场景中的时候,这款产▅▆品与真实的场景交✿。✿互,在这样的一些场景中,产品又将如何工作。

在产品开发中,产品经理容易忽略产品Π与真实场景的交互。AI产品的设计更是如▌此,AI产品的〓使用场景复杂,很多时候需要产品在不同情况下做出判断。如果产品经理℡没有提前将所有可能出现的场景思考明白且提前做出设计方案,那么该AI产品造成的ц用户体验可能会非常糟糕。

用一个AI产品的例子来说明。

二、AI场景,行人闯红灯抓拍

还原「行人闯红灯抓拍」的真实业务场景:

十字路Ⅰ口,为了更好规范行人与车辆,因此有了红绿灯。当红灯亮起时,行人也好,车辆也好,都不能通过或$行驶。当绿灯亮起的时候,行人和车辆均可通行。

但总会╜有人,不遵守交通规则,闯红灯。因此,在这种场景下,我们可以借助AI来帮助我们更好地监控行人闯红灯的行为。我们希望,如果有行人A闯了红灯,那我们的设备可以将此人记录下来,并向后端监控设备上传该用户闯红灯的事件信息,包括时间、地点▉、行人的脸。

上面的需求描述,比较宽泛,让我们思考如何将该需求,拆解成算法(AI)+硬件可实现。

红灯期间,集成了算法工业相机检测并抓拍到红灯期间出现在斑马线上*的人; 将该事件相关信息,包括时间、地点、行人的脸一共上传到后端监控设备。

三、从需求文档到实际业务场景

需求文档输出后,我们这款产品似乎马上就要成功了。但是,我们来看一个图:

(1)上面这个图是什么

作为宣传广告,印刷在公交车身的董明珠女士,被抓拍到闯红灯。并且,登上了当地的行人闯红灯曝光台。

(2)为什么会出现上述情况

产品经理在输出需求文档时候,只描述了需求Θ是检测行人闯红灯。没有考虑车身广告这种情况,因此没有事先思考解决方案,故而出现了上图的情况。

俞军老师在他的新书《俞军产品方法论》中,讲到:

技术本身并不创造价值,技术必须被应▓用于产品。

无论是多么高端的技术,脱离了产品,都

四、怎么做得更好?

4.1 还原真实场♧景

让我们来思考一下真实的业〢务场景,红绿灯是在十字路口,用来维持交通秩序的。

当A通道的红灯亮起时候,A通道的行人以及电动车、自行车都都不得通行。此时B通道的车辆是可以通行的。如果说,B通道的车辆车身印刷有人像,那么会出现什么情况呢?

或许在一开始↔设计产品的思路,没有想得足够深入,∷忽略了这种场景,从而导致了上图印刷在车⇔身的董明珠被识别为闯红灯的行人。

4.1 怎么做得更好

我们了解了真实场景,基于对真实场景的理解,如果重来一次,我们如何做得更好呢?

活体检测:场景¤需求是对“行人在斑马线闯红灯”的抓拍,因此算法需要检测的区域是“斑马线”区域。需要检测的目标是“行人”,时间段是在红灯时间段。检测区域是“斑马线”,检测目标是“闯红灯行人”。在这个区域,在红灯时间段,出现车身人脸,因此被系统检测为了闯红灯。针对▽这种场Б景,我们可以提前想到“活体检测”的解决方案。 边界分析:我们需要将检测边界按照时间、地点、人物三要素进行设定,对应到本场景中,即:红灯时间段、斑马线区域、人脸└+活体。 技术∩方案:在这种场景۞۞下,如何做μ活体检测呢?由于场景的开放性,不能像在线支付那样,我们可以要求用户左看看,右看看。那我们可以加一个目标检测,如果检测到人脸、且检测到汽车,则我们可以排除。同时,行人闯红灯过马路,是一个连续的动作,这个过程♂会持续一段时间,我们可以将这个作为切入点。一是可以考虑增加“姿态估计”,二是考虑“轨迹”检测到第一张脸后不做推送,而是继续检测,同时考虑公交车的移动方向与斑马线行人的移动方向是垂直方向。

总结

从算法模型到部署到真í实业务场景中,〆AI产品经理/项目经理需要思考很多很多。 很多时候,需要思考产品如何与真实业务场景产生交互,这非常重要,而不单单只思考我们期望中的算法该如何运作。 产品如何与世界交互,这非┘常重要。

参考:

《用户体验要素》 https://github.com/lonelygo/Shift-AI-models-to-real-world-products

本文由 @一颗西兰#花 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协φ议