Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >AI产品经理的入门必修课——案例篇(1)

AI产品经理的入门必修课——案例篇(1)

作者头像
数据森麟
发布于 2021-01-25 04:13:09
发布于 2021-01-25 04:13:09
9100
举报
文章被收录于专栏:数据森麟数据森麟

来源:一个数据人的自留地

作者介绍

@毛毛

产品经理

集颜值和才华于一身。

对AI了解深入,经验丰富。

前面介绍了「AI产品经理需要具备的能力和对数据、算法需要理解的程度」、「机器学习的实际训练过程」,后面将围绕AI产品在当前环境下的热门应用来进行探讨,涵盖了语音识别图像识别、NLP自然语言处理、知识图谱等产品化落地的场景。

1

人工智能与「人工」智能

人每天做的最多的事情就是看、听、说、思考、决策,这是人这个复杂系统需要具备的能力,那么如果要做像人一样的智能机器,最基础要解决的问题便是图像处理的能力、声音的处理能力、口语的处理能力、逻辑推理能力,具备了这些能力之后,人才能做更多的事情,同理机器也就能做更多的事情。

机器学习作为人工智能的实现手段之一,核心是用算法来解析数据、从数据中学习规律,再对现实世界中的事件做出决策和预测。由于强依赖数据,对于数据的处理和应用便显得极为重要。AI场景中需要面临大量的非结构化数据的处理,涉及了大量的人力工作在里面。在当前发展的阶段,我更愿意称它为「人工」智能。

2

如何构建AI产品

构建AI产品需要经历的几个核心阶段,简单概括为业务梳理阶段,准备数据阶段,设计产品研发方案阶段。

业务梳理

不同的行业有不同的行业背景,在设计产品方案之前需要了解自身所处行业的业务逻辑及面临的需求痛点,AI产品本质上解决的是效率问题,不管是提高信息生产的效率还是信息传递的效率,首先需要找到存在效率问题的场景及识别是否高优解决。

●确定业务流程:画业务流程图,梳理不同角色在业务间的顺接关系

●业务分类:分析不同环节间信息如何传递,按照不同的需求类型进行分类。

●资源评估:评估现有数据资源,是否有足够多的数据支撑产品的开发;若业务积累数据不够或质量不佳,有没有其他渠道收集数据,或数据治理的方式。

●确定优先级:哪些问题可以优先解决,按照重要紧急系数进行划分。

准备数据

在构建AI产品的工作流中,准备数据是重中之重,极其关键的一个环节,数据的好坏直接影响了模型是否可用,也是花费精力和工作量最多的一个环节。准备数据的过程包含了收集数据、治理数据、标注数据。

●收集数据:一般收集数据的方式有整理并收集内部积累的业务数据、向数据方购买或合作获取数据、通过爬虫系统获取网络上公开的数据、通过终端设备采集上报数据。

●数据治理:通常我们从多个渠道收集上来的数据是无法直接利用的,因为不同渠道对数据的定义以及生产和使用场景不一样,想要进行使用,需要进行一系列的数据处理流程,治理数据是一个复杂的过程,包含了数据质量、数据标准、数据安全等多个方面的处理技术及方法。

数据标注:数据标注就是将数据打上相应的标签。AI产品需要处理大量非结构化的数据,数据标注的意义是将人积累的经验判断的信息标注到数据上,让机器能够理解和可读。数据标注的流程可以分为:确定数据标注的目的、制定标注标准、进行数据标注、标注结果验收。

设计产品研发方案 - 构建并训练模型

机器学习的训练过程在前一篇文章中已经分享过了,此处不再介绍。

3

案例分析:图像识别 - AI识别植物

应用场景

●获取知识 - 拍照识别植物 ,进行植物研究;

●辅助教学 - 快速识别植物,了解植物基本信息,简化学生认知;

●兴趣爱好 - 旅行游玩,扫描识图增加趣味。

明确任务类型

基于具体的应用场景,梳理核心要解决的问题,例如植物识图,最简单的场景是要输入一个植物图片进去,返回正确的植物名称,属于典型的分类问题。

制定分类标准

我们想要准确识别植物图片,首先第一步要厘清植物一共分为多少种,每种植物具有怎样的特征。下图是以不同植物的生存方式作为分类逻辑进行划分的,可作为参考。分类方式有很多种,核心需要确认并统一制定一套标准,方便日后的维护和扩充,也为后续模型训练打下基础。

制定标准的过程非常考验产品经理对需求场景的理解以及对特定场景下知识背景的研究,标准的覆盖范围直接影响了最终产品所解决问题的范围。

数据采集

根据分类标准分别为每一个类目采集样本图片。通常会有专门的采集数据的平台,我们只需创建任务类型,定义数据采集的范围及需要访问的网站或链接,即可完成自动化数据的采集。

数据标注

将采集上来的样本图片分别打上对应的分类标签。打标签的过程可分为人工打标签、机器打标签。通常公司内部都会搭建专门打标签的数据服务平台,例如百度有自己的众包平台,专门提供各个部门关于数据标注的服务。此外市场上也有专门做数据标注的公司,例如云测数据这样的平台。

模型训练 - CNN

卷积神经网络CNN,是目前主流的处理图像问题的技术。它包含了图像内容定位、目标分割、目标关键点检测、目标分类等关键技术,能够快速提取图像特征。在介绍CNN之前先了解一下什么是神经网络。

神经网络是模拟了生物神经细胞传递信息的过程而构建的神经元模型,主要包含了三部分,数据输入层、隐藏层、输出层。

●输入层:就是将基础数据录入到模型中。

●隐藏层:也叫计算层,包含了多个参数的数学模型计算。

●输出层:经过计算后输出结果。

计算过程可以简单理解为:输入层输入的每一个数值在乘以相应的权重后会传递到下一个节点,节点处会把每一条经过计算的数据结果进行累加。累加后的值通过激活函数激活之后,会继续作为下一层的输入数据参与计算,以此循环直到计算至最后一层输出数据。每一次训练数据的进入,都会将整个神经网络上的各个节点权重值更新一次,通过每一层权重值的不断调整来逐渐缩小误差,确认最终模型。

卷积神经网络CNN与神经网络逻辑一致,同样包含输入层、隐藏层、输出层,区别在于隐藏层中又会拆分出卷积层、线性整流单元层、池化层、全连接层。卷积层是为了提取图像特征;线性整流单元层在进行计算时调用了特定的ReLU激活函数;池化层是为了将参与计算的图像特征数据进行降维处理;全联接层是为了综合计算不同分类的得分,为最后的数据输出做准备。(技术逻辑较为复杂,感兴趣的童鞋可以查阅更多资料进行扩展了解,通常此部分为算法工程师处理,产品只需简单理解原理)。

模型评估

AI产品经理需要为模型结果负责,在评估模型是否可用上需要建立统一的评估标准,明确评估流程,并通过数据分析来形成结论。在植物识图这个场景下,一方面需要评估模型能否成功识别出图片内容包含植物,另一方面需要对已识别出的植物进行分类准确性的评估。

●评估标准

评估标准包含了准备测试数据集,确定评估指标,定义不同情况下的判断标准。

●评估流程

所有识图相关的场景下都要经过先识别再预测,因此在评估过程中,需要着重关注模型是否正确圈选出目标物体,若已框选出目标物体,再做正确与否判断。

●评估数据

确定了评估标准及评估流程之后,要对采集的测试数据进行逐个评估,此环节可以交由数据标注团队或者实习生来进行操作,因为个别场景下需要测试数据量级比较大,为了提高效率需要将任务量进行分摊,大部分公司会设定专门的岗位进行数据支持。

●评估结论

准确率指标是为了评估模型对数据的预测能力;YES判断正确数/(YES识别框+NO中应为YES的识别框)。

召回率指标是为了评估模型对图像识别的能力;已框选植物主体框/应框选植物主体框。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-01-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 数据森麟 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
AI产品经理的入门必修课(2)——实战篇
上一篇文章里简单介绍了AI产品经理需要具备的能力和对数据、算法需要理解的程度。本篇计划介绍一下机器学习的实际训练过程,来进一步的理解AI产品在日常工作中需要关注的内容。现简单的将训练流程划分为:定位要解决的任务类型 -> 选择合适的算法模型 -> 准备数据集 -> 训练模型 -> 调整参数 -> 模型评估及验收。
数据森麟
2021/01/25
6000
AI产品经理的入门必修课(2)——实战篇
AI产品经理的入门必修课(3)——知识图谱
AI核心要研究的是如何让计算机去完成以往需要人的智力才能胜任的工作,而人的智能性核心体现在对不同事物的感知能力、推理能力、决策能力。因此要想做出AI产品就离不开对感知的研究,推理机制的研究以及智能决策方向的研究。对感知智能而言,AI已经做了很多突破,例如机器对听觉、视觉、触觉的感知能力,通过摄像头、麦克风或者其他的传感设备,借助语音识别、图像识别的一些算法模型,能够进行识别和理解。
数据森麟
2021/01/25
7220
AI产品经理的入门必修课(3)——知识图谱
转型AI产品经理需要掌握的硬知识二:AI常见概念和算法梳理
上一篇文章介绍AI产品经理能力模型,人工智能的发展历史,人工智能常见概念的结构梳理,也简要做了BAT人工智能的优势分析,感兴趣的朋友可以点击链接查看上文。转型AI产品经理需要掌握的硬知识一:AI产品能力框架和看待AI的几个视角 本文将继续介绍Ai产品经理需要理解的一些概念,常见AI算法,机器学习的工作方式和三大流派,使用Tensorflow实现手写数字识别,帮助大家理解技术实现流程和一些AI技术名词,更有助于同AI科学家或AI工程师的沟通。
用户2559057
2018/08/27
8730
转型AI产品经理需要掌握的硬知识二:AI常见概念和算法梳理
产品经理必修-如何成为AI产品经理
机器学习和自动化进程正在重塑产品经理的工作方式和日常习惯,从简单的问题解答到复杂的任务解决。你对此感到焦虑不安还是满怀期待呢?
一个产品经理
2024/10/11
6020
产品经理必修-如何成为AI产品经理
📖《技术人的第二曲线:AI产品经理成长手册》
Jimaks
2025/03/28
1970
人工智能产品经理:人机对话系统设计逻辑探究(笔记)
机器若要帮助人类摆脱繁杂的无价值事务,前提条件之一就是理解人类的意图。语言是人类最重要的信息传达方式,所以机器理解人类语言的能力就显得极为重要了。人机对话作为这个方向下的具体落地业务,必然将在人工智能发展周期中扮演极为重要的角色。
爱学习的程序媛
2022/10/27
1.7K0
人工智能产品经理:人机对话系统设计逻辑探究(笔记)
转型AI产品经理需要掌握的硬知识(一):AI产品经理能力模型和常见AI概念梳理
近几年,从亚马逊, Facebook,到谷歌,微软,再到国内的BAT,全球最具影响力的技术公司都将目光转向了人工智能( AI )。2016年 AlphaGo 战胜李世石,把公众的目光也聚集到了人工智能。创新氛围最活跃的中国,已将人工智能定位国家战略,2017年11月15日,中国新一代人工智能发展规划暨重大科技项目启动会在京召开,公布我国第一批国家人工智能开放创新平台,包括:百度-自动驾驶工智能开放创新平台;阿里云-城市大脑人工智能开放创新平台;腾讯-医疗影像-人工智能开放创新平台;科大讯飞-智能语音人工智能开放创新平台。现在中国的所有互联网公司,不论大小都在布局人工智能,似乎产品中没有人工智能的元素都不好意思找投资人,大量的科技巨头和专家预测人工智能将带来第四次革命,继农业革命,工业革命,信息革命后从底层改变我们的工作和生活,也有很多专家认为人工智能是中国超越美国的一次千载难逢的机会。
用户2559057
2018/08/27
2.4K0
转型AI产品经理需要掌握的硬知识(一):AI产品经理能力模型和常见AI概念梳理
聚焦卷积神经网络(CNN)、人工神经网络(ANN)与图像分析---AI在植物科学中的应用进展
本文参考研究AI-powered revolution in plant sciences: advancements, applications, and challenges for sustainable agriculture and food security(https://www.explorationpub.com/Journals/eff/Article/101045)续上篇大数据分析、区块链技术和3D打印的内容来继续讲述AI在精准农学中的发展,聚焦深度学习特别是CNN、ANN,专家系统与模糊逻辑,图像分析等内容,旨在强调AI在促进我们对植物生命的理解和优化农业实践以实现更可持续和粮食安全的未来方面的重要作用。
生信菜鸟团
2025/04/07
1600
聚焦卷积神经网络(CNN)、人工神经网络(ANN)与图像分析---AI在植物科学中的应用进展
图像标签背后的技术原理及应用场景
以上这些便利的功能,都使用了图像标签。它们背后的AI算法是如何读懂一张图片的呢?图像标签还有哪些应用?希望这篇文章可以回答你的疑问。
jimzyang
2020/01/19
2.6K0
图像标签背后的技术原理及应用场景
让看不见的AI算法,助你拿下看得见的广阔市场
人工智能技术的飞速发展给各行各业都带来了深远的影响,AI已被视为企业提升运营效能、应对市场竞争的必经之路。然而对于一些企业而言,让AI真正实现落地和应用,并且创造价值,仍是一件需要努力的事情。
个推君
2019/03/12
7020
AI商业产品经理:我眼中的AI简史
导语:ABC时代(AI+BigData+Cloud),作为腾讯云大数据及人工智能产品中心的一员,也算是站在了toB+ABC的“腾讯风口“。分享一些在AI领域作为一名商业产品经理的心得,希望尽可能系统化。适合对AI感兴趣的人群,无需产品和算法/研发背景知识。 前言 明镜所以照形,古事所以知今。无论做哪个行业属于哪个领域,我们回顾历史,总是可以发现一些规律,一些似曾相识。回顾历史,我们可以总结历史经验、把握历史规律,增强开拓前进的勇气和力量。 AI发展的三大浪潮 事物发展总是有周期的,大到一个国家/朝代的
腾讯技术工程官方号
2019/07/15
4.8K0
AI商业产品经理:我眼中的AI简史
第七章 AI数据质量-1
数据对于AI算法来说是非常重要的,它决定了一个算法模型的好坏,有所谓的“Garbage In Garbage Out”的说法,即“输入的如果是垃圾,那么输出的也将是垃圾”。本章我们将介绍数据如何驱动AI算法模型,数据采集的基本流程,如何对AI数据质量进行评估,如何通过程序合成来快速扩充AI样本数据及其局限性和相关的度量手段,最后我们将介绍如何管理AI样本数据。
bettermanlu
2025/04/15
5000
第七章 AI数据质量-1
教会AI认识麻将牌之实践篇
说起打麻将我一直是处于比较业余并且不思进取的水平,各个地方的麻将规则不一,繁琐的规则也懒得放脑袋里记忆了,于是每次跟朋友打麻将都是现场临时约定规则,怎么简单怎么来,周边也有不少年轻的小伙伴我一样。
曲奇泡芙
2020/06/23
2.8K0
产品经理必修之智能决策支持系统在供应链管理中的实践
上一期对AI产品经理进行了介绍,接下来的几期将用通俗易懂的文字讲解一下AI产品经理需掌握的一些技术。
一个产品经理
2024/10/11
2620
产品经理必修之智能决策支持系统在供应链管理中的实践
AI的背景知识及机器学习
约6千字,主要内容为机器学习的几大分类及其基本内涵,后续我会补充关于AI的应用场景、相关技术领域(如计算机视觉、自然语言处理等)的总结。由于目前正在学习,比较严谨的部分我都用摘抄的形式并注明了来源。
竹清
2018/08/31
2.1K0
AI的背景知识及机器学习
AI商业产品经理:我眼中的AI简史
明镜所以照形,古事所以知今。无论做哪个行业属于哪个领域,我们回顾历史,总是可以发现一些规律,一些似曾相识。回顾历史,我们可以总结历史经验、把握历史规律,增强开拓前进的勇气和力量。
腾讯云AI
2019/07/24
7900
AI商业产品经理:我眼中的AI简史
创意视觉应用︱基于深度学习的CVaaS计算机视觉即服务案例
CVaaS 就是 Computer Vision as a Service, 我们把 CV 的部分标准化成为了一种服务,而每一个行业可以在这里找到自己行业需要的和图像处理、视频处理、计算机视觉相关的算法服务,然后他们可以整合这些算法服务成为他们需要的应用。
悟乙己
2019/05/26
9480
AI智能体的开发流程
AI智能体的开发流程是一个多阶段、迭代的过程,它将机器学习、软件工程和领域知识结合在一起,旨在创建一个能够感知、推理、学习和行动的自主系统。下面是一个详细的AI智能体开发流程。
数字孪生开发者
2025/06/16
2280
AI智能体的开发流程
AI探索(一)基础知识储备
凡是通过机器学习,实现机器替代人力的技术,就是AI。机器学习是什么呢?机器学习是由AI科学家研发的算法模型,通过数据灌输,学习数据中的规律并总结,即模型内自动生成能表达(输入、输出)数据之间映射关系的特定算法。这整个过程就是机器学习。
周希
2019/10/15
5270
数据产品经理技能树自查对照表
随着数字化转型进程的加快,数据方面的人才需求越来越旺盛。互联网早期,人人都是产品经理。数字化时代,不管会不会人人都是数据产品经理,但的确越来越多人会把数据产品经理作为求职方向,或者开始转型做数据产品经理。对于新从业者,最大的困惑就是目标很明确,但是不知道如何下手准备。这里列举了数据产品经理的技能项,希望可以为更多求职者或者从业者提供明确的方向,可以针对性地对自己的能力维度进行训练提升,成为“多边形”数据产品经理。
数据干饭人
2022/12/05
4760
数据产品经理技能树自查对照表
推荐阅读
相关推荐
AI产品经理的入门必修课(2)——实战篇
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档