本文作者@Jasmine ，文章主要分享我們?cè)撊绾卧趯?duì)AI行業(yè)一無(wú)所知的情況下，快速了解到它的流程運(yùn)作，并找準(zhǔn)機(jī)會(huì)轉(zhuǎn)行。

Hi，我是@Jasmine，一位AI產(chǎn)品經(jīng)理。在正式內(nèi)容之前，我想跟大家簡(jiǎn)單分享一下我的經(jīng)歷：我大學(xué)本科不是IT相關(guān)，甚至在我工作之前，我沒(méi)有做過(guò)任何與互聯(lián)網(wǎng)相關(guān)的實(shí)習(xí)工作。

而現(xiàn)在我能負(fù)責(zé)公司的重點(diǎn)項(xiàng)目，證明了進(jìn)入AI行業(yè)并不是你們想象中的那么困難。直至今天，我仍在這條道路上不斷學(xué)習(xí)，也希望有更多的朋友給予我指點(diǎn)。

現(xiàn)在我就來(lái)說(shuō)說(shuō)，如何在對(duì)AI行業(yè)一無(wú)所知的情況下，快速了解到它的流程運(yùn)作，并找準(zhǔn)機(jī)會(huì)轉(zhuǎn)行。

一、簡(jiǎn)單了解AI應(yīng)用范圍

（上圖，來(lái)自智能玩咖）

AI的應(yīng)用領(lǐng)域非常非常廣，上圖只是大家相對(duì)熟悉的幾個(gè)，而且每一個(gè)領(lǐng)域用到的算法都不一樣。有很多想轉(zhuǎn)型的產(chǎn)品，第一個(gè)考慮的點(diǎn)就是：不懂技術(shù)就做不了AI，我是不是學(xué)完算法才能入行？

其實(shí)不是。

大家可能知道：

1. 不僅算法重要，很多時(shí)候數(shù)據(jù)可能更重要；有保質(zhì)保量的數(shù)據(jù)，才可能有好的訓(xùn)練效果。
2. 數(shù)據(jù)可分為兩種類型：“被標(biāo)記過(guò)”的數(shù)據(jù)和“未被標(biāo)記過(guò)”的數(shù)據(jù)。什么是標(biāo)記呢？意同“貼標(biāo)簽”，當(dāng)你看到一個(gè)西瓜，你知道它是屬于水果。那么你就可以為它貼上一個(gè)水果的標(biāo)簽。算法同事用“有標(biāo)簽的數(shù)據(jù)”去訓(xùn)練模型，這里就有了“監(jiān)督學(xué)習(xí)”。

重點(diǎn)就是這里：只要是跟“監(jiān)督學(xué)習(xí)”沾邊的產(chǎn)品/技術(shù)，比如圖像識(shí)別、人臉識(shí)別、自然語(yǔ)言理解等等，他們都有一個(gè)必走的流程——

不斷地用標(biāo)注后的數(shù)據(jù)去訓(xùn)練模型，不斷調(diào)整模型參數(shù)，得到指標(biāo)數(shù)值更高的模型。

二、數(shù)據(jù)處理流程拆解

1、數(shù)據(jù)標(biāo)注

數(shù)據(jù)的質(zhì)量直接會(huì)影響到模型的質(zhì)量，因此數(shù)據(jù)標(biāo)注在整個(gè)流程中絕對(duì)是非要重要的一點(diǎn)。

1）一般來(lái)說(shuō)，數(shù)據(jù)標(biāo)注部分可以有三個(gè)角色

• 標(biāo)注員：標(biāo)注員負(fù)責(zé)標(biāo)記數(shù)據(jù)。
• 審核員：審核員負(fù)責(zé)審核被標(biāo)記數(shù)據(jù)的質(zhì)量。
• 管理員：管理人員、發(fā)放任務(wù)、統(tǒng)計(jì)工資。

只有在數(shù)據(jù)被審核員審核通過(guò)后，這批數(shù)據(jù)才能夠被算法同事利用。

2）數(shù)據(jù)標(biāo)記流程

• 任務(wù)分配：假設(shè)標(biāo)注員每次標(biāo)記的數(shù)據(jù)為一次任務(wù)，則每次任務(wù)可由管理員分批發(fā)放記錄，也可將整個(gè)流程做成“搶單式”的，由后臺(tái)直接分發(fā)。
• 標(biāo)記程序設(shè)計(jì)：需要考慮到如何提升效率，比如快捷鍵的設(shè)置、邊標(biāo)記及邊存等等功能都有利于提高標(biāo)記效率。

3）進(jìn)度跟蹤：程序?qū)?biāo)注員、審核員的工作分別進(jìn)行跟蹤，可利用“規(guī)定截止日期”的方式淘汰怠惰的人。

4）質(zhì)量跟蹤：通過(guò)計(jì)算標(biāo)注人員的標(biāo)注正確率和被審核通過(guò)率，對(duì)人員標(biāo)注質(zhì)量進(jìn)行跟蹤，可利用“末位淘汰”制提高標(biāo)注人員質(zhì)量。

2、模型訓(xùn)練

這部分基本交由算法同事跟進(jìn)，但產(chǎn)品可依據(jù)需求，向算法同事提出需要注意的方面；

舉個(gè)栗子——

背景：一個(gè)識(shí)別車輛的產(chǎn)品對(duì)大眾車某系列的識(shí)別效果非常不理想，經(jīng)過(guò)跟蹤發(fā)現(xiàn)，是因?yàn)樵撥囅岛土硗庖粋€(gè)品牌的車型十分相似。那么，為了達(dá)到某個(gè)目標(biāo)（比如，將精確率提高5%），可以采用的方式包括：

1. 補(bǔ)充數(shù)據(jù)：針對(duì)大眾車系的數(shù)據(jù)做補(bǔ)充。值得注意的是，不僅是補(bǔ)充正例（“XXX”應(yīng)該被識(shí)別為該大眾車系），還可以提供負(fù)例（“XXX”不應(yīng)該被識(shí)別為該大眾車系），這樣可以提高差異度的識(shí)別。
2. 優(yōu)化數(shù)據(jù)：修改大批以往的錯(cuò)誤標(biāo)注。

產(chǎn)品將具體的需求給到算法工程師，能避免無(wú)目的性、無(wú)針對(duì)性、無(wú)緊急程度的工作。

3、模型測(cè)試

測(cè)試同事（一般來(lái)說(shuō)算法同事也會(huì)直接負(fù)責(zé)模型測(cè)試）將未被訓(xùn)練過(guò)的數(shù)據(jù)在新的模型下做測(cè)試。

如果沒(méi)有后臺(tái)設(shè)計(jì)，測(cè)試結(jié)果只能由人工抽樣計(jì)算，抽樣計(jì)算繁瑣且效率較低。因此可以考慮由后臺(tái)計(jì)算。

一般來(lái)說(shuō)模型測(cè)試至少需要關(guān)注兩個(gè)指標(biāo)：

• 精確率：識(shí)別為正確的樣本數(shù)/識(shí)別出來(lái)的樣本數(shù)
• 召回率：識(shí)別為正確的樣本數(shù)/所有樣本中正確的數(shù)

舉個(gè)栗子：全班一共30名男生、20名女生。需要機(jī)器識(shí)別出男生的數(shù)量。本次機(jī)器一共識(shí)別出20名目標(biāo)對(duì)象，其中18名為男性，2名為女性。則

• 精確率=18/（18+2）=0.9
• 召回率=18/30=0.6

再補(bǔ)充一個(gè)圖來(lái)解釋：

（來(lái)自mousever）

而且，模型的效果，需要在這兩個(gè)指標(biāo)之間達(dá)到一個(gè)平衡。

測(cè)試同事需要關(guān)注特定領(lǐng)域內(nèi)每個(gè)類別的指標(biāo)，比如針對(duì)識(shí)別人臉的表情，里面有喜怒哀樂(lè)等分類，每一個(gè)分類對(duì)應(yīng)的指標(biāo)都是不一樣的。測(cè)試同事需要將測(cè)試的結(jié)果完善地反饋給算法同事，算法同事才能找準(zhǔn)模型效果欠缺的原因。同時(shí)，測(cè)試同事將本次模型的指標(biāo)結(jié)果反饋給產(chǎn)品，由產(chǎn)品評(píng)估是否滿足上線需求。

4、產(chǎn)品評(píng)估

“評(píng)估模型是否滿足上線需求”是產(chǎn)品必須關(guān)注的，一旦上線會(huì)影響到客戶的使用感。

因此，在模型上線之前，產(chǎn)品需反復(fù)驗(yàn)證模型效果。為了用數(shù)據(jù)對(duì)比本模型和上一個(gè)模型的優(yōu)劣，需要每次都記錄好指標(biāo)數(shù)據(jù)。

假設(shè)本次模型主要是為了優(yōu)化領(lǐng)域內(nèi)其中一類的指標(biāo)，在關(guān)注目的的同時(shí)，產(chǎn)品還需同時(shí)注意檢測(cè)其他類別的效果，以免漏洞產(chǎn)生。

三、產(chǎn)品工作補(bǔ)充

產(chǎn)品經(jīng)理的工作，不止是產(chǎn)品評(píng)估——除了流程控制，質(zhì)量評(píng)估，還有針對(duì)分類問(wèn)題，由產(chǎn)品經(jīng)理制定邊界；這是非常重要的，直接影響模型是否滿足市場(chǎng)需求。

產(chǎn)品制定分類規(guī)則：例如，目的是希望模型能夠識(shí)別紅色，那產(chǎn)品需要詳細(xì)描述“紅色”包含的顏色，暗紅色算紅色嗎？紫紅色算紅色嗎？紫紅色算是紅色還是紫色？這些非常細(xì)節(jié)的規(guī)則都需要產(chǎn)品設(shè)定。

如果分類細(xì)，那么針對(duì)某一類的數(shù)據(jù)就會(huì)少。如果分類大，那么一些有歧義的數(shù)據(jù)就會(huì)被放進(jìn)該分類，也會(huì)影響模型效果。分類問(wèn)題和策略問(wèn)題道理是一樣的，都需要產(chǎn)品對(duì)需求了解得非常深刻。

以上內(nèi)容，都只是AI行業(yè)一個(gè)小領(lǐng)域內(nèi)可梳理的工作內(nèi)容。

總之，針對(duì)剛剛?cè)胄械呐笥?，如果沒(méi)有算法基礎(chǔ)、沒(méi)有工程基礎(chǔ)，可考慮在流程、平臺(tái)等職責(zé)角度做過(guò)渡；在工作內(nèi)容中不斷總結(jié)學(xué)習(xí)，往自己最終的方向目標(biāo)不斷前進(jìn)！

作者：黃釗hanniman，圖靈機(jī)器人-人才戰(zhàn)略官，前騰訊產(chǎn)品經(jīng)理，5年AI實(shí)戰(zhàn)經(jīng)驗(yàn)，8年互聯(lián)網(wǎng)背景，微信公眾號(hào)/知乎/在行ID“hanniman”。

本文由 @Jasmine? 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自PEXELS，基于CC0協(xié)議