编辑导语：作为一名AI产品经理，你需要对自身所负责的业务有所洞察，进而根据具体的业务需求、用户需求来做好产品架构设计。那么，你了解AI图像识别业务吗？本篇文章里，作者便结合实际经验，总结了AI图像识别的相关业务原理，一起来看一下。
个人认为这是PM/PO/BA最容易发生的问题，把自己放在已有业务上而丧失观察相邻业态的大局观。因为不够了解市场的多样性，限制了扩展业务的思路和眼界。
之前我负责的产品主要服务对象是G端客户，帮助他们识别图像中的特征，提高业务效率。后来我在卫生间灵光一现，想到除了G端还可以服务B端，因为很多中小微型企业没有技术能力来实现这些系统，那么就可以把这些业务给产品化，给这些企业提供AI-a-a-S产品，一来是增加公司盈利渠道，二来是通过市场来检验产品，而且最重要的点是能够留存大量第三方的数据，这些数据对于企业来说是巨大的宝藏。
ROI的时间维度是非常重要的因素，不知道有多少项目由于各种因素导致暂时不能给公司盈利而被砍掉。大象无形，大音声稀，没有人能永远掌握市场的需求，尽量多跟商务和市场的同事沟通，做好当下，规划未来。
PM直接对公司和用户负责，二者的侧重点如同排序一样，有时候好的产品并不符合公司利益，绝对忠于公司，其次才是用户。
之前我们公司赢利点在G端，但是B端在国内也有大量客户，公司规划的发展方向也是逐渐摒弃G端以B端为主，所以毫无疑问往B端发力，不管是不是属于我负责的业务，都要想方设法跟B端产生更多业务联系。
公司资源、业务需求等各种条件都较为复杂的情况下，可以通过划分维度来设计产品，比如可能涉及到配置层、操作层和应用层。
用来帮助客户配置AI产品的规则逻辑等内容。包括但不限于
根据各公司实际情况，判断以上内容是否适用。
对AI识别后的结果进行二次检查。可以设计AI标注库，用来校验AI的识别结果，提高正确率。也可以使用人工标注的数据优化现有算法。
AI产生的结果直接面向客户。可以设计通知触发规则，用来管理通知的内容、触发频率和受众类型等；客户类型，根据客户类型给客户展示识别结果和数据可视化内容。
通过当前已有数据对算法模型进行训练，总结数据的规则，预测新数据的结果。
分为《预测学习》和《描述学习》。
1）预测学习
模型训练之前，使用人工的方式提取特征并给打上标签。其目标是在给定一系列输入输出实例所构成的数据集的条件下，学习输入x到输出y的映射关系。
这里的数据集称为训练集，实例的个数称为训练样本数。对于给定的x，可以对所视察到的值与预测的值进行比较。
例如我们现在有大量的狮子和老虎的照片，首先给每张照片都打上对应动物的标签。然后把这些带标签的图片喂给模型，让模型知道狮子长什么样，老虎长什么样。最后我们找一些新的、没打标签的图片给模型，让它自己识别图片里是什么。这就是一个完整的有监督模式的机器学习过程。
2）描述学习
直接把数据丢给算法模型，又称为“聚类”。
在给定一系列仅由输入实例构成的数据集的条件下，其目标是发现数据中的有趣模式。
描述学习有时候也称为只是发现，这类问题并没有明确定义，因为我们不知道需要寻找什么样的模式，也没有明显的误差度量可供使用。为了让机器能够理解物体之间的关系，我们最终把现实中的特征转化为“向量”进行计算。
例如擎天柱，张三和我，如果细分的话，张三和我应该是一类，因为属于人类；擎天柱属于机械类。最后三者才同归属于生命体类。
3）算法模型
目前所有算法模型都是各有千秋的状态，没有一种算法能够被证明全面优于其他算法，每种算法都是为了解决某一特定场景的问题，只有某一特定场景更优的算法，可以通过对比找到其中最好的算法。
目前出现的相对流行的算法主要是以对象、区域、上下文等场景的分类算法：
① 基于对象的场景分类
这种分类方法以对象为识别单位，根据场景中出现的特定对象来区分不同的场景；基于视觉的场景分类方法大部分都是以对象为单位的，也就是说，通过识别一些有代表性的对象来确定自然界的位置。
典型的基于对象的场景分类方法有以下的中间步骤：特征提取、重组和对象识别。
缺点：底层的错误会随着处理的深入而被放大。例如，上位层中小对象的识别往往会受到下属层相机传感器的原始噪声或者光照变化条件的影响。尤其是在宽敞的环境下，目标往往会非常分散，这种方法的应用也受到了限制。
需要指出的是，该方法需要选择特定环境中的一些固定对象，一般使用深度网络提取对象特征，并进行分类。例如PCA算法实现识别人脸降维原理，排除冗余和噪音的干扰，试验步骤如下：
② 基于区域的场景分类
首先通过目标候选候选区域选择算法，生成一系列候选目标区域，然后通过深度神经网络提取候选目标区域特征，并用这些特征进行分类。
③ 基于上下文的场景分类
这类方法不同于前面两种算法，而将场景图像看作全局对象而非图像中的某一对象或细节，这样可以降低局部噪声对场景分类的影响。将输入图片作为一个特征，并提取可以概括图像统计或语义的低维特征。
该类方法的目的即为提高场景分类的鲁棒性。因为自然图片中很容易掺杂一些随机噪声，这类噪声会对局部处理造成灾难性的影响，而对于全局图像却可以通过平均数来降低这种影响。
基于上下文的方法，通过识别全局对象，而非场景中的小对象集合或者准确的区域边界，因此不需要处理小的孤立区域的噪声和低级图片的变化，其解决了分割和目标识别分类方法遇到的问题。
图像识别技术归纳起来，主要包括4个步骤：
作为PM\PO\TPM来说，给到技术大佬们的策略是要清晰完整的，举例：要识别图片中的人是否带帽子，那么这时我们就要描述清楚帽子的颜色、种类和所在位置等维度信息。
最好用爬虫的方式爬取大量帽子，然后判断帽子是否在人的脑袋上。在语音识别中，需要建立字符库，完善优化字符库的内容。
通过收集和整理，我们对要产品需求会有一个直观的认知，但随着调研的继续，我们还可能会发现其他问题。为了避免有价值的信息遗漏，这个阶段我们收集的案例，应该具有更多的发散性。
对于用户来说，能够让用户感知到的是产品的拟人度。但AI的输出是否合理，这个取决于人的主观评判。这也是数据标注工作所做的意义所在——尽可能通过标注让模型更像真实的人。比如在情景对话中，虽然有些回答听起来很搞笑，但只要输出的结果让人觉得合理，就依然会被人接受。
客观化、可量化、数字化、就事论事。如下：
业务说：大佬，能不能优化下这个模型，好多地方都不准，客户都投诉啦。
建议沟通方式：
业务说：博士，这个模型的准确率能不能提高到95%？因为目前图像上的3个点都属于特征点，但是没有识别成功。
本文由 @赵大师 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协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。