你不是演算法工程師，就可以不瞭解AI技術嗎？
身處人工智慧的大浪潮之中，除了演算法工程師，其他的角色也都應當對人工智慧技術有一定的瞭解。所以，筆者將針對“什麼是人工智慧？”“非技術人員對於人工智慧的理解存在哪些門檻？”等問題與大家分享自己的見解。
過去一段時間一直在思考：
- 非技術人員(比如產品經理、設計師、市場營銷等)理解人工智慧技術存在哪些門檻？
- 有沒有更直觀、門檻更低的方式？
- 人工智慧產品的研發和過去有什麼不同？
- 各個角色如何協同？
為此，我與很多產品經理、UX設計師等非技術人員進行了交流。
下面就為大家分享我對於這些問題的思考。
今天，無論是面向個人的應用還是企業級軟體，人工智慧都在其中發揮了重要作用。未來更多的產品和服務也一定是資料和人工智慧技術來驅動。
儘管人工智慧技術與微積分、線性代數、概率論與統計、計算機等多種學科相關，存在較高的理解門檻，但是身處在這個大浪潮中，不清楚內在的奧妙就有點太可惜了。
- 什麼是人工智慧？
- 經常看到的機器學習和深度學習這些是什麼意思？
- 我的業務問題可以用以上技術解決嗎？
- 由資料和人工智慧技術驅動的產品，功能設計會和以前有很大不同嗎？
- 我怎麼給客戶講清楚產品在人工智慧技術上的優勢？
- 當這些產品出現問題時，怎麼修復和升級優化？
- …….
真正能落地，產生業務價值的產品和服務的，在整個生產鏈條上，除演算法工程師外，其他角色也需要了解相應的人工智慧技術。
一、人工智慧技術無處不在
1992年，明尼蘇達大學的John Riedl和Paul Resnick 建立了基於協同過濾技術的新聞推薦系統。該系統收集使用者對文章的評分，並預測使用者對其他文章的喜好程度，這是最早的自動化協同過濾系統推薦引擎之一。
到如今個性化推薦系統已經成為各種網站、APP的標配，比如：淘寶 、今日頭條、網易雲音樂等等。
在交通出行領域UBER、滴滴等利用人工智慧技術來分配乘客的訂單並幫助司機規劃路線，提高出行效率。
上述只是大家熟悉的兩個場景。
除了改變個人生活，人工智慧在企業執行方式也產生了根本性的影響。
比如：
產品的採購詢價通常是一個非常耗時的過程，傳統的方式採購人員要提供詢價單給供應商的工作人員獲取價格資訊。詢價單一般是word、pfd或者excel格式，可能包含幾百甚至上千種零部件。
當供應商拿到詢價單，需要人工一個一個查詢部件價格，然後反饋給採購方，而且整個過程經常要來回確認，非常耗時。
那麼藉助人工智慧技術，比如：
- OCR識別和資訊提取
- 搜尋引擎查詢
- RPA(Robotics Process Automation)自動填表
可以將原本耗費幾個小時的事情變成一鍵3秒報價。
如果去審視企業執行的各個環節，會發現很多適合應用人工智慧技術的場景：從市場營銷、財務、銷售服務到產品設計、運營，甚至人力資源管理等等。
可見，除了toC領域，人工智慧技術也正在重構企業的價值鏈。
二、非技術人員理解人工智慧技術有哪些門檻
在面對人工智慧時，非技術人員的態度呈現兩極分化的特徵：他們要麼充滿疑惑，要麼過於自信。
下面是我們經常聽到的一些疑問：
產品經理：
- 人工智慧、演算法、機器學習、深度學習這些到底是什麼？
- 它的能力邊界在哪？
- 我怎麼把人工智慧技術應用到產品？
使用者體驗設計師：
- 人工智慧技術會給產品體驗帶來哪些變化？
- 如何設計人工智慧產品的使用者體驗？
商業/市場相關人員：
- 人工智慧技術對於企業而言到底意味著什麼？
- 我如何向客戶介紹產品及其應用的人工智慧技術？
總結一下，非技術人員理解人工智慧技術主要有三大門檻：
- AI演算法到底是怎麼得出結果的？
- 如果我想應用AI技術，要怎麼做？
- 採用人工智慧技術後，它的效果如何評估？
1. AI演算法到底是怎麼得出結果的
在過去，如果想要建立一個產品來識別某些東西，必須要寫邏輯步驟（程式）。
比如：為了識別圖片中的貓，需要用程式來分別識別貓的輪廓、皮毛、腿、眼睛、尖耳朵等等，然後把它們組合在一起進行判斷。
但這在實踐中，就相當於試圖製造一隻機械貓。可以想象在邏輯上是非常複雜的，並且很多時候我們並不能準確描述“識別貓”的所有步驟。
而人工智慧演算法就不一樣， 它可以藉助大量資料——比如：你給演算法 100000 張有“貓”標籤的照片，機器就能找出區別。
這裡面的核心區別就在於：傳統方式，人們需要給出識別邏輯，而人工智慧演算法是從結果出發。
那機器是怎麼自動找到貓的識別邏輯呢？
這就涉及到演算法的工作原理。
很顯然，讓非技術人員去理解這些數學公式並且進而理解人工智慧技術是非常不現實的。
這就引入了另外一個問題：如何以一種正確的“心智模式”去理解某項事物？
不同的角色對應的心智模式必然不同，以PCA和神經網路為例：
工程師要對背後的數學原理及推導步驟很熟悉，但對產品經理、UX設計師、甚至售前人員而言，知道這些對你瞭解“什麼是PCA？”“它的使用場景是什麼？有什麼作用？”，並沒有太大的幫助。
2. 如果我要應用AI技術，要怎麼做
產品是怎麼設計出來的呢？
在SAP工作多年，我們一直在用Design Thinking——設計思維所倡導的設計理念與方法流程，來進行產品研發。
設計思維最早由IDEO提出，經過多年發展已經應用於很多行業的產品研發過程中。
那人工智慧產品可以沿用這種方式來設計嗎？
人工智慧技術的結果不確定，準確率也不是100%可保證的。
對比之下，傳統產品出現bug是異常，而人工智慧產品bug則是常態化。
對人工智慧演算法來說，準確率98%是站在資料集的角度考慮的，但真正把模型或產品應用到業務系統中，使用者面對的是一份一份的資料。每一份資料都可能出錯，那在這種情況下需要怎麼做？
面對這些情況的時候，人工智慧產品的設計、研發過程應該遵循怎樣步驟？
3. 採用人工智慧技術後，它的效果如何評估
通過上面識別貓的例子，可以看到：
傳統方式是試圖用程式描述清楚貓的構造，而人工智慧技術則直接從結果入手，通過大量的資料告訴機器“哪些是貓？”，由演算法去自動發現識別的規則。
這種區別導致：評價人工智慧技術應用效果的方式與過去不同。
傳統技術遵循因果、業務邏輯，人工智慧依賴資料和演算法。因此，對於人工智慧產品而言，研發人員需要正確理解演算法指標、業務指標，以及演算法指標和業務指標之間的關係。
其中演算法指標主要面向人工智慧演算法工程師，而業務指標則主要面向產品經理、運營人員等相關角色的。
- Accuracy升高，會幫助提升使用者活躍數嗎？
- 研發工程師告訴我F1 Score很高了，可是它跟使用者的訪問時長什麼關係？
- …….
以上這些問題是需要不同角色一起在實踐中探索的。
除了以上三個門檻，對於產品經理、設計師等角色，還面臨另一個挑戰是：如何與AI工程師/資料科學家溝通協作？
傳統產品研發過程中，通常包含的角色主要有：產品經理、設計師、前端、後端、測試等。
在人工智慧產品研發過程中出現了一些新的角色，比如：資料科學家。
根據在團隊中工作內容的偏重，一般業界也把資料科學家分為A、B兩種型別。
Analysis（分析型）：
一切為資料驅動的決策服務。
主要的工作是：清理資料、做分析、找 Insight、做 Report 等等。
他們需要了解市場、行業、業務。而各種人工智慧技術和工具是他們完成工作的手段，發現正確的問題則是他們的主要任務。
Building（構建型）：
偏 Research & Product，他們的職責是讓演算法能夠與產緊密結合，甚至主導演算法驅動的產品。
主要的工作是：把演算法從 Research 轉化為 Product。
三、人工智慧技術不是Magic
1. 非技術人員如何理解人工智慧技術
就像前面提到的，讓非技術人員理解數學公式，進而理解人工智慧技術這個路徑是非常不現實的。
那如何以符合非技術人員心智模式的方式去解釋人工智慧技術呢？
我們認為要以場景+直觀感知的方式來理解。
場景：
- 當前的業務問題是什麼?
- 面向的使用者是誰，在什麼場景下使用該功能?
- 選擇用什麼人工智慧演算法來解決問題？
- 解決問題需要哪些資料?
- 評估指標有哪些，通過收集哪些資料來獲得反饋並優化模型？（資料的收集非常重要，資料可以分為：使用者行為資料和業務資料。業務資料一般都會定好，困難的是行為資料的採集。所以，一個產品經理如果說不清楚自己要採集哪些資料來優化功能，說明對這個功能理解的還不夠透徹。）
- 核心業務流程是怎樣的？
以上這些問題可以幫助產品團隊定義和理解AI應用的場景。
直觀感知：
通過Demo來和演算法/模型進行互動，比如：改變輸入，改變引數來直觀的感知演算法是如何工作的。
2.基於人工智慧產品的設計也有章可循
為了探討人工智慧產品的研發流程和方法，我們還是從傳統產品的設計開始講起。
商業模式畫布和設計思維是經典的可持續創新理論，已經在各類產品研發過程中得到廣泛應用。它們強調以使用者為中心和快速迭代驗證方案。
商業模式畫布是從戰略層面判斷和定義產品/業務模式要關注的關鍵要素，它包含如下關鍵因素：
而設計思維是：將戰略轉變為現實的具體步驟和方法，典型的流程是這樣：
作為對比，下面列出了人工智慧產品的技術實現過程：
通過三者的有機融合，我們藉助AI應用畫布的方式來指導人工智慧產品的設計。
AI應用畫布以模型為中心，左側包含：機會、應用物件、策略、流程，強調模型應用的商業價值/機會。
右側包含：解決方案、資料、技能、成功標準，關注模型的技術可行性。
針對每一個要素進行更細粒度的拆分，就可以有章可循地設計人工智慧產品，真正在業務上產生價值。
以上就是：我對於“非技術人員如何理解人工智慧技術？”“並且，其如何參與到人工智慧產品研發的過程中“的思考。
人工智慧技術雖然有門檻，但是找到合適的切入點就能事半功倍。當你瞭解了以上這些話題，人工智慧技術對你也就不再陌生。
本文由 @凱文 原創釋出於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議