智能助理的應用場景選擇 | AI產品經理閉門會第3期乾貨分享

9月20日（上周三），我們舉行了第3期的「AI產品經理閉門會」，這也是第一次在深圳進行的閉門會，現場主要有四個階段：

1、《智能助理的應用場景選擇》@郭靖，本期特邀嘉賓，Chatbot領域AI創業公司創始人兼AI產品經理，前迅雷PM。2016上海BOT大數據應用大賽冠軍（智能購車顧問）（特別福利：文末會說明該PPT的下載方式）

2、《金融科技-智能投顧與AI金融風控》@謝成

3、《車載語音助手的實戰乾貨》@宏衛

4、大家交流及@團長 分享

下面是乾貨詳情——

一、智能助理的應用場景選擇 | 郭靖

1、什麼是智能助理

利用AI技術，打造統一的CUI（對話交互界面），一站式的整合信息&服務。

2、關於智能交互

真正的智能交互是一種「自由」的交流與交互方式，而不僅僅是與「以自然語言為形式」的交互方式，後者很有可能會淪為自然語言形式的「命令行」。

3、智能助理什麼時候大火？沒有成熟應用的原因？

2015年Magic項目是讓智能助理真正火起來的項目，希望用一句話就能實現需求。但後來發現很多需求智能助理並不能滿足，也因此後來很多類似項目都無法成功。

人類的需求是服從正態分布的，例如人類有1萬種需求，其中15種的高頻需求，覆蓋95.4%的用戶請求量。但這些高頻需求都會被「APP」形式的應用佔領（例如淘寶、攜程等），因此這些高頻需求反而不是CUI需要去覆蓋的。

4、CUI的重點？

CUI核心是去覆蓋頻率只有5%，但數量卻有9985種的長尾需求。每個人的長尾需求都不一樣，CUI若能很好的滿足一些長尾需求，能夠使用戶和產生依賴，讓自己也成為一個「入口」。這是「低頻打高頻」的暢想。

5、通用領域的長尾困境

「低頻打高頻的暢想」實現起來困難重重，我們稱之為「通用領域的長尾困境」。主要是由於不同場景，下語言的意義可以多種多樣，有太多不明確的意圖無法確認。我們為解決此問題，試圖限定談話的領域，從寬度發展變為廣度發展。這也就是垂直領域的智能助理。

6、垂直領域智能助理的困境

1）推理複雜度

• 機器學習（ML）是計算的逆運算，很多時候時候從結論反推規則，用數據訓練規律。對象的複雜程度直接決定模型的複雜程度。
• 意圖理解難推理

2）知識複雜度

3）數據開放度

很多領域，例如醫療領域的數據非常難獲取。這也是項目的難題之一。

7、解決方案

解決方案1）：面向大眾還是專業人士？

解決方案2）找到「不得不」場景

• Amazon的Echo在2016年出貨500萬台，2017預計賣1500萬台。它的10大應用除了「設鬧鐘」等需求，還有「讀報紙」「新增物品至購物清單」這些適應國外用戶的需求。因此我們不僅僅要回答「我有什麼好」還要回答「我比原來的方案有什麼好」
• 很多用戶購買AI是為了滿足客戶對AI的期望

解決方案3）認知問題感知化解決

• 窮舉在該領域內，用戶可能會說的所有query類型
• 完備性<-顆粒度->一致性
• 使用對話模板（DIT++等，DIT++對話模板的官網在https://dit.uvt.nl/ ）

• 使用意圖模板

（註：以上2個模板，也會在文末的下載鏈接里分享給大家）

解決方案4）場景垂直VS領域垂直

我們平時說垂直是說領域的垂直，比如房地產這種行業類的。但是很多時候我們需要場景的垂直，用很窄的場景就解決一個小問題，並且帶來足夠多的好處。

• 「場景小才能壓強大」
• AI是解決簡單重複的腦力勞動。在智能助理的產品下，簡單重複的腦力勞動就是指「明確目標、有限輸入、對話可迅速收斂的任務指令」。

解決方案5）人機協作系統

與其打造高智能的機器系統，不如打造人工和機器一起協作的系統。用人工來保證機器的穩定性。任何一個智能助理的大概的基礎架構如上圖。當用戶輸入一句話後，先做NLP部分，再做對話管理部分（決策部分），最後再做業務處理。這三個模塊，全部都需要機器去運算，那我們就可以給每個模塊加上後台審核人員，對數據做一個標註。這樣就能達到數據沉澱的目的。

標註數據對AI來說非常重要（很多公司都花了大量的時間和費用去買數據、標註數據），「人機協作」在早期既能保證系統穩定，又能標註大量實時有效的數據，是非常好的一種方式。

8、技術需要產品化

AI技術還不夠，需要工程化、產品化；

行業需要科學家，也需要好的產品經理，好的全棧工程師。

9、有時候，人工智慧產品的架構比普通的互聯網產品多了一個維度——「時間」。

這種產品架構，可以生存到未來，並在未來逐步進化，一步步向智能逼近。

二、金融科技-智能投顧與AI金融風控 | 謝成

1、背景

1）金融科技的生態是三個相互牽制的部分：

公司/銀行——監管——資本

2）金融科技發展：

• 20世紀70年代 業務電子化
• 20世紀80年代 前台電子化（ATM機等）
• 20世紀90年代 金融業務互聯網化（實現了高效連接）
• 21世紀 金融科技

3）中國金融科技發展

IT系統——支付——信貸——大金融——生活

2、智能投顧（Robo-advisor）

個性投資、私人訂製、組合投資、分散風險、智能投顧、自動調節

3、金融建模的業務流程

1）收集數據源（信用數據以及非標準數據）

2）融和數據加工

3）構建模型

三、車載語音助手的實戰乾貨 | 宏衛

同行者科技的產品是在車載場景下的語音助手，宏衛通過產品演示和一個個的故事，分享了他們的心得乾貨。

1、為什麼要做AI？

先發現了在車載場景下人們的需求，才選擇做AI的。需求場景大於了AI技術。

2、為什麼其他場景不做？

1）我們的目的是做產品，不做AI產品。因為小公司在演算法等等技術上很難超過BAT等大公司，所以選擇和構成產品每個部分最好的業務技術公司合作，再加上我們對產品的深挖，來做我們的產品。

2）曾經也有其他的場景找到我們公司合作，比如兒童、智能家居等。但其實每個領域裡面，語料庫、語義都會不一樣。

3、如何做車載場景

1）車載場景下沒有辦法直接做to C的軟體，因此選擇了to B的商業模式。

2）為了啟動順利，做了大量的數據埋點，收集到了顆粒化的數據，甚至是用戶每一個問句都做了加密後的信息收集。

3）和大量的內容企業合作，比如QQ音樂、喜馬拉雅等等。

4、其他

1）技術很多時候不能滿足產品的預期，因此，產品應該更注重在現目前的技術下，如何能做出最能滿足用戶需求的產品。

2）付費版引擎和免費版引擎差異非常大，特別是在離線環境下。

3）很多公司做引擎，提供了平台化的產品，但是這樣產品的垂直深度就不夠了。

四、團長分享及大家討論

1、關於數據

1）在AI行業早期的MVP階段，數據價值甚至大於技術架構價值，一開始不用燒錢堆AI技術人才。

2）數據如何獲得？

A）買，但非常貴。（現階段，做數據生意，都可以養活一家公司了）

B）用已有數據自己來生成（具體技術方式略），實際效果是1:1.3（1份原始數據，最多變成1.3份），再多就沒效果了。

C）內部團隊自己撰寫補充

D）在產品體驗流程中，增加人機協作環節，讓用戶幫助產生數據。

3）數據（標註）職位，是非常好的「AI產品經理入行切入職位」，因為能最紮實了解到業務場景（特別對文科生）。

2、現階段AI落地，很多垂直領域很難一步到位（產生顛覆行業的價值），更現實的方式可能是「吸引用戶興趣、提高付費轉化率」，比如迎賓機器人。

3、很多人技術懂多了，產品sense就少了，如何看待這個問題？

1）學習AI技術，可以看大家自己的意願，很多時候產品經理只需要懂技術的邊界就基本夠用了。

2）如果對AI技術有強烈的學習興趣，也可以試著朝全棧方向發展（本期嘉賓@郭靖 就是）。

現場大合照——

最後，是福利時間：

獲取PPT《智能助理的應用場景選擇》及AI對話產品設計模板—>關注微信公眾號「hanniman」，回復「智能助理」，即可獲得下載鏈接。

注1：「AI產品經理閉門會」，是僅限飯糰「AI產品經理大本營」成員可報名參加的線下閉門交流機會；每期邀請5~7名AI產品經理參加。我會根據團員的背景和需求，來match每次參加人員，甚至會另外邀請重量級嘉賓。往期回顧：

1）AI產品經理、語音交互和聊天機器人 | AI產品經理閉門會第1期乾貨分享

2）小雅音箱音樂功能設計、語音助手及知識圖譜 | AI產品經理閉門會第2期乾貨分享

注2，飯糰「AI產品經理大本營」，是黃釗hanniman建立的、行業內第一個「AI產品經理成長交流社區」，通過每天乾貨分享、每月線下交流、每季職位內推等方式，幫助大家完成「AI產品經理成長的實操路徑」。

---------------------

作者：黃釗hanniman，圖靈機器人-人才戰略官，前騰訊產品經理，5年AI實戰經驗，8年互聯網背景，微信公眾號/知乎/在行ID「hanniman」，飯糰「AI產品經理大本營」，分享人工智慧相關原創乾貨，200頁PPT《人工智慧產品經理的新起點》被業內廣泛好評，下載量1萬+。