擎天柱|业务进阶：AI图像识别 autopilot|mobileye|芯片|美元|马斯

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。

文章插图
一、灵魂三问1. AI 业务的盈利模式是否完善、合理？个人认为这是PM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。后来我在上厕所的时候突然就灵光一现脑洞大开，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，那么我就可以给这些企业提供SaaS服务，一来是增加公司盈利，二来是通过市场来检验产品。
2. 投入产出比能否达到公司预期？明确自己负责的产品属于长线收益还是短线收益。如果是长线，那么就规划迭代产品，计划每个阶段的投入和产出，大象无形，大音声稀，掌控好每个细节自然就会脱颖而出。
3. 产品是否符合公司政策和发展基调PM直接对公司和需求负责，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，做个俗人，当断则断。
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，所以我就往B端使劲，不管是不是属于我负责的业务，都想方设法跟B端产生更多业务联系。
二、产品架构设计公司资源、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。
1. 配置层用来帮助客户配置AI产品的规则逻辑等内容。可以包括：

AI识别模型库，用来维护识别模型的种类，也是业务中科技含量最高的模块，便于日后的查询和管理；
AI权限模块，用来管理相关的业务人员进行操作，定义使用AI服务的客户；
人工审核管理模块，用来管理使用AI识别还是人工识别的规则；
事件定义模块，用来定义事件的判断结果和触发条件；
AI服务周期，用来管理AI服务的有效期。

2. 操作层对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。
3. 应用层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。
三、图像识别原理1. 概念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。
2. 学习方式分为《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：