演讲者：贾学峰（达观数据副总裁），10年+产品设计和技术团队管理经验，SAP中国研究院高级经理，阿里巴巴数据创新产品负责人。算法开发、机器学习平台搭建，创新产品研发和商业化。
公认的理解层次，目前正在第三层突破
一、概念
文本智能：通俗来讲，希望计算机像人类一样理解自然语言。
文本可以分为书面文本和自然语言转化的文本。书面文本如简历、合同、新闻报道，书面文本可以很容易将其中的内容结构化，进行庖丁解牛似的拆解，抽取出信息进行联接，形成一个知识网。（这就是目前最有价值的方向）生成则是基于已有的规则和逻辑，由机器生成以前从来没有过的信息。比如机器写新闻、机器做海报、机器写乐曲等等。
这里具体的表现就太多了，标签提取和观点提取、文本主题分类和情感识别、文本审核等等。这里举个例子，对于金融投融资行业从业人员来说，不可能看完几百页的债券募集说明书。那么可以采用算法将每篇文章中的关键信息抽取出来。
设计思维：以用户为中心，强调敏捷开发和快速迭代。
AI算法和基于AI算法的产品设计是不同的，设计思维就是要求设计人员从用户、场景和需求的角度出发，去思考要以什么样的形式解决用户的核心诉求。目标用户是谁，在什么场景下去使用我们的产品，是怎么用的等。其中可能涉及到找MVP进行验证，寻找PMF点（与产品匹配的市场角度）具体涉及到的6个方面如下图：
设计思维的概念
机器学习：以数据为中心，数据和模型进行闭环驱动。
首先是对我们要解决的问题进行定义，然后根据问题的类型选择学术界已有的算法和模型（当然自己搞出来的也可以）去验证，初步满足业务要求之后就可以放在线上去使用了，当有新数据输入，就对模型进行训练，不同的新数据训练出的模型是不一样的，最后输出一个结果。这个过程是随着输入数据的增加和业务的发展逐渐迭代优化的。
二、如何找到AI赋能的场景
行业知识非常重要！！！互联网行业应用：提升生产过程中的信息传递效率。企业级应用：提升生产效率和创造新价值。
以一个常见的报销流程来举例说明AI场景如何寻找。
第一步，梳理业务流程有5个步骤：整理发票-填写报销申请单-上传票据-审核-通过收款。
第二步，拆解每个步骤要做的具体工作。比如整理票据的时候要分类、计算总额、甚至有合规性检查。填写步骤就是报销类型、报销金额等业务系统必填字段一个个填进去。上传票据可能还包括打印申请表，贴票等工作。财务部审核票据的合规性、报销金额和票据金额的一致性、申报日期等。审核通过，财务放款后续通知等。
第三步，评估每个具体内容中AI技术能够帮助解决的痛点。比如票据分类，可否用AI技术自动提取到票据中的关键信息后自动分类？发票可否自动进行合规、真假校验？（从源头降低财务审核的负担）发票可否自动分类加总和？（要自己一个个按计算器加也是蛮费时的，还不必说有人会加错、看漏数字） 填写报销单可否实现自动填写？（既然发票可以提取到关键信息，金额、类别一行应该可以通过接口自动填入申请单）上传发票能不能拍照直接上传，实现无纸化办公？（这个依据每个公司对接的税务机构，有的税务机构要求必须有纸质发票。）这样在财务部门审核环节，很多项目就不用浪费人力去进行复核了。在这里，可以建立员工信用系统，如果多次报销不出错，报销金额不超过标准的情况下，可以免审核，直接过。这样员工收到报销款的周期不是大大缩短了吗？简直不能再爽了！
第四步，每一步就要提交数据和模型的训练样本啦！各种发票和票据多多收集（有稳定的数据来源不，这里涉及到项目的可行性），提高算法的准确率，达到既定的标准后就测试发布吧。
举个例子
三、AI产品设计原则
AI驱动的软件在设计过程中，结果存在不确定性的，这样用户在使用时候的感觉可能是“有时候还是蛮准的，有时候又识别不出来”。在这种情况下，如果是使用传统软件的用户可能就会想这事系统的问题，系统不稳定，能正常使用吗？但是如果是知道软件由AI驱动的就应该明白，系统是没有问题的，不是所有的尝试都会成功。
既然算法本身就是带有不确定性的，那么如何从产品设计上消除用户的疑虑呢？
①在不确定性出现的时候，需要跟用户澄清。比如系统在抽取合同信息的时候，有两个信息的匹配程度很低（极有可能是错误的），那么在设计上需要提示用户：这两个信息可能提取有误，请您手动核对。还比如在商旅业务处理上，用户说我明天要去北京开会，那系统里要是判定用户填出差申请单和订机票的概率相差不大，那在设计上要询问用户：您是要填写出差申请单，还是订机票？（这一条规则算是通用性的了）
②新数据源源不断进入系统，注重学习反馈。用户对于结果的反馈是非常重要的，至于人如何反馈呢？可能会涉及到人机交互的。（其实这条规则就是微软设计18条中第四部分讲到的内容）
③注重检测错误。线上数据的处理比较有挑战性，特别是对于有些私有化部署的系统。客户数据具有高度机密性，不可能导出真实的数据让开发人员去分析、去研究复现的。所以运维和产品人员要注意分辨反馈中的错误，并反馈给开发人员。（第三条对我来说没有什么共鸣的地方！可操作性不高！不具有指导性）
达观数据的实例：合同信息抽取——规则审核
通过历史合同去训练AI模型，让模型能够去识别不同类型的合同（租赁合同、劳动合同、采购合同），并且就不同类型的关键信息做抽取。站在使用者的角度，只需要上传合同，然后等待提取结果就可以了。
至于规则审核，就需要对每一类合同内置风险审核项——内置规则。学习之后就可以对上传的合同进行审核了。
网友评论