深度解析,AI如何让创新变得更简单

在过去很长一段时间里,我们在互联网领域很多的创新都是向国外学习,将国外的产品、技术进行本土化实现。这二十年间,虽然我们还是在不断学习,但已经创造出不少让整个行业惊叹的产品,例如电子商务、无线支付等等。这种带有中国本土气息的创新产品,是我们追赶时代脚步的动力。

近两年,我看到很多的互联网人普遍面临着很大的焦虑。一部分人是在焦虑互联网行业变得越来窄,很多模式不能盈利就做死掉了;另一部分人是在焦虑行业变得越来越不景气,头部企业瓜分存量用户,市场就那么大,产品却越来越多,各行各业逐渐趋于饱和。

无论你是属于哪一种,应该都有一个共识,那就是产品创新的机会太少了。

作为企业,创新永远是生存必不可少的发展手段。创新的结果便是促动企业不断设计、生产出符合市场需要的新产品,产品创新是企业经营的延续和深入。

但是关于产品创新,我们看到的局面是:大的创新点越来越少,小的创新点都是给行业大佬打工。如果我们所处的行业已经有一个龙头大哥,你只做些微创新、渐进式创新没有意义,因为龙头大哥的抄袭成本太低了,你想颠覆他基本没有可能。这是目前行业面临的挑战和问题。

面对这样的困境,今天在这里,我想为大家分享一些我对AI创新的看法,帮助大家打破常规创新的思维定式,创造更多的颠覆式创新。

01为什么我会认为AI让创新更简单了

技术与市场并非一成不变,技术一直在发展,而市场一直在调整,两者都是处于动态演变的过程中,这一点在人工智能领域尤为明显。

技术的发展推动了新场景的出现。新技术的突破,让人们看到两个希望,一是原有一些应用场景可以被颠覆式优化,二是会创造出全新的应用场景,产生全新的市场。以往“想做但是没办法做”的场景以及“没想到可以这样做”的场景,可能只需要一两年的时间,就出现了更成熟的技术能够满足这个场景的需求。

例如图像识别是一项广泛应用在我们生活中的人工智能技术,在2012年以前,基于机器学习的图像识别技术的精确率并不高,所以在当时,图像识别只能用于车牌识别、符号识别这类简单的场景。

在2012年以后,随着深度学习技术的崛起,图像识别技术的精确率有巨大的提升,这时候我们尝试运用图像识别帮助我们做更多的事情,例如将人脸识别应用在考勤和车站人流检测的场景上,甚至是在畜牧业采用猪脸识别实现农场的智慧管理。

直到2015年,对抗生成网络(GAN)技术将图像识别的精确率在一夜之间推到一个前所未有的高度,短短几年时间,图像识别技术逐渐应用在鉴定、安防以及金融等,对准确度度要求很高的领域,例如假钞验真、名画鉴定等专业场景。

2019年VQ-VAE继续超越GAN,已经做出了以假乱真的照片,从识别、模仿到创造,技术一直在进步。这就是属于以前想做,但是没办法做的场景,随着技术的进步被逐渐解决。

今年的疫情,对全人类来说是一场大考,但也是新技术落地的一次机会。

英国伦敦有一家创业公司叫BenevolentAI,他们研究的方向是检索医学文献的系统。在新冠期间,他们利用人工智能算法搜索已知药物的数据库,在很短的时间内找到类风湿性关节炎药物巴利西尼可能是治疗新冠肺炎的方法。

在3月底的一项试点研究中,医生对12名患有中度新冠肺炎的成年人使用了巴利西尼,并且服用了抗艾滋病药物利托那韦,为期两周时间。另一对照组中,12名同等程度的新冠患者只复用了利托那韦。

根据最近的一份报告显示,经过两周的治疗后,接受巴利西尼的患者大部分已经康复。他们的咳嗽和发烧都消失了,也不再气喘吁吁。12个名患者中有7名已经出院。相比之下,未服用巴利西尼的患者仍然有体温升高,咳嗽等现象,只有一名患者出院。

我们从来没有想过有一天会通过AI的方式做到对症下药。AI把人类无法关联的药物数据集合,创造了药物之间更高层次的关联。这是技术的进步,带来的场景变化,让更多不可能变成了可能。

去年有幸听了一段前迅雷联合创始人程浩老师对于产品创新的分享,其中有一个观点让我印象深刻。他认为产品创新不是目的而是手段,本质上是达成:

极大地提升效率

极大地降低成本

极大提升用户体验

我认为AI技术的出现,恰好能从解决方案层面达成创新的目的,是创新手段的有力武器。

国内有一家做AI解决方案的公司叫图普科技,他们使用AI技术,分析人、货、场多维度的图像信息,为线下零售门店提供客户统计、request分析和支付人脸绑定等功能,帮助线下门店实现门店运营的智能化升级。他们的商业智能方案在线下场景中的准确率达到 90% 以上,另外,通过比对分析用户画像和门店内的热区图,客户可以分析门店存在的隐性问题进行调整,从而能提高转化率。

这种场景是AI技术落地最理想的方式,对于消费者来说,货物需求精准匹配,减少排队时间,提升用户体验;对于商家来说提升业务转化率,缩短仓储库存的时间,整体经营成本下降。

由此可见,AI技术方案实现的产品创新,通常都能够带来5-10倍的提升改进,实现“颠覆式”的极大创新。

02AI创新的四大方向

精细化,从更细分的场景出发
快递行业因其作业流程标准化,人力成本高,分拣效率低等特点,一直是AI技术落地应用的重要场景之一。实际上快递行业通常将快递分为大件货以及小件货,并且会根据产品特点分为贵重物品、易碎品以及普通物品。

如果按照传统的产品设计思路做一个全自动的分拣装置,我们希望做一个通用型的产品,能够适应不同的快递。这就要求我们的分拣装置有足够的力量能分出大件货,同时又有平滑的方式运输贵重物品或易碎品,甚至于还能应用到别的场景中,例如垃圾的分拣,这种情况是产品经理最喜欢的。但是这对于系统的要求非常高,几乎不可能完成。

那么在这个场景下我们就不没法做任何提升吗?

并非如此。如果我们只针对小件的普通物品,使用AI技术去实现这个分拣装置,难度则大大降低。可见在细分场景中,AI技术的应用能够极大地提升当下场景的物流效率。如果我们一开始就想做一个满足通用需求的产品,可能AI技术并不能给我们提供太大的帮助,因为你会遇到种种限制和困难。

只有将大的不确定性不断细分,才能找到技术与场景相匹配的部分,再通过不断的演进满足我们的需要。精细化建设,是AI产品最大的特点。

个性化,发散式的交互
以往主流的人机交互方式是:用户向计算机发出一个指令,然后计算机返回一个结果。这是一个很具体的过程,明确输入就获得明确的输出。

但是在AI时代,我们可以通过一种发散式、个性化的交互创造出更多充满想象力的场景。当我们用搜索引擎寻找电影时,我们的核心诉求是找一部“我想看”的电影,而不是增加很多的维度让我们去选定一部电影。

以往我们只能根据影片类型圈定一个范围,然后再慢慢浏览每部电影的简介或评价,寻找自己感兴趣的电影。这种方式非常低效,而且很多时候用户并没有一个明确的需求,怎么让用户更高效地找到合适的电影是产品经理需要解决的核心问题。

通过AI技术,我们可以告诉搜索引擎,我想看带有“神反转”的悬疑电影,或者是直接寻找“长安十二时辰中追击狼卫的片段”。甚至是在没有明确观影目标时,让计算机根据我现在的状态推荐一部带有用户喜好的电影。

这个过程更像是我在和一位很喜欢看电影的朋友交流,你问他一个问题,他在给你反馈的同时给你很多的意见,同时还会思考你下一步想要什么东西,并且主动提供给你。个性化,是AI产品与传统产品最大的不同。

智能化,更聪明的解决方案

电话销售是金融行业传统而有效的销售手段,但一直以来电销的转化率太低,是各家金融都很头疼的事情。这个行业的从业人员流动性大,素质层次不齐,所以新人经常会遇到难开口、不知道如何与客户沟通、找不到合适的销售转化时机等问题。

目前很多的科技厂商都在使用AI手段辅助销售,提高业务转化率,实现从信息化到数字化和智能化的转型。

目前普遍的做法是,使用AI手段自动分析销售电话和客服电话内容,自动识别对话双方身份,将语音文件转为文本内容。智能判断用户需求。并判断销售人员电话沟通能力,以及话术技巧。在通话过程中,这类辅助工具还能够根据客户的回答,提供交互式的对话引导,解决业务人员开口难、沟通难、转化难的问题。

另外在传统电销过程中,如果坐席在销售过程中出现违规行为,很容易被客户投诉。早期金融机构只能通过抽查的方式听电话录音判断这个坐席有没有出现违规行为,但是这种方式的效率非常低,而且是一种事后的检测,客户投诉可能早已发生。

如今,AI技术早已代替人工完成质检的工作。使用语音识别,判断通话内容对应的语义,可以高效地检测所有坐席的违规情况。甚至在通话过程中,实时判断坐席的谈话内容,将违规行为防范于未然。这是AI产品智能化的体现,也是AI产品的价值所在。

终端化,是AI与产业互联网结合的发展趋势

人工智能从提供单纯软件能力向智能前端产品、智能边缘产品和智能服务器等软硬一体解决方案延伸成为显著趋势。

这与技术价值实现的两个特点密切相关:

一是数据是训练算法的必要条件,IoT整体解决方案从真实应用场景中回流的海量数据成为算法的突破口,也为更适应细分业务需求的新算法孕育打下基础;

二是仅依靠纯软件形式,往往出现算法效率打折扣、落地性差的问题,AI要突破“实验室产品”的局限性,真正为业务带来价值,需要向前一步与硬件和物联网体系融合,实现商业化。

同样在物流运输行业,我们见到越来越多仓储机器人的身影。

灵动科技是一家实现量产和商业推广的视觉AMR(自主移动机器人)企业,年产能数千台。他们生产的仓储协作机器人目前已经在德国和日本客户仓库上线运行,实现了单件拣货成本下降30%以上的运行效果。

在技术层面上,该产品的主要传感器是数颗普通的摄像头,通过深度学习算法进行环境理解,并通过算法进行自主定位和路径规划,拥有超多线激光雷达方案的定位导航和避障能力。依托已实现模块化的机器人开发平台,灵动能够快速将视觉AMR技术方案赋能机器人产品,凭借数颗摄像头,实现叉车在仓库内的无人驾驶。

可以预见的是,AI技术与产业互联网的结合,是整个行业大发展的趋势。越来越多的终端机器人被应用在制造业中,从自动化到自主化,我们一直在努力,期待AI技术能够发挥更大的价值。

AI2.0深入多学科研究

随着人工智能技术的发展,跨学科研究也成为了今年的热门。AI 的身影,频现于医学、脑机接口乃至数学研究当中。

在脑机接口的研究中,科学家们设计了一种可以将大脑信号转换成语言的装置,不需要开口,使用深度学习技术就能直接读懂大脑,解码脑中所想,实现流畅交流。

想象一下,倘若霍金健在,在这种技术的帮助下,他可能再也不用艰难地活动脸颊上的肌肉来拼出单词,AI能真正帮助他重新“开口”,传播智慧。

在医学领域的研究中,来自德国的研究团队开发了一种基于深度学习的新型算法DeepMACT,这种技术能够内在细胞水平自动检测和分析整个小鼠身体中的癌症转移。

基于这项技术,人类能够看到其单个癌细胞形成的转移位点,这也是科学家首次完成的壮举。而且所使用的时间不到一个小时,准确率比肩人类专家,以往如此工作量,让人类来做可需要数月时间才能完成。效率提高了300倍以上。

03普通的产品经理怎么做AI创新

在传统互联网时代,由于流量效应带来的红利,产品经理的工作主要是围绕着挖掘用户需求以及提升用户体验这两方面。随着AI的发展,产品经理也出现了一个细分领域,称为AI产品经理。他们的工作围绕着AI技术在场景中的运用而展开,将AI能力作为一种强有力的武器解决问题,让产品功能具备AI能力从而实现用户体验与效率提升。

作为非专业的AI产品经理,应该怎么在日常工作中应用AI技术实现产品创新呢?我有以下几个建议给到大家:

了解一些最基本的AI技术
作为非专业的产品经理,如果我们想要在我们的产品中运用AI技术,首先我们得了解一些最基本的AI技术原理。虽然AI的范畴很广,但是一般在工业生产中能应用的主流技术并不多,我们不需要全部都去了解学习。

主流且常用的AI技术有计算机视觉、智能语音识别、自然语言处理、知识图谱以及机器学习五大领域。每个领域下面都有一些细分的研究方向,例如智能语音识别这块有专门研究语音识别技术的,也有专门研究语音合成、语音翻译技术的。在这里我不会每一点都过一遍,给大家讲基本的技术原理是什么。

但是我能教给大家一个非常实用的学习方法,也比较适合我们这些非专门研究AI的产品经理。

那就是打开百度AI开放平台以及阿里云、腾讯云的人工智能模块,从这三个地方去了解每一项技术大致原理是什么,能够做什么以及主要应用场景都有哪些,通过这样的方式找到技术与场景之间相匹配的切入点。

从技术可行性和行业生态的角度评估新场景

对技术有了一定的了解以后,接下来我们思考的问题是,如何用AI技术去改变过去的场景,甚至是创造出全新的场景。对于刚接触AI的产品经理,我建议可以从技术可行性以及行业生态这两个角度去评估新场景的可能性,思考的过程如图所示:

前面我们提到过,AI创新的起点,可以从一个很小的场景开始。先从一个细分场景入手评估做还是不做?如果做的话可以做什么?

有一年我们做平安电话进线导航的优化,当时的背景是平安95511电话系统每天海量进线的导航时长偏高,在这个环节浪费了很多电话费。经过几轮评估和脑爆以后我们有一个大胆的想法,是利用AI的方式预测用户进线的意图,从而减少导航的时间。

一开始我们想做一个极致简单的方案。电话进来,预测意图,询问您是否需要办理XX业务,回答是的话直接跳转到该业务线。实际上要去做这件事相当复杂,一方面平安的进线选项高达一千余种,另一方面数据的残缺以及时效性会影响机器的判断。

所以我们选择从一个小的场景开始,从技术可行性以及产能提升方面考虑,只预测进线频率最高的三十余种意图。整个呈现的方案不仅是对交互的方式做了设计,也考虑到很多模型缺陷下提升用户体验的细节。一个小场景做好了以后,再去想办法优化下一个小场景,最后组成一个完整的解决方案。

当我们决定对某个场景进行AI升级以后,接下来我们还要考虑升级服务的进入方式,也就是具体的AI技术到底是自研还是和外部厂商合作。我个人的建议是,如果企业的技术储备能力不足,横向扩张能力也不大并且非核心场景的情况下,我们尽量选择市场上成熟的解决方案去做。

除此以外,我们还要从智能化服务提供模式以及市场成长周期两个方面去考虑。提供模式考虑的主要问题是怎么做?以及实现的难点在哪里?

我们可以参考市场整体发展形势以及同类竞品他们所选策略的优缺点去评估技术实现方案。这样不至于需要我们从头开始学习,又能知道成熟的方案都是怎么做的,快速应用到自身的场景中。

从用户思维转变为数据思维

在互联网时代,流量为王,“用户至上”成为了各大互联网企业的共识。无论是电商领域还是社交领域,产品经理们每天都在研究用户的行为与表现,希望以此挖掘用户内心的想法,创造出满足用户需求的产品。

到了人工智能时代,数据为王,数据成为了企业的风向标。我们的产品、用户都能用数据去描述他,而不是想当然的经验主义去思考这个用户要什么。这时候我们有更具象、可量化的方式判断客户的需求。

过去在银行场景,我们描述一个客户的金融属性,只能根据该客户的年收入、存款、还款记录这些客观维度去判断是否为他的信用卡套现风险。

现在在AI技术的帮助下,我们可以使用让机器去分析人类没法辨别的数据,通过更精细化的数据结果,分析这个客户的资产健康状况,并且给出更为准确的客户套现风险判断。

如邓雄博士所言:人工智能代表了一个大的变革,我们不再把用户看成中心,以围绕用户来开展各种工作。而是把用户变成数据,将一切用户行为都变成数据,用数据的方式反映到产品中,这种模式就是数据思维导向的结果。

认知升级,颠覆式创新

在传统产品创新这块,梁宁老师曾总结过两种典型方式。

一种是将另一个领域的知识经验借鉴到另外一个领域,例如婴儿恒温箱最早是借鉴了动物园使用的恒温箱,从而创造出适合新生儿使用的产品;

另一种是引用跨行业的新要素,让产品看起来依然是原来的产品,但它实际上已经成为一个新的物种,例如朵亚朵亚酒店采用众筹这个新要素,这种消费转投资的方式让他们成为朵亚最忠诚的客户,形成商业内核的改变。

而今,AI技术的升级同样带动了产品经理的认知升级。我们在产品解决方案上实现的变革是一种颠覆式的创新,这种变革不仅仅是旧元素之间的重组,而是用AI的方式升级新的生产要素。

例如,运输行业的本质是解决运输的时效问题,从马车到汽车的过渡,本质上是从动力这个维度提升速度,减少运输所需的时间。

到了今天,动力并非限制运输时效的最大问题,可以看到在公路上,限制大货车时速的主要原因是货车在高速状态下安全不可控,速度太快来不及刹车,容易发生车祸。并且货车司机不能长时间开车,容易造成疲劳驾驶,这些都是限制货运速度的因素之一。

而大货车自动驾驶的研究,则是从调度与控制这两个维度,用人工智能的方式减少人为带来的负面因素。在这个升级的过程中,“人”这个因素突然显得并不是那么重要了。过去我们认为必须有车必须要有人去操纵,无论再怎么优化,“人”的因素还是关键的瓶颈。现在我们用人工智能去学习驾驶,让机器自己去操纵汽车。

这种认知升级就是产品经理在对待同一个场景时,从不同维度思考带来的改变,我们不再是从旧的因素去思考如何提升效率,而是以一种新的方式升级旧的因素。

文章标签: ,

0 条评论 40 次阅读

  1. 既来之,则言之。

发表评论

Top