0
| 本文作者： 人人都是產(chǎn)品經(jīng)理 | 編輯：谷磊 | 2017-03-30 16:35 |
產(chǎn)品滿足用戶的需求有一個閾值，產(chǎn)品值低于閾值用戶會覺得了無生趣，即產(chǎn)品一般般，也即產(chǎn)品經(jīng)理做了功能經(jīng)理。產(chǎn)品值等于閾值產(chǎn)品功能基本滿足了用戶的需求，而只有產(chǎn)品經(jīng)理駕馭了需求，把產(chǎn)品做成作品，產(chǎn)品值才有可能高于閾值，任何時候產(chǎn)品經(jīng)理應該學習到高于需求閾值的產(chǎn)品方法論。AI+時代圖片識別技術就是起點！
當下每天看的到一個詞：AI，滿眼皆是AI的階段，我們產(chǎn)品經(jīng)理應該如何了解到AI的技術脈絡和市場需求大勢。AI不是新的概念，再次起來是因為有新的突破。
創(chuàng)新工場的李開復博士說現(xiàn)在是技術從業(yè)者創(chuàng)新的時代，那么我們產(chǎn)品經(jīng)理究竟知道AI的哪些技術呢，本篇著重分析一下AI+時代的圖像識別技術。
在AI領域之中，圖像識別技術占據(jù)著極為重要的地位，而隨著計算機技術與信息技術的不斷發(fā)展，AI中的圖像識別技術的應用范圍不斷擴展，如LineLian所見過的IBM的Watson醫(yī)療診斷、各種指紋識別、及常用的支付寶的面部識別以及百度地圖中全景衛(wèi)星云圖識別等都屬于這一應用的典型，AI這一技術已經(jīng)應用于日常生活之中，圖像識別技術將來定會有著較為廣泛的運用，而為了保證AI中的圖像識別技術能夠較好地服務于AI+時代的幾個重要產(chǎn)品領域，正是本篇就AI中的圖像識別技術展開具體研討的目的所在。
為了較好完成產(chǎn)品經(jīng)理理解AI中的圖像識別技術的本源，我們首先需要深入了解圖像識別技術。作為智能領域的重要組成部分，圖像識別的發(fā)展先后經(jīng)歷了文字識別、數(shù)字圖像處理與識別、物體識別三個發(fā)展階段，而在AI+時代的圖像識別技術中，其本身所具備的功能早已超過了人類的極限，這也是AI的圖像識別技術能夠在各個垂直產(chǎn)品領域?qū)崿F(xiàn)較好應用并幾乎成為標配的原因所在。
最開始產(chǎn)品經(jīng)理要明白圖像識別技術本身的原理并不算太過復雜，信息的處理是這一技術的關鍵點所在，由于應用計算機實現(xiàn)的圖像識別技術本身與人眼識別并不存在著本質(zhì)的差別，這就使得圖像識別技術同樣需要根據(jù)自身對圖像的記憶完成具體的識別工作。
在人類進行圖像識別的過程中，人類的大腦會將圖像的特征進行提取，并結(jié)合大腦中以往對各類圖像的認知判斷自身是否對圖像存在過印象，這就是人們能夠在觀看一張圖片后快速對其識別的原因所在。結(jié)合人類識別圖像的原理，在計算機進行的圖像識別中，計算機首先就能夠完成圖像分類并選出重要信息、排除冗余信息，根據(jù)這一分類計算機就能夠結(jié)合自身記憶存儲結(jié)合相關要求進行圖像的識別，這一過程本身與人腦識別圖像并不存在著本質(zhì)差別。
對于圖像識別技術來說，其本身提取出的圖像特征直接關系著圖像識別能否取得較為滿意的結(jié)果。值得注意的是，由于計算機歸根結(jié)底不同于人類的大腦，所以計算機提取出的圖像特征存在著不穩(wěn)定性，這種不穩(wěn)定性往往會因為計算機提取圖像特征的明顯與普通影響圖像識別的效率與準確性，由此可見圖像特征對于AI中圖像識別技術的重要意義。
對于當下AI+時代的圖像識別技術來說，神經(jīng)網(wǎng)絡的圖像識別技術與非線性降維的圖像識別技術是最為常見的兩種圖像識別技術，LineLian將對兩種常見的AI圖像識別技術進行詳細分析。
一、神經(jīng)網(wǎng)絡的圖像識別技術
想要深入了解非線性降維的圖像識別技術，我們就必須理解何為神經(jīng)網(wǎng)絡，這里的神經(jīng)網(wǎng)絡全稱人工神經(jīng)網(wǎng)絡，其本身指的是在現(xiàn)代神經(jīng)生物學研究基礎上提出的模擬生物過程以反映人腦某些特性的計算結(jié)構(gòu)，雖然我們使用了模擬這一名詞，但事實上神經(jīng)網(wǎng)絡本身并沒有完全模仿人類的神經(jīng)網(wǎng)絡，其本身只是通過對人類神經(jīng)網(wǎng)絡的抽象、簡化和模擬實現(xiàn)相關計算結(jié)構(gòu)效率的提升。
對于神經(jīng)網(wǎng)絡的圖像識別技術來說，其能夠?qū)崿F(xiàn)圖像的識別主要得益于神經(jīng)網(wǎng)絡學習算法的運用，而在應用神經(jīng)網(wǎng)絡進行的圖像識別中，我們首先需要對相關圖像進行預處理，這一預處理主要包括真彩色圖像轉(zhuǎn)換為灰度圖、灰度圖像的旋轉(zhuǎn)與放大、灰度圖像的歸一化等內(nèi)容。為了保證神經(jīng)網(wǎng)絡能夠較好地實現(xiàn)圖像識別，我們還需要針對圖像識別的領域與對象完成具體的神經(jīng)網(wǎng)絡設計，這一設計主要包括以下五方面：
輸入層設計
隱含層設計
輸出層設計
初始權(quán)值的選取
期望誤差的選取
在輸入層設計中，我們需要根據(jù)圖像識別對象的需要確定求解的問題與數(shù)據(jù)表示方式，而在本篇進行的研究中，為了我們產(chǎn)品經(jīng)理理解，LineLian將輸入層統(tǒng)一設計為16×16圖像樣本尺寸縮放大小，256 維網(wǎng)絡輸入需要；而在隱含層的設計中，我們需要確定隱含層的數(shù)目與隱含層單元數(shù)的選擇，當下業(yè)界已經(jīng)確定了隱含層神經(jīng)元數(shù)目的增加能夠保證誤差精度的降低，所以適當時候增加隱層數(shù)目就能夠較好地完成神經(jīng)網(wǎng)絡的設計，而在隱含層單元數(shù)的選擇中，我們可以參考經(jīng)驗公式 L=√M+N +a,L=log2N，這樣就能夠有效避免神經(jīng)網(wǎng)絡泛化能力較弱，對于訓練外樣本識別率降低的問題出現(xiàn)，公式中的 M 代表的是輸出層神經(jīng)元數(shù)目，而 N 則代表輸入層神經(jīng)元數(shù)目。
值得注意的是，通過刪除那些影響較小的隱含層單元能夠較好地提高神經(jīng)網(wǎng)絡的自身性能，但結(jié)構(gòu)選定花費時間較長是這一方法的缺陷所在；在輸出層的設計中，一般會選擇多輸出型作為神經(jīng)網(wǎng)絡的設計；而在初始權(quán)值的選取中，為了滿足神經(jīng)網(wǎng)絡在學習過程中的較好收斂，初始權(quán)值一般選為（-1,1）之間的隨機數(shù)；而在期望誤差的選取中，其本身需要參考訓練時間與預期誤差值，這里LineLian選擇 0.001 作為期望誤差值。
在完成神經(jīng)網(wǎng)絡的設計后，我們還需要進行神經(jīng)網(wǎng)絡的訓練才能夠保證其較好的滿足圖像識別需求，為了保證這一設計的較好實現(xiàn)，LineLian選擇在 MATLAB7.0 中使用函數(shù) newff創(chuàng)建一個兩層網(wǎng)絡，這一網(wǎng)絡包括 1 個輸出神經(jīng)元、16×16 個輸入、26 個單元的隱含層，學習函數(shù)則選擇了 learngdm，初始學習速率為 0.01 ～ 0.6、訓練性能函數(shù)“mse”、訓練指標 0.001、訓練最大循環(huán) 2500。
在完成上述提到的神經(jīng)網(wǎng)絡設計與訓練后，我們就可以著手對其進行應用實驗，在這一實驗中筆者應用這一神經(jīng)網(wǎng)絡對 26 個手寫英文字母的圖片進行了識別，下表 為這一識別的識別結(jié)果，結(jié)合該表我們能夠發(fā)現(xiàn)，不同節(jié)點數(shù)目會直接影響神經(jīng)網(wǎng)絡圖像識別的識別率，而 26 個隱含層節(jié)點數(shù)能夠較好滿足圖像識別的需求，下圖為隱含層為 26 時神經(jīng)網(wǎng)絡訓練的誤差性能曲線及訓練時間。
結(jié)合這一結(jié)果我們可以斷定，神經(jīng)網(wǎng)絡識別技術能夠較好滿足手寫字母的識別，其本身在這一識別的過程中體現(xiàn)了準確、快速、較強抗干擾能力等特點，這些特點使得其本身能夠憑借著學習算法較好地應用到更多復雜的圖像識別中，更好地為我們垂直領域的產(chǎn)品提供服務。
除了神經(jīng)網(wǎng)絡的圖像識別技術外，非線性降維的圖像識別技術也是當下AI時代較為常用的圖像識別技術形式。對于傳統(tǒng)應用計算機實現(xiàn)的圖像識別技術來說，其本身屬于較為高維的識別技術，這種高維特性使得計算機往往在圖像識別的過程中承擔著很多不必要的負擔，這種負擔自然會影響圖像識別的速度與質(zhì)量，非線性降維的圖像識別技術就是能夠較好實現(xiàn)圖像識別降維的技術形式。
在非線性降維的圖像識別技術出現(xiàn)前，業(yè)界最常采用的是線性降維的圖像識別技術，這種技術本身具備著簡單易于理解的優(yōu)點，但在實際應用中人們發(fā)現(xiàn)，線性降維的圖像識別技術存在著計算復雜度高且占用相對較多的時間和空間特性，也使得線性降維的圖像識別技術不能夠較好地滿足各產(chǎn)品領域圖像識別的需要。對于非線性降維的圖像識別技術來說，其本身能夠在不破壞圖像結(jié)構(gòu)的前提下實現(xiàn)其自身的降維這就使得圖像識別技術的識別速度與精度能夠?qū)崿F(xiàn)較好的提升。
例如在人臉識別系統(tǒng)中，以往受圖像維度較高的影響，人類識別系統(tǒng)往往需要耗費大量的時間，計算機系統(tǒng)也往往會受到較大的“摧殘”，這主要是由于人臉在高緯度空間中存在的分布不均勻特性所致，而在應用非線性降維的圖像識別技術后，人臉圖形就能夠較好地實現(xiàn)自身的緊湊，這就使得人臉識別系統(tǒng)的工作效率大大提升，總的來說非線性降維的圖像識別技術能夠較好地為圖像識
別提供輔助，上文中LineLian提到的神經(jīng)網(wǎng)絡的圖像識別技術，也能夠在非線性降維的圖像識別技術的支持下更好地完成自身工作。
隨著智能網(wǎng)絡中的AI技術不斷發(fā)展，其本身將在產(chǎn)品數(shù)據(jù)安全、AI+醫(yī)療產(chǎn)品、AI+直播產(chǎn)品、AI+社交產(chǎn)品等垂直領域產(chǎn)生重要的產(chǎn)品應用。
之前人機圍棋大戰(zhàn)，最終人類頂尖棋手李世石以 1:4 不敵 Google 出品的人工智能 AlphaGo。其核心原理采用了多層神經(jīng)網(wǎng)絡對圖像進行分析，同時運用深度學習算法總結(jié)規(guī)律，最終得出戰(zhàn)勝人類高手的棋招。
圖像鑒別，10000 個場控都干不來互聯(lián)網(wǎng)的開放不僅帶來了自由，同樣也成為垃圾信息的溫床。最為人熟知的一個職位叫做“鑒黃師”，代表人物自然是“唐馬儒”，但實際上“唐馬儒”再多也滿足不了現(xiàn)在對于圖像鑒別和挖掘的需求。最好的例子就是前不久爆出的“直播造人”，視頻和直播類內(nèi)容的興起使得對內(nèi)容的鑒定需求呈幾何倍數(shù)增長。
直播對于審核的實時性要求太高，同時在線的直播數(shù)量大，一不小心違規(guī)的東西就上線了。傳統(tǒng)的解決方案是通過人力完成，所需要的人數(shù)會與主播成一個比例。通常都是好幾百人坐在屏幕前面持續(xù)對閃過的畫面進行篩選，如果發(fā)現(xiàn)不符合規(guī)定就進行人工處理。而AI+時代的產(chǎn)品趣向是利用AI圖像識別技術。
另外在公共安全領域中，人臉識別產(chǎn)品的應用就能夠較好的提高市場社會的安全性與便利性；而在醫(yī)學領域中，心電圖與 B 超的識別將大大促進用戶醫(yī)療事業(yè)的便捷；而在農(nóng)業(yè)領域中，種子識別科技產(chǎn)品與食品品質(zhì)檢測科技產(chǎn)品的應用將大大提高農(nóng)產(chǎn)品的生產(chǎn)質(zhì)量，例如我家種了幾十畝葡萄 葡萄需要剪枝 修果 摘葉需要很多的勞動力， 感覺很多環(huán)節(jié)可以通過圖像識別的機器來處理，粒徑不同的果粒，大小不一的葉片，高度不同的枝條，我總覺得可以通過圖像對比來區(qū)分，篩選，這樣的AI圖像識別機器人才是剛性需求。
在日常生活中圖像識別技術在冰箱中的運用將大大提高用戶生活的便利性，這一應用能夠?qū)崿F(xiàn)自動冰箱食品列表生成、食品保鮮狀態(tài)的顯示、食物最佳儲存溫度的判斷等功能，這些將大大提高用戶的生活品質(zhì)。在未來科學技術的不斷發(fā)展中，AI的圖像識別技術還將實現(xiàn)更為長足的發(fā)展，而這一發(fā)展也將能夠更好地接受圖像識別技術產(chǎn)品所帶來的服務，最終大大提高用戶的生活質(zhì)量。
作為一門科技含量較高的新興技術，AI的圖像識別技術已經(jīng)與用戶的生活緊密結(jié)合在一起，而為了保證其能夠更好的為用戶提供服務，對于科技網(wǎng)絡從業(yè)緊密相關的產(chǎn)品技術人員就必須大力推進AI圖像識別技術產(chǎn)品的不斷學習與創(chuàng)新，這對于我們產(chǎn)品經(jīng)理未來創(chuàng)造的很多產(chǎn)品息息相關并將提高產(chǎn)品效率和切中用戶對產(chǎn)品的剛性需求。
產(chǎn)品思維是抓住機遇，需求一旦過氣了或者被競爭對手超越了產(chǎn)品想勝出是是十分困難的，只能跟隨市場的步伐去追市場的需求而迭代。而AI+時代的產(chǎn)品經(jīng)理應該有的思維模式是作品思維，不僅僅是追隨需求，更多的是錘煉過濾并真金不怕火煉般的引領需求的潮流。
雷鋒網(wǎng)按：本文由 @連詩路 前阿里產(chǎn)品專家原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
