• 封閉域?qū)υ捰腥齻€關鍵的特征

1.輸入和輸出是可枚舉的

2.有明確的始與終

3.有明確的流程

封閉域?qū)υ挼脑O計邏輯延續(xù)自“ifttt（if this then that）”，是workflow的進化交互形式。

• 封閉域聊天兩個典型案例

（1）讀心機器人 

10年前微軟必應推出過一個“讀心機器人”，它會在20個問答中猜你心中所想。這個機器人曾經(jīng)在幾年前出過一個對話問答版本，用戶只要在每一步時回答“是”或者“不是”，對話就會持續(xù)進行，直到猜出或者猜不出結(jié)果。這就是一個典型的封閉域多輪問答對話，用戶的輸入只有兩個，而過程是一大堆背后的邏輯判斷，且有相對固定的流程，而且有明確的開始和結(jié)束。

（2）Amazon Echo音箱

Amazon的Echo音箱，大家都很熟悉了，Echo之所以成為爆款產(chǎn)品，很關鍵的一個原因是，它的對話機器人Alexa在Echo音箱的場景設計中是一個封閉域?qū)υ?。由于音箱是我們居家場景中，除了遙控器之外最常見的高頻交互式Commander，我們很難再在家里找到一個這樣的硬件，它除了可以輕易地輸入指令，還可以快速且明顯地反饋。

當我們面向Commander進行輸入時，我們可以輸入的話語就已經(jīng)變得局限，可以想象到的是，在居家場景中我們可以發(fā)出的指令幾乎就是“打開”、“關閉”之類的。更重要的是，在居家場景中可以控制的物品也是有限的，而且任何一個操作的流程都很短。

• 封閉域?qū)υ捲诋a(chǎn)品設計中的特征

其一，封閉域?qū)υ捚鋵嵤莣orkflow的延伸

其二，封閉域?qū)υ拡鼍皢我豢煽?/p>

其三，封閉域的邊界處理很重要

在封閉域?qū)υ挼倪吔缭O計中，很難做到萬無一失周密完全，因為用戶輸入可能會千奇百怪，所以最佳也是最討巧的方式，就是用開放域?qū)υ拋怼岸档住薄?/p>

• 開放域?qū)υ?/p>

開放域是相對于封閉域而言的。由于對話機器人的話題幾乎都源自用戶，而每個用戶可能有任何輸入，話題就會無法窮舉，且在多個場景中跳來跳去，進而形成了所謂的開放域?qū)υ?，也就是“啥都能聊”?/p>

開放域?qū)υ捵畲蟮奶攸c是，輸入無法窮盡，導致輸出無法窮盡，而且對話沒有確切的結(jié)束點，無流程可言。我們一般情況下想去考驗一個機器人是否智能，通?？简灥木褪情_放域?qū)υ?，大名鼎鼎的“圖靈測試”通常所面向的也是開放域?qū)υ捘芰Α?/p>

• 開放域?qū)υ挳a(chǎn)品設計的基本原理

對話需要的是雙方的平等。和微軟小冰聊天時，有時甚至感受不到她是真人還是假的機器。其實這并不重要，小冰正在解決開放域聊天中一個核心的問題，如果不斷給用戶制造話題，從而延續(xù)聊天的能量。

說到話題制造，幾乎所有開放域?qū)υ捳Z料都源自于網(wǎng)絡上公開的對話，譬如百度知道、知乎、豆瓣、貼吧等等，這些對話都是人與人形成的，那么，當一個機器人把其中的某些話在當時的場景下再說一遍，我們是分辨不出來這個機器人是不是真人的。這便是開放域?qū)υ挋C器人制造的基本依據(jù)。

• 開放域?qū)υ挋C器人的兩個產(chǎn)品陷阱

其一，面向用戶的機器學習

很多人認為，對話機器人和人聊得越多，學習的語料就越多，就可以省去很多語料獲取的問題，這是一個巨大的誤區(qū)。由于用戶的語料是海量且無規(guī)則特征，導致語料清洗非?？嚯y，無法使用。

其二，無人為引導的個性

由于開放域的語料完全來自于互聯(lián)網(wǎng)，所以機器人回復的話語帶有何種語氣很難把控，如果不加以認為干預，機器人說的話會顯得時而有趣，時而刁蠻，時而無知，時而夸張，時而智慧，在用戶的心智中無法用一個或幾個明確的形容詞去形容它，這會帶來一個很尷尬的結(jié)果，用戶是抱著“調(diào)戲、戲謔”的態(tài)度去對話，長此下去，想建立用戶的親密感和信任感幾乎不可能。

四、對話機器人的用戶價值

我們知道，任何產(chǎn)品都能和用戶產(chǎn)生親密感和信任感的，這份親密和信任是建立在產(chǎn)品體驗之上的，我們因為問題解決而對一個產(chǎn)品產(chǎn)生依賴，因為驚喜而對產(chǎn)品形成感情。站在產(chǎn)品的視角來看，解決需求通過封閉域?qū)υ捦瓿?，而開放域?qū)υ拋聿粩嘀圃祗@喜。

• 一個事實

瞎聊難為剛需，情感計算任重道遠

• 一個問題

用戶真的需要一個秘書機器人嗎？

我們先來看兩個例子。

（1）一個肯定：問答機器人是很有價值的

最常見的問答機器人是“客服機器人”，譬如京東的JIMI，阿里的小蜜機器人，還有一些銀行的客服機器人，但它們更像FAQ過濾器。

問答機器人其實是在頭部問題上實現(xiàn)了綜合過濾，然后通過對話的形式反饋給用戶，如果用戶實在問的是長尾問題，問答機器人回答不了的，可以把問題再拋給人工客服。滿足了用戶九成以上問題的直接答復，是問答機器人的核心目標。而至于其他類似導購、協(xié)助訂單管理等等，不過是附加在頭部問題之上的增值體驗優(yōu)化。

五、對話機器人的產(chǎn)品價值

對待產(chǎn)品，一定要從其商業(yè)視角出發(fā)，不然沒有聊的意義。站在商業(yè)視角，對話機器人擁有三個方面最核心的產(chǎn)品價值。

• 跨場景連接成為可能

由于對話機器人的交互方式原始而單一，使得機器人背后所有的計算邏輯都被隱藏，機器人可以成為一個獨立的橋梁連接不同場景下的服務，讓用戶只在一個對話場景下都可以完成交互。

• 交互升級帶來的流量深度沉淀

（1）指數(shù)級的流量增長

百度DuerOS和Amazon Alexa的邏輯是相似的，都是通過賦予所有智能硬件語音對話的能力，進而獲取新流量，同時實現(xiàn)流量的深度交互和沉淀。

（2）高頻次的端計算

我有一個猜測，由于對話機器人是一個高頻次交互場景，帶來的最直接影響可能是要求在設備端上擁有更加強大的計算能力，可能一些封閉域或者開放域的計算能力直接預加載到了客戶端，可能是硬件也可能是軟件。

• 流量沉淀帶來的數(shù)據(jù)深耕

正是由于流量的深度沉淀，使得每個用戶多維的數(shù)據(jù)沉淀成為可能。

莫瑜——基于對話交互的智能導購技術

鄭俊成——AI產(chǎn)品經(jīng)理成長之路

在人工智能時代，產(chǎn)品經(jīng)理的合作者不再是開發(fā)人員，而是算法工程師。用戶的需求也變成了利用語音識別、圖像識別、自然語言處理等技術處理問題、提取特征，根據(jù)算法或知識圖譜來為用戶產(chǎn)生最終的返回結(jié)果。

除了以上這些普適性質(zhì)的區(qū)別之外，智能一點科技在實際培養(yǎng) AI 產(chǎn)品經(jīng)理的過程中又進行了更深層次的劃分,平臺型產(chǎn)品經(jīng)理與對話交互型產(chǎn)品經(jīng)理應運而生。

我們發(fā)現(xiàn)傳統(tǒng)行業(yè)和一線互聯(lián)網(wǎng)行業(yè)對于AI的需求非常的強烈，產(chǎn)品經(jīng)理是直接解決需求的那個人，需要有一定的用戶思維，也要思考怎么去幫企業(yè)節(jié)約成本、提高效率，怎么節(jié)約用戶的時間，產(chǎn)品經(jīng)理一定要知道，AI的邊界。

• 形態(tài)型產(chǎn)品經(jīng)理

傳統(tǒng)行業(yè)的需求抽象成一個產(chǎn)品，是一個非常難的過程，現(xiàn)在很多用戶對AI的期望值非常高，產(chǎn)品人需要將這個期望控制在一定高度上，因為產(chǎn)品需要不斷的迭代，沒有辦法一蹴而就。

• 對話交互型產(chǎn)品經(jīng)理

產(chǎn)品人需要把很多人說的話，抽象成一種表述形式，所以這個產(chǎn)品人自身的語言表達能力、理解能力，就是很重要的一個判斷標準。

除此之外，產(chǎn)品經(jīng)理通過產(chǎn)品設計，給產(chǎn)品賦能。如果說溝通能力和理解能力是基礎，那么語料的規(guī)劃、語法句法的分析能力、數(shù)據(jù)統(tǒng)計的能力、持續(xù)學習的能力則是剛需。

許多互聯(lián)網(wǎng)產(chǎn)品經(jīng)理不淡定了，工程技術以及算法模型這不是研發(fā)人員需要的知識么，作為非技術人員是不是門檻有點高？所以產(chǎn)品經(jīng)理和技術團隊，究竟應該如何配合？

傳統(tǒng)推薦是基于用戶行為積累用戶行為，然后給用戶推薦用戶某種程度喜歡的東西，而對話交互的方式來獲取用戶的信息更為直接。

• 為什么需要個性化推薦？

（1）對話交互有利于信息的獲取，不利于信息的展現(xiàn)

（2）對話交互需要細粒度的個性化

• 個性化推薦如何解決對話式交互的獨特問題？

傳統(tǒng)的推薦系統(tǒng)一般多依賴于隱式反饋，如點擊、購買、評論等用戶行為。不考慮時間、地點、場景、情緒、活動狀態(tài)等上下文。

上下文感知推薦系統(tǒng)考慮更多的上下文場景，能結(jié)合更豐富的信息（包括顯式反饋），給用用戶提供更準確、更有效的推薦。

一、問答導向的對話交互。

也就是用戶提問題，我們給答案。技術框架為用戶提問題，先語義理解模塊，得到用戶表達的內(nèi)容，通過主體模塊——問答庫/文檔庫中找到候選，然后進一步去排序，找到最終給用戶的答案或者回答用戶問題的信息。

用戶提問題總共分三種場景：

• CBQA，找到一個問題和主問題是一樣的，那就給這種答案。它是基于問答庫回答的問題。所以工程師的難點在于，如何找到模型去表達這兩個東西兩句話是一樣的。

• DBQA，將一句話拆分成若干句話，找到一句話表達的是問題。

• KBQA，核心問題在于，如何構建知識圖譜、如何解析語義、如何查詢和推理知識圖譜。

智能一點的解決方案是，橫軸是有多少是對的，縱軸是覆蓋率，也就是表達用戶問100個問題，有多少是正確的。里面涉及到文本相似度、次序/問題類型、歸一化/停用詞、一詞多義、一義多詞等五個方面的挑戰(zhàn)。

• 任務導向的對話交互

語音識別到文本，經(jīng)過理解開始分析語義到底是什么，然后進入對話管理模塊，再由內(nèi)容生成文本，不斷的循環(huán)迭代。語義理解的目標，是抽取用戶輸入的領域分類、意圖識別、槽值抽?。ㄋ柘嚓P信息）三個信息。

傳統(tǒng)序列標注方法最主要的問題在于，離散語義表示導致不能很好的捕捉兩個詞的語義差異。例如/；巴黎VS倫敦、巴黎VS紙尿褲，兩隊詞語的語義差異是類似的。那么如何解決這個問題呢？

方案1.維護詞表。維護City詞表，存儲類似巴黎、倫敦等詞語，并構建詞表相關特征。但此方案的缺點在于，需要維護，并且仍然沒有解決其他詞語之間語義相似度的問題。

方案2.利用詞的連續(xù)語義表示?；谠~向量聚類，計算每個詞的Cluster ID

智能一點的解決方案是：

• 推薦導向的對話交互

1. 數(shù)據(jù)收集

• 信息：通常重點為時間、地點、個性、關注點、情緒、用戶行為等上下文信息。以電商導購客服為例，早中晚時間段含義不同，星期幾也有差異。

• 方式：GUI以隱式獲取為主，利用交互日志，獲得包括瀏覽、點擊、收藏、購買等行為。GUI還可以采取顯示獲取，交互詢問。

2.用戶偏好分析

• 信息：長期的靜態(tài)信息和短期的動態(tài)信息，對偏好因素考慮的越細，推薦結(jié)果會越好

• 方式：基于規(guī)則或啟發(fā)或統(tǒng)計模型的方式。

3.推薦結(jié)果生成

• 基于協(xié)同過濾的上下文感知推薦技術

Pro：可以利用群體智慧做推薦

Cons：數(shù)據(jù)稀疏和冷啟動的問題

• 基于內(nèi)容的上下文感知推薦技術

Pro：常用方法推薦效果不錯，矩陣分解、張量分解、因子分解機

Cons：矩陣運算計算量大，對新用戶的擴展性不夠好

• 混合式上下文推薦技術

• 基于隱變量和考慮序列數(shù)據(jù)特點的推薦系統(tǒng)

智能一點的解決方案：

卓浩——AI時代的產(chǎn)品設計

一、AI發(fā)展之路

當大家還在驚嘆于AIphaGo的勝利時，AIphaGo Zero又出現(xiàn)沖擊大家的認知。但對于AIphaGo的情況需要辯證地去看。一方面需要正視事實，AI確實為我們帶來不可思議的新面貌；另一方面確實沒有大家想的那么夸張。

為什么在圍棋領域，可以有如此大的突破？主是的原因在于，這是一個非常適合AI發(fā)揮的場景——規(guī)則清晰且不變的有一個閉環(huán)的系統(tǒng)。

AI不是普通百姓想的科幻。人工智能正在點點滴滴的融入生活，也在滴滴點點的變聰明改變生活。我們現(xiàn)在掏出手機，其實已經(jīng)在使用AI了。

二、AI的四波浪潮

• 第一波：互聯(lián)網(wǎng)智能化，1998年

今天行業(yè)內(nèi)戲稱人工智能七大黑洞——BAT、Google、微軟、Facebook、Amazon，就是那個時候形成的。企業(yè)握著大量數(shù)據(jù)，有數(shù)據(jù)和人才得天獨厚優(yōu)勢，想做什么都很容易。

• 第二波：商業(yè)智能化，2004年

互聯(lián)網(wǎng)驅(qū)動下，傳統(tǒng)行業(yè)IT系統(tǒng)的商業(yè)數(shù)據(jù)（如銀行）被使用起來，陸續(xù)出現(xiàn)各種該類型的公司。

• 第三波：實體世界智能化，2011年

在移動互聯(lián)網(wǎng)驅(qū)動下，誕生新一批硬件公司。最開始很多人認為，單純就語音技術來講，和1998年沒什么區(qū)別，但是巨頭很快醒悟過來，雖然技術沒用，但是收集到的數(shù)據(jù)很厲害，誰掌握更多數(shù)據(jù)，就能做出更好的產(chǎn)品。

比如曠世科技，全球范圍內(nèi)面部識別做的最好的公司。當初創(chuàng)新工場投的時候，公司還跟AI無關，只是單純的做技術，但是隨著數(shù)據(jù)量積累起來的時候，自然而然走入AI領域。再比如語音識別翻譯做的最好的是Google、科大訊飛、搜狗，因為掌握特別多的語料。

• 第四波：全自動智能化，2015年

汽車工業(yè)就是人工工業(yè)明珠之一，這一波是以自動駕駛為代表的。表面上只是汽車領域的應用，但實際上牽涉到其他產(chǎn)業(yè)鏈，也就是自動駕駛研究出來的技術，可以應用在其他領域內(nèi)的，這一波推進至關重要。

三、技術與商業(yè)的關系

技術人往往因為技術發(fā)展能做更多事，非常激動，而企業(yè)心中關心的是，如何多賺錢、如何少花錢。例如我們會覺得刷臉、無人收款很酷，但是企業(yè)想知道怎么多賺錢、怎么少花錢，希望有完整的解決方案，商業(yè)邏輯是什么，哪些相關那些不相關。

其實今天的我們是吃老本。這一波AI主要依賴于，過去三十年積累的海量的、標注過的、可以供機器學習的大數(shù)據(jù)。技術進步，讓過去無法利用的信息變成數(shù)據(jù)。例如監(jiān)控的靜態(tài)、動態(tài)識別，有突破進展，但是也沒有天網(wǎng)那么厲害。

刷臉開門技術實現(xiàn)畢竟在同一場景下，總共沒多少人，進行比對。但若是在火車站幾百萬人流情境下，攝像頭再高清，也不能對每一個人都高清識別，即使能做到，帶寬也受不了。

四、這一波AI獲得機會的公司類型

• 第一種：互聯(lián)網(wǎng)巨頭、成熟創(chuàng)業(yè)公司

如滴滴，出行數(shù)據(jù)都在手上，可以動態(tài)調(diào)整付多少錢，這就是商業(yè)場景。

• 第二種：傳統(tǒng)行業(yè)

手上有大量數(shù)據(jù)，基本自己不知道怎么用，但是潛力大，找不到合適的方式，很難建立一個有足夠技術實力的團隊搞定數(shù)據(jù)，產(chǎn)生價值。

• 第三種：AI領域創(chuàng)業(yè)公司

技術導向的AI創(chuàng)業(yè)公司&人工智能供應鏈。有的公司過去發(fā)展的好，有太多的包袱，例如奔馳傳感器硬件要比特斯拉多50%，但是特斯拉自動駕駛比奔馳做的好，因為特斯拉是軟件公司。

五、如何用AI思維方式去思考

•  跨越時間、空間的界限。

人類在做數(shù)據(jù)分析時，成本太高，會受到時間和空間的限制。但是機器可以不斷的采集數(shù)據(jù)，承受不住了，大不了再換一個機器，不受到時間和空間束縛，只要想做就可以做。人類有一種思維定式，會恐懼擴大規(guī)模做測試。最典型的例子就是圍棋，對于人來說，想那么多干嘛，能想出來這些步驟就已經(jīng)很好了，但是機器會去窮舉。

• 千人千面。

過去產(chǎn)品，一個給所有人用，推薦所有人關注的東西給每一個用戶。后來開始學習個人行為偏好，但是依據(jù)個人偏好，太嚴謹會少了些驚喜，太松會難保質(zhì)量?，F(xiàn)在基于社交網(wǎng)絡，相似類型的人會做交叉推薦，但依舊是不足的。但是AI可以針對不同人提供不同服務。

綜上兩點，還有一個典型案例——英語流利說。

AI英語老師，可以實現(xiàn)完全的針對性教學，36小時教學成果比真人100小時更好。人的精力是有限的，但是機器沒有，可以跨越時間和空間的，去了解孩子的不同問題，給出相應指導。

六、一切回歸商業(yè)

以前，畫線框圖交付開發(fā)就OK；現(xiàn)在，線框圖畫什么呢，都是語音交互的連界面都沒有。

以前，研發(fā)老大做產(chǎn)品，銷售去賣，賣不好是銷售的責任；現(xiàn)在，和客戶交流的人BD、銷售、市場關系逆轉(zhuǎn)，研發(fā)團隊反而是在跟著跑，想要突破，就需要跑在市場最前面，接觸真實需求，不然會變得非常的被動。

創(chuàng)造力、跨領域總和思考的領導人才最稀缺。誰能對商業(yè)做深刻解讀，誰能最早將產(chǎn)品做最好的定義，超級重要。當一個領域內(nèi)，技術快速發(fā)展的時候，先吃香的，一定是誰搞出來0-1尖端技術的人。但是隨著時間推移，會不斷有人填進來，市場有看不見的手，沒有那么高的門檻。算法工程師最稀缺是因為真的少，但實際產(chǎn)品很重要，甚至更重要。