话题分享聊聊AI产品经理、语音交互和聊天机器人

　　本文是来自作者私下组织的讨论会，主要是讨论了四个话题，分别有关AI产品经理、语音交互和聊天机器人，在此总结出来与你分享。enjoy
　　前天（8月2日）晚会的闭门会，大家讨论太投入了，原定1个半小时，结果足足进行了2个小时！
　　非常感谢6位“AI产品经理大本营”团员和特邀嘉宾赵帅（人人都是产品经理专栏作家，前微软小冰创始团队产品经理，现优护家联合创始人COO）的参与！下面是干货整理，分享给大家：
　　话题1：AI产品经理与互联网产品经理的区别
　　A：计算机发展百年，本质是信息连接使用高效的方式（机器交互），使信息知识的传递达到同频。第一批产品经理大量产生于web1。0，第二批产品经理产生于移动互联网时代，而第三批将产生于AI时代。
　　产品经理的批量化涌现，源于流量方式的改变（而流量又和交互息息相关）。而AI，正是带来了交互方式的本质改变。从智能手机到物联网，人不再跟一款产品进行对话，而是可以同时与多种产品进行对话。每一次交互，就是一个流量（流量的场景、定义和价值，都可能会有很大的变化）。流量的方式由点到线的改变，再由线到面的进化，人类获取知识信息的方式正在变化。
　　百度开发DuerOS的重要原因是因为数据（流量）资源枯绝。通过DuerOS连接智能终端，每个智能硬件终端链接一个人（或多个），机器可以获取的信息规模变大。
　　AI需要的是人才、场景、数据、算法。
　　B：AI产品经理与互联网产品经理的共同性在于，都需要考虑产品、用户、场景。在互联网的时代，用户对已知生态圈产生了熟悉感，而AI产品经理需要考虑如何设计产品才能让用户很快适应新的生态圈新的场景，具有很深的可挖掘性。
　　C：互联网是线性结构，而AI是非结构化，不好对信息进行归类。把AI比作人的神经元，需要通过终端来进行声光电的信息采集，并且需要大的存储空间。AI需要比互联网更强大的计算能力，且需要行业的业务专家把知识灌输到机器中，用可量化的数据模型进行总结，投入算法，再通过机器获取新的经验。
　　D：AI产品经理工作的复杂度比互联网产品经理要大得多。
　　打个比方来说，产品经理的工作产出是一个拳头，那么互联网产品经理的第一步MVP，是做一个目标拳头的mini版，是一个小的、明确的目标，并且可被拆分、倒推、可控。而AI产品经理，第一步MVP，是做一个握拳70的拳头，还没有完全握紧，需要一点点的聚拢（大家自己脑补一下吧，哈哈），是一个大概的雏形，从目标、效果、方案等等，都有各种不确定性。
　　比如从“数据”这个角度来说，从收集（TTS，3个月）、分析（看大量聊天对话数据，才能自己提炼规则feature）、应用（产品早期，数据的价值甚至大过技术模型算法）到测试（产品需求、TE测试、用户使用，数据集都是不一样的，越来越不可控）等等，每个环节都有很大不同。
　　从结果看，即使是大公司中级产品经理（总监级），也至少36个月来适用AI产品工作，甚至都很难有自己真正独到而深入的理解认知。因为即使前人把AI产品工作中的经验教训总结成文档，ta看了之后，在实际工作中还是会遇到各种长尾问题，还是得去问老同事；慢慢的，才能逐渐对各种AI技术概念和工作环节的信息内化成自己的认知。
　　话题2：语音交互会不会成为下一代的交互标准
　　A：语音交互解放双手，不受限制设备，可以在可穿戴设备，居家设备，音箱等上实现。音箱是一个非常好的设备选择，因为人不会和音箱聊天，但人会发号施令，语言很具体，使机器可以准确地接收到很多指令。
　　D：下一代交互标准可能是“多模态交互”，不仅是语音，还会延续文字，加上肢体，图像，表情传递等。这背后的原因在于：
　　AI的核心差异化方向，不是效率最优，而是情感最优。并且，人的决策，更容易受到感性影响，而非理性。（注：人类不寻求实现决策的最优化，而是采取令人满意的结果就够了。诺贝尔奖获得者HerbSimon）
　　而情感表达，仅靠语言文字远远不够，长期来说，更重要的会是“多模态交互”。（注：梅拉比安模型，感情表达内容7语调语气38表情肢体语言55）
　　好比飞机拥有多个引擎，其中一个引擎出了故障，飞机仍然可以飞行。比如，运用多模态交互的话，在极端情况下，比如语言功能disable了，仍然可以通过眼神、肢体、表情等表达。
　　话题3：聊天机器人
　　A：小冰在早期设计时，PM们先对地址栏，聊天对话框等带有输入框的产品进行体验，看哪个框的输入最不疲劳。得出的答案是聊天对话框。因为搜索带有目的性，而面对聊天对话框是无目的，无压力感的。所以确定了聊天对话是最佳人机交互方式。制定了小冰的产品方向是用聊天的方式做搜索。但如何能不能让用户聊的话题跑出控制，如何在聊天中控制用户的话题方向成了重点。所以小冰这方面的设计是使用自由聊天加兜底聊天的方式。
　　多轮，开放域聊天，容易聊断。起初可能是因为语气词（哦、好吧、啊等），在改善后发现聊天的实质是用户与机器人在聊一个主题故事，当一轮话题结束，设计小冰回溯前58句对话，提取一个小冰擅长的话题对用户进行发问，使话题重新展开，CPS增加效果显著。
　　聊天产品中CPS是唯一参考，但还可以参考的指标有：哪些用户群体在聊，性别分布，时间分布，活跃态度，所在环境等。了解用户是在什么场景下与机器人聊天最多有很大的影响。
　　聊天产品的挑战是：
　　技术两端看产品，回答准不准，回答傻不傻（太傻不像人）。
　　产品化能不能找到更贴近场景的机器人
　　商业化如何使B端C端的用户买单。
　　B：可否通过指令形式，让用户思维发生转化使聊天更可控。
　　C：目前技术受限，产品需要用产品设计来规避技术上实现不了的效果。
　　D：CPS是不是最终的唯一评判标准？不一定。未来，更应该从“效果”角度出发，比如小孩半夜哭了，那陪伴儿童机器人能否通过几轮交互让小孩不哭？如果能达到效果，其实交互轮次越少越好，不应该为了交互轮次而提高交互轮次。
　　话题4：AI与医疗结合的可能落地点
　　E：
　　文本识别。仅满足了提升效率，仍不能从本质上提升诊断正确率。
　　影像识别。眼底判断糖尿病（准确率能达到90以上，但其实人也能做到）、皮肤癌。目前对内部器官的疾病诊断尚难实现。
　　辅助诊断。
　　A：AI在医疗上有两部分比较成熟的应用，一个是纯工具性质，以辅助识别为主，比如文本识别，影像识别。另一个是知识图谱性质，以辅助决策为主，比如梅奥诊所在做的辅助决策系统。
　　目前医疗监管太深，并没有很多可以在公众分享的大数据。个人身上的生命指标数据多，但到医疗范围，仅能通过数据的趋同性去进行判断。
　　至于优护家，是做基层医疗数据平台的公司，主要的产品是居民智能评估引擎。
　　F：健康APP希望能提供运动处方，但目前数据来源比较单一，仅能通过体感设备进行睡眠数据、运动数据、器械数据的采集，指标单一；缺乏日常数据，需要结合心跳仪、血糖仪等医疗仪器才能获得更贴切用户的健康数据，才能更有针对性地提出处方建议。
　　D：有家“AI医疗”公司，想用机器学习做医疗影像识别，提高医生的看片效率、降低误诊率。但在走了弯路后，他们第一步真正产生价值的是，做专门给医院提供影像图片的云存储服务（因为这个领域的图片太大，但每年只看1、2次，存在阿里云上非常贵、不划算）；有了这个基础，第二步，他们给一线城市主任医师提供指导二三线曾是医院医生的机会，增加其业务数据和收入；有了前两步，积累了信任（还有数据），各家医院才慢慢愿意接受其真正想做的医疗影像识别AI服务。
　　话题5：AI或大数据与人事档案资源信息管理的结合点
　　C：档案不能对外公布，需要去挖掘对系统的帮助，找不到良好的入口点。
　　方向：
　　一个岗位，需要什么人来匹配，任职经历；
　　考评时，通过评级打分；
　　记录操作日志信息，再分析哪些系统可以优化，简化流程，通过流程组合减少漏洞，提高效率。
　　A：ToB的BI，解决内部的决策问题运营问题
　　B端客户，其实是toBusinessPerson，买单决策人使用角色人。