本文来自AI产品经理的分享，enjoy~
9月20日（上周三），我们举行了第3期的“AI产品经理闭门会”，这也是第一次在深圳进行的闭门会，现场主要有四个阶段：
《智能助理的应用场景选择》@郭靖，本期特邀嘉宾，Chatbot领域AI创业公司创始人兼AI产品经理，前迅雷PM。2016上海BOT大数据应用大赛冠军（智能购车顾问）
《金融科技-智能投顾与AI金融风控》@谢成
《车载语音助手的实战干货》@宏卫
大家交流及@团长 分享
下面是干货详情——
一、智能助理的应用场景选择 | 郭靖
1、什么是智能助理
利用AI技术，打造统一的CUI（对话交互界面），一站式的整合信息&服务。
2、关于智能交互
真正的智能交互是一种“自由”的交流与交互方式，而不仅仅是与“以自然语言为形式”的交互方式，后者很有可能会沦为自然语言形式的“命令行”。
3、智能助理什么时候大火？没有成熟应用的原因？
2015年Magic项目是让智能助理真正火起来的项目，希望用一句话就能实现需求。但后来发现很多需求智能助理并不能满足，也因此后来很多类似项目都无法成功。
人类的需求是服从正态分布的，例如人类有1万种需求，其中15种的高频需求，覆盖95.4%的用户请求量。但这些高频需求都会被“APP”形式的应用占领（例如淘宝、携程等），因此这些高频需求反而不是CUI需要去覆盖的。
4、CUI的重点？
CUI核心是去覆盖频率只有5%，但数量却有9985种的长尾需求。每个人的长尾需求都不一样，CUI若能很好的满足一些长尾需求，能够使用户和产生依赖，让自己也成为一个“入口”。这是“低频打高频”的畅想。
5、通用领域的长尾困境
“低频打高频的畅想”实现起来困难重重，我们称之为“通用领域的长尾困境”。主要是由于不同场景，下语言的意义可以多种多样，有太多不明确的意图无法确认。我们为解决此问题，试图限定谈话的领域，从宽度发展变为广度发展。这也就是垂直领域的智能助理。
6、垂直领域智能助理的困境
（1）推理复杂度
机器学习（ML）是计算的逆运算，很多时候时候从结论反推规则，用数据训练规律。对象的复杂程度直接决定模型的复杂程度。
意图理解难推理
（2）知识复杂度
（3）数据开放度
很多领域，例如医疗领域的数据非常难获取。这也是项目的难题之一。
7、解决方案
解决方案1）：面向大众还是专业人士？
解决方案2）找到“不得不”场景
Amazon的Echo在2016年出货500万台，2017预计卖1500万台。它的10大应用除了“设闹钟”等需求，还有“读报纸”“新增物品至购物清单”这些适应国外用户的需求。因此我们不仅仅要回答“我有什么好”还要回答“我比原来的方案有什么好”
很多用户购买AI是为了满足客户对AI的期望
解决方案3）认知问题感知化解决
穷举在该领域内，用户可能会说的所有query类型
完备性<-颗粒度->一致性
使用对话模板（DIT++等，DIT++对话模板的官网在https://dit.uvt.nl/ ）
使用意图模板
（注：以上2个模板，也会在文末的下载链接里分享给大家）
解决方案4）场景垂直VS领域垂直
我们平时说垂直是说领域的垂直，比如房地产这种行业类的。但是很多时候我们需要场景的垂直，用很窄的场景就解决一个小问题，并且带来足够多的好处。
“场景小才能压强大”
AI是解决简单重复的脑力劳动。在智能助理的产品下，简单重复的脑力劳动就是指“明确目标、有限输入、对话可迅速收敛的任务指令”。
解决方案5）人机协作系统
与其打造高智能的机器系统，不如打造人工和机器一起协作的系统。用人工来保证机器的稳定性。任何一个智能助理的大概的基础架构如上图。当用户输入一句话后，先做NLP部分，再做对话管理部分（决策部分），最后再做业务处理。这三个模块，全部都需要机器去运算，那我们就可以给每个模块加上后台审核人员，对数据做一个标注。这样就能达到数据沉淀的目的。
标注数据对AI来说非常重要（很多公司都花了大量的时间和费用去买数据、标注数据），“人机协作”在早期既能保证系统稳定，又能标注大量实时有效的数据，是非常好的一种方式。
8、技术需要产品化
AI技术还不够，需要工程化、产品化；
行业需要科学家，也需要好的产品经理，好的全栈工程师。
9、有时候，人工智能产品的架构比普通的互联网产品多了一个维度——“时间”。
这种产品架构，可以生存到未来，并在未来逐步进化，一步步向智能逼近。
二、金融科技-智能投顾与AI金融风控 | 谢成
1、背景
（1）金融科技的生态是三个相互牵制的部分：公司/银行——监管——资本
（2）金融科技发展：
20世纪70年代 业务电子化
20世纪80年代 前台电子化（ATM机等）
20世纪90年代 金融业务互联网化（实现了高效连接）
21世纪 金融科技
（3）中国金融科技发展
IT系统——支付——信贷——大金融——生活
2、智能投顾（Robo-advisor）
个性投资、私人订制、组合投资、分散风险、智能投顾、自动调节
3、金融建模的业务流程
（2）融和数据加工
（3）构建模型
三、车载语音助手的实战干货 | 宏卫
同行者科技的产品是在车载场景下的语音助手，宏卫通过产品演示和一个个的故事，分享了他们的心得干货。
1、为什么要做AI？
先发现了在车载场景下人们的需求，才选择做AI的。需求场景大于了AI技术。
2、为什么其他场景不做？
（1）我们的目的是做产品，不做AI产品。因为小公司在算法等等技术上很难超过BAT等大公司，所以选择和构成产品每个部分最好的业务技术公司合作，再加上我们对产品的深挖，来做我们的产品。
（2）曾经也有其他的场景找到我们公司合作，比如儿童、智能家居等。但其实每个领域里面，语料库、语义都会不一样。
3、如何做车载场景
（1）车载场景下没有办法直接做to C的软件，因此选择了to B的商业模式。
（2）为了启动顺利，做了大量的数据埋点，收集到了颗粒化的数据，甚至是用户每一个问句都做了加密后的信息收集。
（3）和大量的内容企业合作，比如QQ音乐、喜马拉雅等等。
4、其他
（1）技术很多时候不能满足产品的预期，因此，产品应该更注重在现目前的技术下，如何能做出最能满足用户需求的产品。
（2）付费版引擎和免费版引擎差异非常大，特别是在离线环境下。
（3）很多公司做引擎，提供了平台化的产品，但是这样产品的垂直深度就不够了。
四、团长分享及大家讨论
1、关于数据
（1）在AI行业早期的MVP阶段，数据价值甚至大于技术架构价值，一开始不用烧钱堆AI技术人才。
（2）数据如何获得？
买，但非常贵。（现阶段，做数据生意，都可以养活一家公司了）
用已有数据自己来生成（具体技术方式略），实际效果是1:1.3（1份原始数据，最多变成1.3份），再多就没效果了。
内部团队自己撰写补充
（3）数据（标注）职位，是非常好的“AI产品经理入行切入职位”，因为能最扎实了解到业务场景（特别对文科生）。
2、现阶段AI落地，很多垂直领域很难一步到位（产生颠覆行业的价值），更现实的方式可能是“吸引用户兴趣、提高付费转化率”，比如迎宾机器人。
3、很多人技术懂多了，产品sense就少了，如何看待这个问题？
（1）学习AI技术，可以看大家自己的意愿，很多时候产品经理只需要懂技术的边界就基本够用了。
（2）如果对AI技术有强烈的学习兴趣，也可以试着朝全栈方向发展（本期嘉宾@郭靖 就是）。
