今天，無論是面向個人的應用還是企業級軟體，人工智慧都在其中發揮了重要作用。未來更多的產品和服務也一定是資料和人工智慧技術來驅動。
人工智慧技術與微積分、線性代數、機率論與統計、計算機等多種學科相關，存在較高的理解門檻。同時，在落地的整個鏈條中也會涉及到非常多的角色。對於非技術型角色，應該如何理解人工智慧技術？又如何在自己的業務場景中應用它呢？
我的角色是UX和產品經理。從SAP中國研究院開始，10年的時間大部分在負責企業級大資料產品和AI驅動的智慧產品設計。在這個過程中我對人工智慧技術的認識也是從零開始，不斷加深。
我並不認為每個人都需要成為演算法專家才能參與人工智慧技術的應用，雖然我也會和演算法專家交流，丟擲神經網路、文字分類、準確率/召回率等等術語。但最終我的認識並非建立在複雜的技術與演算法基礎上，而更偏向與去思考這項技術給使用者/客戶需求與商業價值帶來的影響。對其他非技術類角色也是一樣，要參與到人工智慧技術的應用之中，關鍵在於如何去
尋找這項技術與每種角色的契合點
。
非技術人員理解人工智慧技術有哪些門檻
在很多交流中我發現，不同角色的人在聊到人工智慧時，通常都有很多疑問：
產品經理
人工智慧、演算法、機器學習、深度學習這些到底是什麼？人工智慧的能力邊界在哪？這些問題是否適合用人工智慧技術解決？
使用者體驗設計師
應用人工智慧技術的產品應該具備哪些特徵？人工智慧技術會給產品體驗帶來哪些變化？如何設計和評價人工智慧產品的使用者體驗？
業務的運營管理人員
人工智慧技術對於企業而言到底意味著什麼？應該如何使用人工智慧技術才能為業務帶來價值？
市場營銷和銷售人員
我如何向客戶介紹產品中應用的人工智慧技術？
從這些疑問中，我們可以把非技術人員理解和應用人工智慧技術的門檻歸納為這三個方面：
1. 如何正確認識和理解AI的工作原理？
2. 如何以正確的方式應用人工智慧技術？
3. 如何正確看待人工智慧技術應用的效果？
如何正確認識和理解AI的工作原理？
在過去，如果想要建立一個產品來識別某些東西，必須要寫邏輯步驟（程式）。比如為了識別圖片中的貓，需要用程式來分別識別貓的輪廓、皮毛、腿、眼睛、耳朵等等，然後把它們組合在一起進行判斷。但這在實踐中，就相當於在虛擬環境中還原一個真實的貓。可以想象邏輯上是非常複雜的，並且很多時候我們並不能準確描述“識別貓”的所有步驟。而人工智慧演算法就不一樣， 它可以藉助大量資料，比如你給演算法100000張有“貓”標籤的照片，機器在之後就能認識貓。這裡面的核心區別就在於，傳統方式人們需要給出識別邏輯，而人工智慧技術是從結果出發。
為了識別貓，通常會使用神經網路演算法、機器學習/深度學習技術等。很顯然，讓非技術人員去理解這裡面的數學公式進而理解人工智慧技術是非常不現實的。那如何以符合非技術人員心智的方式去解釋人工智慧技術呢？
我的建議是從模型的輸入輸出入手。
之所以建議從輸入輸出入手是因為輸入輸出是最容易被直觀感知的部分。在上面識別貓的例子裡，我們知道人工智慧技術所需的輸入是貓的圖片，輸出結果是對輸入的圖片進行判斷，告訴我們是不是貓。很顯然，模型透過輸入學到了其中的規律，然後作出了相應的判斷。由此舉一反三，我們就明白了，要讓人工智慧工作，首先我們需要為它提供學習的素材——資料。
另外，輸出肯定是基於輸入的，因此我們也能意識到輸入圖片的數量、質量和圖片本身的特點會影響模型的輸出。比如如果我們輸入的圖片中的貓都是黑色的，那麼當提供一張白貓的圖片時，可能模型就無法識別了。
一是模型需要怎樣的輸入，二是輸入對輸出的影響，
我認為這兩點是非技術人員最需要理解的人工智慧技術的關鍵特點。
認識到這兩點還能讓我們知道，當我們要應用人工智慧技術時，有哪些前提條件？以及要注意的問題是什麼？更具體來說就是對資料的收集、處理需要注意什麼。
如果你覺得這樣還是很抽象，那麼現在有很多人工智慧產品都提供demo和線上試用的功能，你可以註冊一個賬號，直觀的感受一下模型的輸入和輸出。
如何以正確的方式應用人工智慧技術？
這個問題要從兩個方面來看，首先是定義問題，第二才是應用人工智慧技術解決問題。定義問題是應用一切技術手段的前提：
當前的業務問題是什麼？
面向的使用者是誰，在什麼場景下使用該功能？
核心業務流程是怎樣的？
在明確了這些關鍵點之後，就要考慮如何應用人工智慧技術來解決問題：
選擇用什麼演算法來解決問題？
解決問題需要哪些資料？
評估指標有哪些？
透過收集哪些資料來獲得反饋並最佳化模型？
發現問題到解決問題是一個連續的過程，不能割裂來看。應用人工智慧解決問題也是一樣，我們也一直在探索適合人工智慧技術的產品設計方法。
在SAP工作多年，我們一直在用Design Thinking/設計思維所倡導的設計理念與方法流程來進行產品研發。設計思維最早由IDEO提出，經過多年發展已經應用於很多行業的產品研發過程中。除了設計思維，我們還會從商業模式切入來分析產品的商業價值。再結合技術視角共同來構建解決問題的方案。
設計思維+商業模式+技術視角
涵蓋了經典的可持續創新理論中的desirability/市場需求，viability/商業價值，feasibiity/技術可行性三個維度。
我們用商業模式畫布來幫助我們從戰略層面判斷和定義產品/業務模式要關注的關鍵要素，它包含如下因素：
而設計思維是將戰略轉變為現實的具體步驟和方法，典型的流程是這樣：
作為對比，下面列出了人工智慧產品的技術實現過程：
透過三者的有機融合，我們藉助
AI應用畫布
來指導人工智慧產品的定位與設計。
AI應用畫布以模型為中心，左側包含機會、應用物件、策略、流程，強調模型應用的商業價值/機會。右側包含解決方案、資料、技能、成功標準，關注模型的技術可行性。針對每一個要素進行更細粒度的拆分就可以有章可循地定位與設計人工智慧產品，真正在業務上產生價值。我們也正是基於這一理念來打造摹因這款產品。
如何正確看待人工智慧技術應用的效果？
透過上面識別貓的例子，可以看到傳統方式是試圖用程式描述清楚貓的構造，人工智慧技術則直接從結果入手，透過大量的資料告訴機器哪些是貓，由演算法去自動發現識別的規則。這種區別導致人工智慧技術具有結果不確定的特徵，準確率不是100%可保證。相對於傳統產品，出現bug是異常，人工智慧產品出現“bug”則是常態。對人工智慧演算法來說，在研發階段可能準確率可以達到98%，這是基於特定的訓練資料集的結果。但真正把模型或產品應用到業務系統中，使用者面對的是一份一份的真實資料，每一份資料都可能出錯，那在這種情況下需要怎麼做？可見評價人工智慧技術應用效果的標準，與傳統方式應該不同。
傳統技術遵循因果、業務邏輯，人工智慧依賴資料和演算法，因此對於人工智慧產品而言，整個團隊需要正確理解演算法指標和業務指標，以及演算法指標和業務指標之間的關係。其中演算法指標主要面向人工智慧演算法工程師，而業務指標則主要面向產品經理、運營人員等角色。
Accuracy升高，會幫助提升使用者活躍數嗎？
研發工程師告訴我F1 Score很高了，可是它跟使用者的訪問時長是什麼關係？
……。
以上這些問題是需要不同角色一起在實踐中探索的。
總的來說，對於人工智慧技術應用效果的判斷除了看最終的業務結果，還需要考慮模型本身的能力，以及如何將模型的表現與業務指標掛鉤。
在具體的業務場景中認識人工智慧技術
人工智慧技術有門檻，但也並非無法理解。對於非技術人員來說如果我們能帶著具體的業務場景去探索和認識人工智慧技術，會更具體、更直觀。這也是為什麼我們一直強調，人工智慧技術要真正落地，真正發揮價值，必須要重視非技術類角色的作用。
在這方面，摹因就是一個例子。首先不是要去強調演算法的高深和先進（當然不能忽視技術長期帶來的價值），而是深入到銷售溝通的具體場景中去發現問題，
從不同視角去剖析問題，然後在問題和人工智慧技術之間尋求契合點。
而這個過程又會反過來促進我們對人工智慧技術的認知。
關於在銷售與客戶溝通這一具體場景中如何應用人工智慧技術解決問題，可以讀一讀之前的這篇文章：
《銷售沒有挖掘客戶需求，演算法可以發現嗎？》
我們相信，在深入具體的業務場景的基礎上去探索人工智慧技術是當前更務實的做法，也更能發揮人工智慧技術的優勢，真正為業務創造價值。
