AI产品设计思考-宏观架构角度

划重点

在目前互联网寒冬中，AI领域依然相对火热，对人员的需求缺口依然存在；

在经历了18、19年的AI泡沫，目前只做POC概念验证的项目已经没有市场，只有理解用户场景和需求并解决问题的AI才能存活；

从一个专业架构的角度看待AI产品的设计和实现，才能对产品有宏观深刻的理解；

理解AI算法

对于一个AI产品经理来说，或多或少知道一些Ai算法，比如AI算法分为自然语言处理NLP和计算机视觉CV等，但是在实际使用中我们可能需要更为详细的一些分类。

基于计算机视觉，按照大类可分为检测系列、美化系列、特效系列、识别系列。具体的细分如下图所示。

基于自然语言处理，基于词法分析、句法分析、篇章分析和语音系列，大致分为以下四类。我刚毕业的时候在一家研究院做过一些自然语言处理的算法，现在已经过去好久了，对NLP的东西接触也不是很多，希望没有错分吧。

在AI行业泡沫的时候，知道这些技术并了解其中的一些算法可能是一个比价好的AI产品经理，比如有一个应用于门禁系统的人脸识别的应用场景，作为一个AI产品你知道其中用到人脸识别算法，人脸识别又分为人脸检测和人员分类，把本公司的人员和外部人员分类识别出来，这样你就可以把这个需求提给技术，让技术去开发。

但作为一个进阶版的AI产品，你可能需要思考一下问题：

（1）算法的实现，我们需要多少训练数据？这些数据从哪里来？

（2）模型是否需要更新？是需要定期更新呢还是实时更新？

（3）如果更新，如何更新？在线还是离线？

（4）推理能力是部署在终端上还是云端上？部署在终端和云端带来的推理时延能否接受？

（5）终端计算和存储能力是否有限制？是否需要对模型进行压缩？

（6）识别结果和操作日志如何保存并用于后续的算法优化？

等等~

其实这些问题看似是技术需要考虑的问题，其实作为一个AI产品你也需要思考这些问题。在我刚转行入职本公司的时候，当时需要解决的一个问题就是，我们把推理能力部署在云端，因此用于需要将视频流推到云端，在推送的过程中不可避免的对流量、网络等提出要求，在云端处理完再返回结果给用户，又拉长用户等待的时间，这一切都对用户体验产生影响。

所以对于一个进阶版的AI产品经理，对AI产品的思考需要从一个完整的技术栈入手，其中涉及硬件架构、操作系统、AI算法、应用逻辑、部署维护等多个层次，只有从宏观架构角度才能对产品及功能有深入理解。

系统架构

目前的AI算法被集成在Web应用、移动互联网应用IOS、Android、物联网及智能设备中等，了解这些应用的典型系统架构，有助于我们从宏观角度思考问题。

本文作为开篇引言，下一篇文章将详细分析典型系统架构。

2020年作为下一个10年的开始，总要立一些新的flag，比如不买奥迪买奥拓，才是我的目标。

部分引用

创新工场 王咏刚老师演讲