形色是由杭州大拿科技研发的一款拍照识花软件，依托于人工智能下的深度学习技能，可快速地对植物花草的特色进行剖析，并以较高的准确率输出花草所属的种别。
虽然相较于抖音、美图等产品，形色趋于小众，然而该软件自上线以来，仍旧得到了许多用户的认可。
根据七麦数据，形色近三个月下载量呈现出不断上升的趋势，尤其是进入四月份以来，日下载量增加更加明显。这解释，形色保持了稳定的用户增长。
根据易不雅观千帆指数，形色的月活也具有出色的表现。如图，形色近6个月月活显示，数据上虽有较小颠簸，但在2月份达到最低点也仍具有将近90万的月活，且此后开始展现出良好的回升趋势。这解释，形色拥有稳定的用户利用量。
而无论是用户增长量还是用户的利用量，都是对一个产品的可持续发展至关主要的指标，形色在这一点上表现精良。
此外，从整体的页面上，形色调性淡雅、配色清新、交互大略流畅，且用户反响识别准确率高。而除拍照识别花草植物的功能，形色还供应了类似于花间、舆图、展览及鉴定等功能，使得具有相同爱好的用户环绕着花草可以发生互动，使得平台在花草之余平添了许多人气。
基于此，形色在同类产品，比如微软识花、花帮主中脱颖而出。同时，根据前期的调研结果显示，形色充分利用了人工智能技能的上风，随着用户数据越来越多，其准确率也越来越好，在用户间具有良好的口碑。
为了更好地凸显AI技能在产品中的落地，我们仅以“拍照识别花草”功能项作为出发点，对其进行用户-场景-需求、功能目的、功能逻辑、用户评论及技能剖析，并在此之外，对平台中环绕“拍照识花草”衍生出的“拍照识果蔬”进行简介。
2. 用户-场景-需求剖析
3. 功能目的从“拍照识别花草功能”出发，形色知足了许多用户的许多需求。
不同于抖音、美图或作业帮，它们都比较显性地知足了仅仅部分人群的需求，而形色则具有更广的受众，运用的场景也很丰富。比如：对一些植物爱好者，形色可以知足他们在碰着新植物种别时快速识别的需求，乃至是一些罕见的花草也可以更为准确地识别，形色还供应了互动和分享的渠道，使得用户可以在知足自身乐趣的同时还有益于兴趣的互换，达到用户聚合的效果。
而对付一些园林花艺从业者，形色在他们的事情中充当了效率提升器。由于这类人群常常要在设计、搭配中对植物的种别进行识别与鉴定，而人的脑容量又十分有限，如果依赖传统的笔墨搜索，则耗时耗力，形色使得这类人群可以快速地确定干系植物的种别及形态知识。
末了，对付一些类似家长、西席、拍照爱好者、旅游爱好者、小朋友等，形色也都帮助他们快速认识花草、答疑解惑、学习植物知识、得到好看或珍稀植物照片供应了更丰富、高效的渠道。
由此，可以看出，形色面向的用户群广，利用的场景丰富，而知足的需求却集中表示在快速识别花草、学习植物知识及鉴定植物等方面。
对付平台而言，借助人工智能技能，为用户供应高准确率且快速地植物识别的做事体验，通过植物将用户聚拢，并由此拓展功能外延，一方面平台的算法越来越准确，吸引的用户越来越多，另一方面环绕着植物识别这一核心需求，通过更丰富的功能设计，比如花间、舆图等，产品可带给用户更多惊喜。
而形色的官方团队也在新闻发言中坦言，他们是纯粹的人工智能技能爱好者，希望通过产品作为载体，把人工智能的乐趣带给更多用户。
这句话是不是空喊口号无从得知，但从目前的体验过程中，形色暂时没有特殊显性的广告植入，而平台算法的性能也比较稳定和准确。
4. 功能逻辑
在功能逻辑的设计上，和一样平常的“拍照识别”类产品一样，形色的流程设计也比较灵巧，比如识别图片来源供应了多种选项，同时比较特殊地是提出了“自拍，看看你像什么花”选项，该功能捉住了用户爱美及好奇的生理，是一种比较具有意见意义性的互动。
同时在天生的过程中，由于对图片处理的过程可能算法存在一定的延时，尤其是一些比较少见的植物，打算图片特色及检索数据库的过程须要花费较长的韶光，可能会涌现更长的等待韶光。
针对上述算法延时的问题，形色的处理是比较看重用户生理感想熏染的。比如：在体验中创造在等待时，系统会反馈各种提示语包括“正在努力鉴定中XX%”，让用户生理有预期，减少焦虑。
再比如：“再等等，结果立时就出来”、“网络彷佛有点拥挤”，即便进度没有变革，但这些提示语仍处于动态变革中，在这些极具拟人化特色的提示语之上，用户不会以为背后是一个冷漠、机器的“机器人”或算法，而是以为这是一种友好的互动，从而耐心及忍耐度会有所提升。
上图是体验的一个过程，是拍摄的路边的一种野花。从中可见，拍照鉴定的过程中，一贯显示在缓冲，但是体验相比拟较好的是，系统一贯有反馈，比如进度94%、99%，而且一贯把延时的锅扣给“网络慢”、“网络拥塞”。
实在这种提示语的设置是人工智能产品设计的一个技巧，由于常规而言，如果算法想要达到比较好的准确率，则模型的繁芜度会比较高，那么模型在运行的时候其效率每每较低，则平台通过这些标语一方面可以转移用户的把稳力，另一方面，也可以一定程度降落用户对算法弗成的糟糕想法。
这种设计的技巧的运用比较普遍，比如：还有一些利用识别分割技能的图像类产品，有的时候算法处理的结果在边界处表现不好，则可以通过在边缘处增加装饰物或是其它比较酷炫的变换效果，从而缓解算法本身结果的不敷。
本次体验终极识别准确结果是鬼针草，如果你以为该识别结果不准确，还可以再要求高手鉴定。
供应高手鉴定的好处在于：
一方面通过用户利用高手鉴定的点击率，可以用于对后台识别算法准确率的反馈，重新调节模型的参数，以是用户会觉得到在不断地利用产品的过程中，识别的准确率会越来越好。由于当前深度学习的准确率增长，一定程度上是依托于演习数据的增加，以是人工智能类的产品，用户数据的后期网络与优化十分主要，从产品的体验和调研中也创造，形色是比较看重这一点的。
另一方面，现有的AI产品设计中，如果仅仅依赖算法可能无法知足用户的所有需求，尤其是一些比较分外的场景，还是没有办法知足用户任何情境下满意的哀求。因而目前最为常用的方法是算法+人工。
比如抖音后台的鉴黄，只是应对大数据去除那些特殊特色较为明显的，而剩下的比较随意马虎歧义的，还是须要一定的人工进行赞助判断，减少误判率。即便如此，从整体上看，也大大地减少了人力、物力的损耗。
以是，形色的高手鉴定中，一方面是发布到平台上，一些同样爱好植物或者刚好认识的用户会帮助解答，同时平台也吸引了一些干系的专家入驻，以提升鉴定的效率和专业度。
同时我们还做了更大量的体验，从中可见整体的识别准确率较高，且每一次识别之后，都附带了比较诗情画意的讲授，和平台整体的调性以及调研中创造的用户的需求是比较吻合的。
末了一幅图，为了恶搞一下算法，我特意选取了杯子上的任意一个绿色部分，末了平台返回的结果是“我竟然被难倒了”，以是，这一刻可能会以为哪怕错了也挺可爱。
当然了，形色也有失落灵的时候。
比如输入一株火龙果图片，它给出的第一答案选项是火龙果，后面还给出一个选项是昙花，火龙果是准确答案，但是不雅观察会创造，它和昙花的表面形态确实有些相像。
造成该类缺点的问题在于，模型是基于植物的特色提取，和后台数据库形成比对，只要表面特色相似可能就会剖断为同一种别。且算法的灵巧度有限，对付一些相似物种，仍没有办法对细节做出准确区分，这是未来算法设计须要占领的难题。
其次，我拍摄了钥匙的图片，算法识别结果为辣椒。由于人工智能一定程度上是基于过往的履历，对面前的新事物结合其特色做出判断。也便是说，算法以为自己应该在现有植物品类库里找一个最匹配的来表征输入的图片，大部分算法还是比较“纯挚”的。
5. 用户评论
同样地，我们对产品搜集了对应的用户评论。
首先，基于七麦数据显示，形色的用户评分当前显示评分为4.9分，所有版本评分也达到4.9分，基本所有的评论集中在5星、4星，而低分评论占比极低。
同样地，网络了30条用户评论。但是本次评论的筛选中，没有刻意地集中在差评，而是对用户的评论进行了整体评估，并提取其对应关键词，最后进行归类剖析。
首先用户评论的关键词紧张包括“内容质量需加强”、“效率提升”、“增加知识”、“准确率不高”、“准确率高”。
个中36.7%的用户以为利用形色增加了植物干系的知识，对付学习及日常装逼有益，20%用户以为形色对每栽种物、花草判断都十分准确，非常智能，16.7%的用户认为形色的内容质量须要加强。
比如：关于识别结果的讲授可以更为详细一些、平台上关于植物的科普文章要更加专业一些等，13.3%的用户以为通过形色极大地提升了学习花草植物知识的效率，他们中有的人是园林或花艺设计师。末了还有13.3%的用户认为识别的准确率不足精良，可能是恰好他们问到了“算法”没学过的部分。
进一步地，我们把用户的评论终极归结为产品、算法及运营维度。
个中，如效率提升、增加知识属于产品范畴，正是由于产品能够看到用户的需求，并从用户的角度出发，奥妙地利用人工智能技能，得以为用户办理需求。这是用户对形色的赞许，也是对它未来发展的期许，希望它一贯记得初衷，做事用户，不断进步。
而准确率问题则属于算法范畴，而由于平台的演习数据，后续的履历积累、调参优化，都对终极平台的识别准确率有影响。形色官方技能团队曾对外发言称，其起步的演习数据集就很弘大，而且后续也很看重网络用户的反馈，进行模型准确率的调度，往后也还会连续加强数据集及算法的调度和优化，则算“盲区”会越来越少，从而整体的准确率会进一步提升。
末了，内容问题则属于运营范畴。之前看了一篇文章说到，互联网产品的发展，从技能主导到产品主导，已经开始萌生出运营主导的趋势，无论该论断精确与否，都不可忽略的是，运营是一款产品能否触达大众、焕发生命力的关键。而遗憾的是，形色的运营比较单调，这是相对不敷的一个点。
6. 技能剖析
形色的实现，其技能事理比较大略，紧张便是图像识别及检索，即通过图片特色的提取，而后进行搜索匹配，终极输出结果。形色之所有得到比较好的准确率，紧张在于它十分专注地打磨，把上述的每一个技能环节都做到了最好。
首先，演习数据集牛逼。有多少数据，就有多少智能，尤其是对现阶段的深度学习模型而言，演习数据的数量和质量可视作是决定性成分，这也是为什么很多人工智能产品经理都在事情中或多或少地须要承担数据标注、清溪任务的缘故原由。在上线前期，形色团队就意识到数据对付模型准确率的主要性，因此他们在演习数据集的打造上花费了很多韶光。
比如通过向各大论坛植物爱好者征集花草图片数据，同时自身团队出动，到当地进行常见花卉采集之后请专家鉴定等，在担保了演习数据集的数量之余才展开了后续的事情。
对付深度学习而言，由于深度网络的繁芜性，须要演习的参数规模弘大，乃至可以达到好几百万个，以是要想算法落地成产品后能得到实际可用的结果，其演习数据集的需求量远远超出一样平常人的想象。
而当数据量不断增加后，数据的洗濯和标注又是其余一个更为繁芜问题，形色团队在这方面上也是斥巨资，他们聘请很多具有专业知识的专家反复校验，确保了演习数据集的质量。
通过数据集上的努力，形色最初的模型比较大略，得到的准确率靠近50%，这让团队看到了希望。
人工智能是仿生的，和人一样，如果见得少，则判断出错的概率就大。所以为了减少算法识别缺点的概率，须要让模型尽可能学习更多的数据，形色采纳了一个长远更为有效的方法是：在产品上线之后，进一步网络用户上传的图片，用于算法的迭代演习。
结果显示，随着用户数量增加，平台演习数据集扩增，识别的准确率也越来越高。
其次，算法+人工赞助的双重技能担保。
形色是一款精良的人工智能类产品，它在为用户办理的过程中，传达出一种十分谦善、卖力的态度。
详细地，在实现的过程中，除了以深度卷积神经网络对图片进行分类并检索的识别算法外，为了应对算法失落灵的情形，形色还配备了专业的人士进行人工鉴定及解答。
末了，技能细节的处理。形色在提取照片之后，考虑到用户拍摄的图片可能存在模糊、关键特色不明显的特点，以是算法会对图片进行统一的预处理之后再识别。
预处理的过程包括了光芒调度、颜色反转、曝光度、裁剪出关键部位等，如此，可以提升照片的质量。由于深度网络中，算法演习时学习照片的特色，如果照片本身的质量不佳，则算法会学到一些缺点的特色，从而可能引发后续的判断缺点。同时，一些肉眼无法辨识的特色，尤其是某些附近的种类，如果没有经由预处理，模型就有可能无法得到干系细节，从而发生误判。
形色的技能方案看似大略，但是他们的聪慧在于，选择当前效果最好的一项，并将其打磨到最好。
现有的打算机视觉处理任务中，图像识别、分类的效果是最好的，比如：许多人脸识别、图像分类的结果在经由足够的演习数据演习后，可以达到99%以上的准确率，而人由于履历以及其它生理的不同，可以达到的均匀准确率也才有95%旁边。
以是这从一点上看， 形色捉住了图像识别这一技能可以落地的机遇。由于大部分AI产品设计的初衷，一定是由于算法可以帮助人类办理部分重复性的事情且办理的效果优于人类。
且在瞄准了切入点之后，他们花了足够多的韶光和精力在技能上做深入的积累，等到机遇成熟的时候，花费极小的本钱将其成功迁移到另一项功能上（拍照识瓜果和海鲜）。
以是人工智能类的产品，不要一开始就着眼于用多繁芜的技能、做多繁芜的功能，大略、高效直至出神入化才是王道！
技能关键词：数据集 算法+人工赞助 技能细节处理
总结
本期一起体验了小众AI产品“形色”，从中也感想熏染到人工智能技能，已经变成各种各样的 产品，涌如今用户生活的方方面面，帮助用户办理了各种各样的问题。
作为一个人工智能产品经理，我们的思考点在于，若何通过更为大略的技能，以更低的本钱和更好的体验，为用户带来更多惊喜~
作者：Luna，公众号：有三AI，一个专注于人工智能技能与产品落地的"大众号，希望可以和热爱AI的人有更深入互换，一起见证AI改变生活！
本文由 @ Luna 原创发布于大家都是产品经理。未经容许，禁止转载
题图来自网络