AI对话机器人目前运用已经很广泛了。智能客服、语音助手、外呼机器人……等等，在日常生活中你可能已经碰到了很多的对话机器人。那对话机器人中，算法开拓过程是怎么样的呢？本日笔者从一个AI产品经理的视角，做一个大略的先容和阐述。
如果你问一个AI算法工程师，如何将算法模型搭建至知足业务需求，上线、给用户利用，算法工程师可能会跟你说一堆的AI技能细节。包括如何选型、算法模型间的技能差异点，等等。每每让非算法技能职员听得云里雾里，以为很高大上但不明就里。
本文我们不讲AI技能细节，我们从AI PM的视角，来阐述对话机器人的开拓过程中，算法扮演了什么角色，承担了什么任务，以及如何影响终极的产出结果的。
对话机器人当中利用的算法，可大致分为：意图识别、实体识别、相似度打算3大类。紧张运用于机器人对付客户应答的识别能力。在产品开拓过程中，算法的开拓流程大致如下：
下面我们详细描述每个环节的开拓过程与内容。
一、需求定义紧张角色：产品经理、AI演习师
在做算法的开拓之前，须要走做产品需求定义。对话机器人中，利用到算法的地方，紧张在于语义识别的部分。紧张包括：意图识别、实体识别、相似度打算，等等。这里以意图识别为例，做相应的先容与阐述。
在运用于业务场景的对话机器人当中，常日须要基于该场景，做多个意图的识别。常日来说，意图的数量少则几个，多则几十个不等。而详细须要做多少意图的识别，以及每个意图的定义是什么，意图与意图之间的边界是什么，须要做开拓前的需求定义。
一样平常需求定义是由产品经理或AI演习师来做的。意图是根据业务场景进行切分的，而产品经理作为对话机器人的设计者，本身应对业务场景有深刻的理解。同时，不同于传统的互联网产品经理多是对付产品功能的设计，在对话机器人的【对话】层面的设计，更是表示AI产品经理代价与思路的方面。
以是产品经理须要基于业务，做每个意图的定义，需做到明确、清晰、可验证。这对后续的算法开拓至关主要，是开拓的方向、验收的标准、产品的代价表示。
除了产品经理，也可由AI演习师做算法需求定义。一样平常而言，AI演习师的职责是基于客户的对话场景，做对话流程设计、对话知识构建与优化的，AI演习师应是业务场景专家，以是须要做算法需求的定义。
AI演习师与产品经理的差异在于，对话机器人的功能层面是有产品经理卖力，而AI演习师紧张着重于基于对话场景的对话设计。产品经理也需对AI演习师的事情内容熟习，以相应地设计可布局精良对话设计的产品功能。是对话机器人的整体owner。
二、模型预研紧张角色：算法工程师
明确了产品需求，在产品经理/AI演习师做完算法需求的宣讲之后，算法工程师就要根据需求，进行算法模型的预研。详细来说，便是要判断目前积累的数据和沉淀的算法，是否可以达到业务的需求。
预研的目的紧张有2点：
算法工程师常日会在前期做技能干系的调研，理解目前业内主流算法，包括已被验证的较为精良的模型，以担保在技能层面至少在业内是持平和领先的。
同时，不同业务哀求的算法能力不同。算法工程师须要根据业务特性，选型相应的模型，多备几套方案，以供模型演习时利用。
模型预研的结果，常日须要做一个小型的申报请示。目的是同步模型预期选型，让产品经理、AI演习师理解不同的算法模型的利害势，以及后优化掩护的不同特点。同时也网络各方的见地，做终极的模型选择。
模型预研的目的紧张是降落风险，即降落模型选错的风险。由于模型是一个从搭建开始，通过数据不断地演习优化的过程。如果模型选型缺点，有可能涌现后续不管数据如何演习，都无法办理业务问题的情形。以是模型预研对付后续的模型演习，有着重要的意义。
三、数据准备与标注紧张角色：数据标注师、算法工程师
当算法需求确定后，就须要根据定义的需求，进行数据标注。这里常日指的是有监督学习的算法数据标注。数据标注的过程紧张包括：数据准备、数据洗濯、标注规范制订、试标数据、标注答疑、正式标注。
1）数据准备
在算法团队中，有专门的数据剖析员，做相应的对话数据抽取。抽取的数据是数据标注的来源。数据抽取须要根据以下原则：
抽取的数据需包含在行业中具有代表性的数据；如行业标杆客户等。抽取的数据需尽可能覆盖行业中多样的数据；让数据分布更加均匀，供应覆盖面广的数据分布。2）数据洗濯
抽取了数据之后，数据的构造、质量不一，须要进行数据洗濯。常日会筛除吊无效的、质量不佳的数据。数据洗濯可能利用的技能手段有：关键词、实体识别、无监督学习等等。目的是可洗濯出质量较好的数据以供标注。
3）标注规范制订
在需求定义时，常日会给每个意图做定义，定义会明确意图A是指什么，意图B时指什么。哪些情形属于意图A，哪些情形属于意图B。标注团队首先须要明确每个意图的定义，作为标注的指南。
产品经理/AI演习师会给出一份数据标注的规范。这份规范须要标注团队leader与他们做深入的沟通与理解，以求理解透彻需求，并可实际落地至标注事情中，确保需求落地不偏差。
4）试标数据
制订了标注规范，同时拿到了已洗濯的抽取数据后，就进入了试标数据环节。为什么不直接正式标注呢？由于常日标注都是大批量的，若涌现标注规范理解不到位，或者标注规范本身指定得有问题，那返工将是很大的人力物力丢失。
为了降落这样的风险，常日会在前期先拿一小部分数据进行试标。试标的量根据情形而定，常日掌握在1-2天韶光内，并需网络标注反馈，注明问题与迷惑。
试标结束后，须要调集标注同学、产品经理、AI演习师、算法工程师，召开问题同步谈论会。会议的目的是确定试标的问题的办理方案，各方达成共识。方可进入下一步骤。
5）正式标注
按照确定的且达成共识的标注规范，标注团队就进入了正式标注阶段。常日标注的数量较多，须要在标注团队等分配任务。
标注完成后，须要有标注审核员进行审核。常日为抽样审核。若不通过需打回重标。
标注结束后，须由标注团队Leader汇总标注结果，提交给算法工程师。
四、模型构建紧张角色：算法工程师
在吸收到标注团队的标注数据后，算法工程师就须要拿这些数据，让模型运转起来。模型构建包括3个环节：模型设计、特色工程、模型演习。
1）模型设计
算法工程师会根据业务的须要，以及算法积累，进行模型设计。在这个环节中，产品经理应与算法工程师确定，在当前业务下，这个模型该不该做，我们有没有能力做这个模型。在这个阶段中，最主要的是定义模型目标变量。不同的目标变量，决定了这个模型运用的场景，以及能达到的业务预期。
2）特色工程
选型之后，算法工程师会进行特色工程的事情。全体模型构建可以理解为：从样本数据中提取可以很好描述数据的特色，再利用它们建立出对未知数据有优先预测能力的模型。
以是在模型构建中，特色工程师非常主要的部分。数据和特色决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
而现有的技能能力，如神经网络等算法能力，可通过模型的自主提取特色能力，而取代人工提取特色的过程。办法的不同，在效果上也可能比算法工程师人工提取特色，可能有提高。需详细业务情形详细看。
3）模型演习
算法工程师会根据数据在不同模型的演习结果，做调参事情，以确保模型终极的效果是可知足业务的哀求，并可持续优化的。
算法工程师在演习模型时利用的数据为【演习集】，该数据凑集需不能与末了模型测试利用的【测试集】重合/有交集，以确保后续测试是客不雅观、不失落真的。
五、模型测试紧张角色：测试工程师
模型构建完成后，就须要算法测试工程师参与测试模型的效果。对付算法的测试，衡量的根本指标紧张是：P值（精准率）、R值（召回率）和F1值，分别衡量模型预测的准确性、覆盖面和二者的综合能力。
当然，还可以根据业务的不同，有其他的测试验收指标，这边不赘述。
测试的过程，一样平常会利用脚本自动化测试，以覆盖数据量弘大的测试内容，担保最短韶光内测可能多的内容。
测试完成后，测试工程师需出具测试报告。报告的吸收方为：算法工程师、产品经理、AI演习师。需确认报告内容。同时，产品经理/AI演习师需评估，模型的效果是否符合预期。若否，则需算法模型重新演习调优，直至达到上线标准为止。
六、模型验证紧张角色：产品经理、AI演习师
模型验证指的是模型上线后的数据不雅观察，以验证模型效果，常日由产品经理/AI演习师，做上线后的跟踪与不雅观察。在上线之后，一样平常会做算法干系的数据统计，每天实时监测数据的情形。
若有数据非常或不符合预期，常日须要做以下处理。
1）奉告算法团队，做数据反馈网络与模型优化
算法的优化过程是较为缓慢的，涉及的流程包括数据重新标注、模型重新演习、重新测试/调头等等。常日周期以“周”为单位。
2）通过规则纠正
业务的问题总是须要及时地处理与反馈的，以是须要一些赞助方法，来相应相应的需求。一旦创造算法模型效果不佳，须要产品经理/AI演习师通过规则纠正的办法，优先做处理。当后续算法优化更新之后，再做原有规则的规复。
七、结语
对话机器人算法的开拓过程，是一个闭环的过程。通过数据的演习、测试、调优，达成相应的业务目标。随着数据的不断反馈，算法模型的效果则会越来越符合业务的需求，是一个循规蹈矩的过程。本篇文章大致先容了算法开拓的全体流程与脉络，希望可以帮到你。
作者：咖喱鱼丸，5年PM履历，2年AI PM履历
本文由 @咖喱鱼蛋egg 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Unsplash，基于CC0协议