產(chǎn)品滿足用戶的需求有一個閾值，產(chǎn)品值低于閾值用戶會覺得了無生趣，即產(chǎn)品一般般，也即產(chǎn)品經(jīng)理做了功能經(jīng)理。產(chǎn)品值等于閾值產(chǎn)品功能基本滿足了用戶的需求，而只有產(chǎn)品經(jīng)理駕馭了需求，把產(chǎn)品做成作品，產(chǎn)品值才有可能高于閾值，任何時候產(chǎn)品經(jīng)理應(yīng)該學(xué)習(xí)到高于需求閾值的產(chǎn)品方法論。AI+時代圖片識別技術(shù)就是起點！

撰寫本篇的目的：

當下每天看的到一個詞：AI，滿眼皆是AI的階段，我們產(chǎn)品經(jīng)理應(yīng)該如何了解到AI的技術(shù)脈絡(luò)和市場需求大勢。AI不是新的概念，再次起來是因為有新的突破。

創(chuàng)新工場的李開復(fù)博士說現(xiàn)在是技術(shù)從業(yè)者創(chuàng)新的時代，那么我們產(chǎn)品經(jīng)理究竟知道AI的哪些技術(shù)呢，本篇著重分析一下AI+時代的圖像識別技術(shù)。

在AI領(lǐng)域之中，圖像識別技術(shù)占據(jù)著極為重要的地位，而隨著計算機技術(shù)與信息技術(shù)的不斷發(fā)展，AI中的圖像識別技術(shù)的應(yīng)用范圍不斷擴展，如LineLian所見過的IBM的Watson醫(yī)療診斷、各種指紋識別、及常用的支付寶的面部識別以及百度地圖中全景衛(wèi)星云圖識別等都屬于這一應(yīng)用的典型，AI這一技術(shù)已經(jīng)應(yīng)用于日常生活之中，圖像識別技術(shù)將來定會有著較為廣泛的運用，而為了保證AI中的圖像識別技術(shù)能夠較好地服務(wù)于AI+時代的幾個重要產(chǎn)品領(lǐng)域，正是本篇就AI中的圖像識別技術(shù)展開具體研討的目的所在。

圖像識別概況：

為了較好完成產(chǎn)品經(jīng)理理解AI中的圖像識別技術(shù)的本源，我們首先需要深入了解圖像識別技術(shù)。作為智能領(lǐng)域的重要組成部分，圖像識別的發(fā)展先后經(jīng)歷了文字識別、數(shù)字圖像處理與識別、物體識別三個發(fā)展階段，而在AI+時代的圖像識別技術(shù)中，其本身所具備的功能早已超過了人類的極限，這也是AI的圖像識別技術(shù)能夠在各個垂直產(chǎn)品領(lǐng)域?qū)崿F(xiàn)較好應(yīng)用并幾乎成為標配的原因所在。

最開始產(chǎn)品經(jīng)理要明白圖像識別技術(shù)本身的原理并不算太過復(fù)雜，信息的處理是這一技術(shù)的關(guān)鍵點所在，由于應(yīng)用計算機實現(xiàn)的圖像識別技術(shù)本身與人眼識別并不存在著本質(zhì)的差別，這就使得圖像識別技術(shù)同樣需要根據(jù)自身對圖像的記憶完成具體的識別工作。

在人類進行圖像識別的過程中，人類的大腦會將圖像的特征進行提取，并結(jié)合大腦中以往對各類圖像的認知判斷自身是否對圖像存在過印象，這就是人們能夠在觀看一張圖片后快速對其識別的原因所在。結(jié)合人類識別圖像的原理，在計算機進行的圖像識別中，計算機首先就能夠完成圖像分類并選出重要信息、排除冗余信息，根據(jù)這一分類計算機就能夠結(jié)合自身記憶存儲結(jié)合相關(guān)要求進行圖像的識別，這一過程本身與人腦識別圖像并不存在著本質(zhì)差別。

對于圖像識別技術(shù)來說，其本身提取出的圖像特征直接關(guān)系著圖像識別能否取得較為滿意的結(jié)果。值得注意的是，由于計算機歸根結(jié)底不同于人類的大腦，所以計算機提取出的圖像特征存在著不穩(wěn)定性，這種不穩(wěn)定性往往會因為計算機提取圖像特征的明顯與普通影響圖像識別的效率與準確性，由此可見圖像特征對于AI中圖像識別技術(shù)的重要意義。

圖像識別分析：

對于當下AI+時代的圖像識別技術(shù)來說，神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)與非線性降維的圖像識別技術(shù)是最為常見的兩種圖像識別技術(shù)，LineLian將對兩種常見的AI圖像識別技術(shù)進行詳細分析。

一、神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)

想要深入了解非線性降維的圖像識別技術(shù)，我們就必須理解何為神經(jīng)網(wǎng)絡(luò)，這里的神經(jīng)網(wǎng)絡(luò)全稱人工神經(jīng)網(wǎng)絡(luò)，其本身指的是在現(xiàn)代神經(jīng)生物學(xué)研究基礎(chǔ)上提出的模擬生物過程以反映人腦某些特性的計算結(jié)構(gòu)，雖然我們使用了模擬這一名詞，但事實上神經(jīng)網(wǎng)絡(luò)本身并沒有完全模仿人類的神經(jīng)網(wǎng)絡(luò)，其本身只是通過對人類神經(jīng)網(wǎng)絡(luò)的抽象、簡化和模擬實現(xiàn)相關(guān)計算結(jié)構(gòu)效率的提升。

對于神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)來說，其能夠?qū)崿F(xiàn)圖像的識別主要得益于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的運用，而在應(yīng)用神經(jīng)網(wǎng)絡(luò)進行的圖像識別中，我們首先需要對相關(guān)圖像進行預(yù)處理，這一預(yù)處理主要包括真彩色圖像轉(zhuǎn)換為灰度圖、灰度圖像的旋轉(zhuǎn)與放大、灰度圖像的歸一化等內(nèi)容。為了保證神經(jīng)網(wǎng)絡(luò)能夠較好地實現(xiàn)圖像識別，我們還需要針對圖像識別的領(lǐng)域與對象完成具體的神經(jīng)網(wǎng)絡(luò)設(shè)計，這一設(shè)計主要包括以下五方面：

• 輸入層設(shè)計

• 隱含層設(shè)計

• 輸出層設(shè)計

• 初始權(quán)值的選取

• 期望誤差的選取

在輸入層設(shè)計中，我們需要根據(jù)圖像識別對象的需要確定求解的問題與數(shù)據(jù)表示方式，而在本篇進行的研究中，為了我們產(chǎn)品經(jīng)理理解，LineLian將輸入層統(tǒng)一設(shè)計為16×16圖像樣本尺寸縮放大小，256 維網(wǎng)絡(luò)輸入需要；而在隱含層的設(shè)計中，我們需要確定隱含層的數(shù)目與隱含層單元數(shù)的選擇，當下業(yè)界已經(jīng)確定了隱含層神經(jīng)元數(shù)目的增加能夠保證誤差精度的降低，所以適當時候增加隱層數(shù)目就能夠較好地完成神經(jīng)網(wǎng)絡(luò)的設(shè)計，而在隱含層單元數(shù)的選擇中，我們可以參考經(jīng)驗公式 L=√M+N +a,L=log2N，這樣就能夠有效避免神經(jīng)網(wǎng)絡(luò)泛化能力較弱，對于訓(xùn)練外樣本識別率降低的問題出現(xiàn)，公式中的 M 代表的是輸出層神經(jīng)元數(shù)目，而 N 則代表輸入層神經(jīng)元數(shù)目。

值得注意的是，通過刪除那些影響較小的隱含層單元能夠較好地提高神經(jīng)網(wǎng)絡(luò)的自身性能，但結(jié)構(gòu)選定花費時間較長是這一方法的缺陷所在；在輸出層的設(shè)計中，一般會選擇多輸出型作為神經(jīng)網(wǎng)絡(luò)的設(shè)計；而在初始權(quán)值的選取中，為了滿足神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中的較好收斂，初始權(quán)值一般選為（-1,1）之間的隨機數(shù)；而在期望誤差的選取中，其本身需要參考訓(xùn)練時間與預(yù)期誤差值，這里L(fēng)ineLian選擇 0.001 作為期望誤差值。

在完成神經(jīng)網(wǎng)絡(luò)的設(shè)計后，我們還需要進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練才能夠保證其較好的滿足圖像識別需求，為了保證這一設(shè)計的較好實現(xiàn)，LineLian選擇在 MATLAB7.0 中使用函數(shù) newff創(chuàng)建一個兩層網(wǎng)絡(luò)，這一網(wǎng)絡(luò)包括 1 個輸出神經(jīng)元、16×16 個輸入、26 個單元的隱含層，學(xué)習(xí)函數(shù)則選擇了 learngdm，初始學(xué)習(xí)速率為 0.01 ～ 0.6、訓(xùn)練性能函數(shù)“mse”、訓(xùn)練指標 0.001、訓(xùn)練最大循環(huán) 2500。

在完成上述提到的神經(jīng)網(wǎng)絡(luò)設(shè)計與訓(xùn)練后，我們就可以著手對其進行應(yīng)用實驗，在這一實驗中筆者應(yīng)用這一神經(jīng)網(wǎng)絡(luò)對 26 個手寫英文字母的圖片進行了識別，下表 為這一識別的識別結(jié)果，結(jié)合該表我們能夠發(fā)現(xiàn)，不同節(jié)點數(shù)目會直接影響神經(jīng)網(wǎng)絡(luò)圖像識別的識別率，而 26 個隱含層節(jié)點數(shù)能夠較好滿足圖像識別的需求，下圖為隱含層為 26 時神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差性能曲線及訓(xùn)練時間。

結(jié)合這一結(jié)果我們可以斷定，神經(jīng)網(wǎng)絡(luò)識別技術(shù)能夠較好滿足手寫字母的識別，其本身在這一識別的過程中體現(xiàn)了準確、快速、較強抗干擾能力等特點，這些特點使得其本身能夠憑借著學(xué)習(xí)算法較好地應(yīng)用到更多復(fù)雜的圖像識別中，更好地為我們垂直領(lǐng)域的產(chǎn)品提供服務(wù)。

二、非線性降維的圖像識別技術(shù)

除了神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)外，非線性降維的圖像識別技術(shù)也是當下AI時代較為常用的圖像識別技術(shù)形式。對于傳統(tǒng)應(yīng)用計算機實現(xiàn)的圖像識別技術(shù)來說，其本身屬于較為高維的識別技術(shù)，這種高維特性使得計算機往往在圖像識別的過程中承擔(dān)著很多不必要的負擔(dān)，這種負擔(dān)自然會影響圖像識別的速度與質(zhì)量，非線性降維的圖像識別技術(shù)就是能夠較好實現(xiàn)圖像識別降維的技術(shù)形式。

在非線性降維的圖像識別技術(shù)出現(xiàn)前，業(yè)界最常采用的是線性降維的圖像識別技術(shù)，這種技術(shù)本身具備著簡單易于理解的優(yōu)點，但在實際應(yīng)用中人們發(fā)現(xiàn)，線性降維的圖像識別技術(shù)存在著計算復(fù)雜度高且占用相對較多的時間和空間特性，也使得線性降維的圖像識別技術(shù)不能夠較好地滿足各產(chǎn)品領(lǐng)域圖像識別的需要。對于非線性降維的圖像識別技術(shù)來說，其本身能夠在不破壞圖像結(jié)構(gòu)的前提下實現(xiàn)其自身的降維這就使得圖像識別技術(shù)的識別速度與精度能夠?qū)崿F(xiàn)較好的提升。

例如在人臉識別系統(tǒng)中，以往受圖像維度較高的影響，人類識別系統(tǒng)往往需要耗費大量的時間，計算機系統(tǒng)也往往會受到較大的“摧殘”，這主要是由于人臉在高緯度空間中存在的分布不均勻特性所致，而在應(yīng)用非線性降維的圖像識別技術(shù)后，人臉圖形就能夠較好地實現(xiàn)自身的緊湊，這就使得人臉識別系統(tǒng)的工作效率大大提升，總的來說非線性降維的圖像識別技術(shù)能夠較好地為圖像識

別提供輔助，上文中LineLian提到的神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)，也能夠在非線性降維的圖像識別技術(shù)的支持下更好地完成自身工作。

圖像識別技術(shù)的對產(chǎn)品領(lǐng)域的應(yīng)用

隨著智能網(wǎng)絡(luò)中的AI技術(shù)不斷發(fā)展，其本身將在產(chǎn)品數(shù)據(jù)安全、AI+醫(yī)療產(chǎn)品、AI+直播產(chǎn)品、AI+社交產(chǎn)品等垂直領(lǐng)域產(chǎn)生重要的產(chǎn)品應(yīng)用。

之前人機圍棋大戰(zhàn)，最終人類頂尖棋手李世石以 1:4 不敵 Google 出品的人工智能 AlphaGo。其核心原理采用了多層神經(jīng)網(wǎng)絡(luò)對圖像進行分析，同時運用深度學(xué)習(xí)算法總結(jié)規(guī)律，最終得出戰(zhàn)勝人類高手的棋招。

圖像鑒別，10000 個場控都干不來互聯(lián)網(wǎng)的開放不僅帶來了自由，同樣也成為垃圾信息的溫床。最為人熟知的一個職位叫做“鑒黃師”，代表人物自然是“唐馬儒”，但實際上“唐馬儒”再多也滿足不了現(xiàn)在對于圖像鑒別和挖掘的需求。最好的例子就是前不久爆出的“直播造人”，視頻和直播類內(nèi)容的興起使得對內(nèi)容的鑒定需求呈幾何倍數(shù)增長。

直播對于審核的實時性要求太高，同時在線的直播數(shù)量大，一不小心違規(guī)的東西就上線了。傳統(tǒng)的解決方案是通過人力完成，所需要的人數(shù)會與主播成一個比例。通常都是好幾百人坐在屏幕前面持續(xù)對閃過的畫面進行篩選，如果發(fā)現(xiàn)不符合規(guī)定就進行人工處理。而AI+時代的產(chǎn)品趣向是利用AI圖像識別技術(shù)。

另外在公共安全領(lǐng)域中，人臉識別產(chǎn)品的應(yīng)用就能夠較好的提高市場社會的安全性與便利性；而在醫(yī)學(xué)領(lǐng)域中，心電圖與 B 超的識別將大大促進用戶醫(yī)療事業(yè)的便捷；而在農(nóng)業(yè)領(lǐng)域中，種子識別科技產(chǎn)品與食品品質(zhì)檢測科技產(chǎn)品的應(yīng)用將大大提高農(nóng)產(chǎn)品的生產(chǎn)質(zhì)量，例如我家種了幾十畝葡萄 葡萄需要剪枝 修果 摘葉需要很多的勞動力， 感覺很多環(huán)節(jié)可以通過圖像識別的機器來處理，粒徑不同的果粒，大小不一的葉片，高度不同的枝條，我總覺得可以通過圖像對比來區(qū)分，篩選，這樣的AI圖像識別機器人才是剛性需求。

在日常生活中圖像識別技術(shù)在冰箱中的運用將大大提高用戶生活的便利性，這一應(yīng)用能夠?qū)崿F(xiàn)自動冰箱食品列表生成、食品保鮮狀態(tài)的顯示、食物最佳儲存溫度的判斷等功能，這些將大大提高用戶的生活品質(zhì)。在未來科學(xué)技術(shù)的不斷發(fā)展中，AI的圖像識別技術(shù)還將實現(xiàn)更為長足的發(fā)展，而這一發(fā)展也將能夠更好地接受圖像識別技術(shù)產(chǎn)品所帶來的服務(wù)，最終大大提高用戶的生活質(zhì)量。

作為一門科技含量較高的新興技術(shù)，AI的圖像識別技術(shù)已經(jīng)與用戶的生活緊密結(jié)合在一起，而為了保證其能夠更好的為用戶提供服務(wù)，對于科技網(wǎng)絡(luò)從業(yè)緊密相關(guān)的產(chǎn)品技術(shù)人員就必須大力推進AI圖像識別技術(shù)產(chǎn)品的不斷學(xué)習(xí)與創(chuàng)新，這對于我們產(chǎn)品經(jīng)理未來創(chuàng)造的很多產(chǎn)品息息相關(guān)并將提高產(chǎn)品效率和切中用戶對產(chǎn)品的剛性需求。

產(chǎn)品思維是抓住機遇，需求一旦過氣了或者被競爭對手超越了產(chǎn)品想勝出是是十分困難的，只能跟隨市場的步伐去追市場的需求而迭代。而AI+時代的產(chǎn)品經(jīng)理應(yīng)該有的思維模式是作品思維，不僅僅是追隨需求，更多的是錘煉過濾并真金不怕火煉般的引領(lǐng)需求的潮流。

雷鋒網(wǎng)按：本文由 @連詩路 前阿里產(chǎn)品專家原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。