原标题：细思极恐：受欢迎的人工智能产品，都具备这7个特征

来源：今日头条          链接：https://www.toutiao.com/a6766111943099941379/

人工智能和语音识别正在迅速发展。 根据Gartner的报告，到2020年，人工智能将在无人管理的情况下管理85％的客户互动。 这很有可能，因为我们已经在教导我们的机器将数据解释为逻辑解决方案。

人工智能技术已经让用户的生活变得更加轻松，作为产品开发者或者说产品经理，如何构建自己的人工智能产品？为了进一步获得问题的答案，我们与一些成功的AI产品创始人进行了交谈，他们都在打造人工智能产品上有所建树。

1、为用户打造一种习惯，这非常有价值

Nathan Benaich，Playfair Capital科技公司的投资者

一个由AI驱动的真正出色的产品将带来令人赞叹的时刻，也即，开箱即用，能完成以前不可能完成的任务，这是一种神奇的感觉。 以Google相册为例，它可以检索与搜索查询匹配的图像。或SwiftKey，它可以预测您接下来要输入的单词。再比如特斯拉的自动驾驶仪，能够从驾驶员那里进行自动控制。这些产品都能带来令人惊喜的感觉，一种非同寻常的体验，因为它们对改变人类的生活非常有价值，因此很快就成为用户的一种习惯。

2、优秀的AI产品应该为帮助用户完成任务而生

x.ai首席执行官兼创始人Dennis R.Mortensen

优秀的AI产品应该是为了让用户的能力变得更强，帮助用户去完成任务，尽可能减少用户应该做的工作。这些才是真正的人工智能助理。

这些AI助理或虚拟助手，允许用户使用自然语言进行交流也同样重要。必须将语音或文本修改为某种机器语法显然是一件很麻烦的事情，而且还需要用户进行繁杂的工作。因此无缝地交接任务是人工智能产品的重点。

在AI交互的另一端，重要的是使AI的响应看起来尽可能自然。让客户喜欢这个客服以及她的工作效率，同时还能欣赏她的人格。很多客户甚至都没有意识到这个客服是一个AI。

3、人工智能的真正力量在于增强和赋能人类

summer.ai的创始合伙人Manuel Ebert

人工智能的真正力量是增强人类的能力，而不是完成人类轻轻松松就能完成的工作。出色的AI产品不仅可以帮助用户更快地完成某项任务，还可以使他们执行以前无法完成的任务。

4、优秀的AI产品，并非是摆在面前的技术，而是融入到体验中

Tempo.ai的联合创始人兼首席执行官 Raj Singh

以令人愉悦的方式展示产品的技术，并且该技术不会妨碍用户的使用体验。将技术融入到体验中，而不是显示技术本身，这才是优秀的AI产品应该做的。

5、人工智能应用开发，将AI植入产品应遵循“二八原则”

Intelligent Layer创始人兼首席执行官Rob McInerney博士

对于希望将AI内置到其产品的开发者，我的最大建议是遵循“二八原则”并了解如何管理不确定性。应用AI技术时，产品设计者很容易担心每一个可能的输入，但实际上，对用户来说，一个成功产品的最大的价值，来自于实实在在地解决这些输入中的一小部分。在Intelligent Layer，我们花费大量时间分解用户行为并确定最常见的操作是什么，以便我们知道将机器学习工作花在哪里。

我们还非常努力地管理不确定性，这意味着我们的算法知道用户是否面临着缺乏经验或不善于解决的问题“空白区”，然后针对这些“空白区”去解决他们的需求。最终，这给用户带来了更加令人满意和真实的体验。

6、通过不断完善互动来超越用户的需求

Mezi首席技术官兼联合创始人Snehal Shinde

出色的AI产品需要具有意识，并需要在情感上产生联系并让用户满意。 它需要使用户感到舒适，并像一个知识渊博和体贴的朋友一样行事。 它只能通过在每次交互时了解用户并相应地个性化体验来做到这一点。 最好的AI不仅可以满足用户的需求，而且可以通过不断的交互改进来超越它们。

7、AI产品开发的技巧：预测目前尚不存在但用户又会喜欢的东西

Xoraer Amatriain，Quora的工程副总裁，Netflix的前研究/工程总监，以在机器学习方面的工作而闻名。

在与我们采访中，Xavier Amatriain解释了机器学习在成功开发产品中的关键作用，在这里他解释了造就出色AI产品的原因：

1）即使只是盯着数据并提出假设，也可以帮助你弄清楚可以在产品中改进哪些方面。

2）甚至可以预测到什么是目前尚不存在但用户会喜欢的东西。

彩蛋：如何快速开发一个AI产品？化繁为简，降低门槛。

仅需3步，5分钟开发一个 AI应用不是难题！

在人工智能愈发热门的大背景下，学习、体验新技术的需求也日渐增多。钛灵 AIX是一款集计算机视觉与智能语音交互两大核心功能为一体的人工智能“超级大脑”，搭载 Intel 专业级 AI 加速运算芯片与多种传感技术。它支持边缘深度学习，搭配Model Play人工智能模型共享平台，开发者可以轻松将 AI 模型移植到程序中开发应用。这一环节需要掌握的知识量极少、大大缩短了开发周期。

钛灵 AIX可以帮助越来越多AI爱好者、开发者，甚至在校学生群体，降低人工智能的学习与研发成本，加速AI应用的开发。仅需3步，解决AI开发痛点，5分钟就能开发一个 AI应用。

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com

Abstract Boundary and edge cues are highly beneficial in improving a wide variety of vision tasks such as semantic segmentation, object recognition, stereo, and object proposal generation. Recently, the problem of edge detection has been revisited and significant progress has been made with deep learning. While classical edge detection is a challenging binary problem in itself, the category-aware semantic edge detection by nature is an even more challenging multi-label problem. We model the problem such that each edge pixel can be associated with more than one class as they appear in contours or junctions belonging to two or more semantic classes. To this end, we propose a novel end-to-end deep semantic edge learning architecture based on ResNet and a new skip-layer architecture where category-wise edge activations at the top convolution layer share and are fused with the same set of bottom layer features. We then propose a multi-label loss function to supervise the fused activations. We show that our proposed architecture benefits this problem with better performance, and we outperform the current state-of-the-art semantic edge detection methods by a large margin on standard data sets such as SBD and Cityscapes.

Abstract When building artificial intelligence systems that can reason and answer questions about visual data, we need diagnostic tests to analyze our progress and discover shortcomings. Existing benchmarks for visual question answering can help, but have strong biases that models can exploit to correctly answer questions without reasoning. They also conflate multiple sources of error, making it hard to pinpoint model weaknesses. We present a diagnostic dataset that tests a range of visual reasoning abilities. It contains minimal biases and has detailed annotations describing the kind of reasoning each question requires. We use this dataset to analyze a variety of modern visual reasoning systems, providing novel insights into their abilities and limitations

Abstract When building artificial intelligence systems that can reason and answer questions about visual data, we need diagnostic tests to analyze our progress and discover shortcomings. Existing benchmarks for visual question answering can help, but have strong biases that models can exploit to correctly answer questions without reasoning. They also conflate multiple sources of error, making it hard to pinpoint model weaknesses. We present a diagnostic dataset that tests a range of visual reasoning abilities. It contains minimal biases and has detailed annotations describing the kind of reasoning each question requires. We use this dataset to analyze a variety of modern visual reasoning systems, providing novel insights into their abilities and limitations