从其他角度来看。排除本身产品、APP应用AI技术外，
其实现在互联网公司，传统公司都想接入人工智能来解决一部分人力成本。
比如内容社区类可以实现人工智能审稿，电商类人工智能发货等，那么你有没有想过你公司的产品，如何和人工智能接轨呢？
以下为全文：
#目录#
首先，盲目说做AI领域XX方向好、有前景，公司就应该做这些方向...
诸如以上此类的，我认为都是不对的。
这是因为技术和业务没有绝对好与坏，不同的对象要按不同的方式去看待和评价。
其次，应该先思考公司有什么“东西”，是存在业务价值的；又或者说当前面临着什么问题；甚至是目标等等。
没有一个“现状和分析”、没有一种“背景和调查”，就得出“问题与价值目标点”。因为没有这些作支撑，就如同：我们不谈需求？不辨需求真伪...就去盲目做事情是一个道理，而这是扛不住考验的。
最后，还要明确知道现有的人工智能都出于“弱智能”阶段，每个AI细分领域的技术实现边界、技术成本和门槛分别是什么？如NLP领域实现多轮对话本身就是大难题。
只有弄明白“AI能做什么、“我”有什么能让AI去处理并且能挖掘出更大价值或更高效率的”，才是重点。
关于公司业务结合AI的方向，我举一些例子：
1、如内容型平台（包括资讯分发、电商产品、视听内容等产品）：
可以考虑“内容”的怎么获取、怎么审核、怎么分发的三个阶段去应用AI。（类似产品的“何去何从”策略分析），可以考虑再获取的时候例如多点监听+爬虫；在审核时利用NLP、CV来智能审核，预估风险；在分发时可以利用机器学习的推荐系统实现千人千面。
2、如O2O、出行方面：
可以是AI下基于深度学习的“调度分配策略”，这些都是属于AI领域的细分，在美团、携程、滴滴会更加注重这方面的产品经理招聘，一般都叫策略产品经理，或者是出行产品经理。
3、如地图方面、路线规划等：
基于机器学习的地图渲染策略、路线规划..、出行方案等等，都是基于AI领域的结合落地，乃至楼上说到的自动驾驶，其实本质就是SLAM方面的技术结合落地。
4、如翻译系统、产品搜索引擎等，本质也会利用AI的知识图谱、NLP等来支撑落地。
5、如现在很多电商产品都标配的“扫图搜产品”，本质就是AI领域CV的应用落地。
7、再同上延伸，如我们拍照很好看有美颜，或者基于一些现实场景的视觉增强类游戏，就是属于AI领域的AR、VR结合产品应用的。（比如前年苹果wwdc发布的 arkit 技术的增强游戏，很酷炫）
8、如360这些产品，基于深度学习搞这么多风控模型，也是属于一种产品防御机制，我们的手机管家也是这样进行预防病毒和风险。乃至我们很多公司怎么去判断黑产用户、薅羊毛行为，都是基于风控模型；
9、关于我们在产品售后环节，都是引入了问答Q&A机器人、智能客服，这些都是结合AI领域的知识图谱、NLP自然语言处理的产品应用。
10、再如天猫精灵、小爱机器人等等，都是基于ASR+NLU+DM+NLG+TTS等技术去落地的产品化。
除了以上，可能还有很多，都是大家都没有想——原来这些日常看见的也属于AI与产品的应用... 其实吧，本质AI产品化就是玩数据喂养后的模型。多个模型综合利用就看起来更智能了。
以上，人工智能其实一直在发展，很早就开始了。
只是技术的发展也会因天时、地利、人和等因素或缓慢、或爆发。
最后，公司产品与什么的AI方向结合落地？——这需要根据所在的业务、行业去思考。
如银行系统、金融行业，也都是玩征信评估、信用预测模型，都是属于基于AI深度学习方向的风控风险预估，和上面提到360安全管家等案例，也是属于玩风控，但不同的业务却衍生不一样的“产品业务落地”。
AI本质就是技术手段，是个数据喂养的模型，注重是输入和输出，技术本身没有什么意义、
关键是业务+技术、策略。思考有什么，为什么，怎么落地，为什么是他，有什么风险，怎么对应去解决。
你要利用这个“成熟或者不成熟的AI”，如何结合行业和业务去思考，把这些结合产品化？怎样思考用户场景下去满足，这些都是需要策略去支撑....
这也是策略PM的分支也包含AI PM的原因
实则，这个是当时面试欢聚时代YY的高级AI产品经理的面试问题，
应该是属于第二轮、第三轮的面试问题。
简单介绍一下：
最后一轮是已经获得offer临时加的，CTO面。
cto曾是百度凤巢系统负责人，当时刚来YY，AI实验室直属CTO管辖；
当时AI在16-17年，可以说是很热，那时候阿法狗、区块链等也正引起巨大舆论。
虽然是4年前的Q&A，但放到现在依然适用，很多面试也会出现类似的“问题”，或许业务不同，但思考逻辑差异不大！
节选了其中两个问题（后面梳理成文）：一是内容分发在直播平台中的AI应用？二是自然语言对话在直播平台中的AI应用内容如下：
本文目录如下：
1. 内容分发在直播平台中的AI应用
1.1 内容的审核监管
1.1.1先说：问题和风险
1.1.2再看：传统的解决
1.1.3应用改进：AI
1.2 个性化的内容分发
1.2.1背景
1.2.2利用AI挖掘出内容特征
2. 自然语言对话在直播平台中的AI应用
2.1客服机器人
2.1.1现状
2.1.2对话增加情感分析
2.1.3对话增强自我学习
2.14 对话增强意图分析、上下文分析
2.15其他
2.2语音助手
2.3直播间辅助
2.3.1 场景1：语言表达缺陷
2.3.2.场景2：直播环境语音不可用时
2.3.3 场景3：直播间辅助
4. 总结
1. 内容分发在直播平台中的AI应用
首先，根据直播平台的内容，可泛分为三种：内容创作者（主播）、视频直播、小视频；
其次，从内容的“进与出”，可分两大方面：一是内容的审核监管，二是个性化的内容分发。
最后，内容的生产创作方面（这个本文先不讨论，以后单独再发）
1.1 内容的审核监管
该场景聚焦的是：科学管控、提升效率，降低成本。
1.1.1 先说：问题和风险
（1）直播内容监控复杂度高，人工易漏判
（2）网络直播规模庞大，人工审核成本高
监管要求24小时实时进行，虽然违规比例占比不高，但为了做到“无漏网之鱼”，需要投入大量的人力、物力和财力进行监管，运营成本压力增加。
（3）直播流量聚焦夜晚，人工审核效率低
夜晚疲劳，人眼识别精确度降低，出现误判漏判的概率上涨，审核效率降低，难以达到网络直播的内容监管需求。
（4）主播实名及直播实时验证难
一是主播注册的实名验证，若完全依靠人力审核，人力成本增加，难以做到真实有效的审核；二是每次主播直播时，都验证是否属于本人在直播，这又增加一部分人力成本，运营难度上升。
1.1.2 再看：传统的解决
传统的审核方式主要有三种：
弊端：这些审核方式都存在较大的漏洞。“三班倒”的人工容易导致审核效率低、误判漏判多等主观性问题；MD5则非常容易被篡改；传统智能识别色情图片准确率低、经常误报等。同时，对近两年热门的视频直播审核需求更难以满足。
1.1.3 应用改进：AI
基于上述场景与问题，可引入AI技术落地优化。
（1）方案：利用AI识别+人工审核的模式
（2）场景：如举例“鉴黄”：通过鉴黄模型对内容分析的类型为“色情”、“性感”和“正常”三类，并且机器会自动将识别结果分为确定和复审两部分，确认部分的识别精确度达到或超过人工，无需复审，对于复审部分，机器会根据可能性排序，人工再根据概率从高到低来审核。
同样，可延伸至主播封面图等审核任务。
1.2 个性化的内容分发
聚焦：视频直播的推荐结果与用户的心理预期重合度变大，用户在观看直播时的选择更加直观和精准，用户的活跃度明显提高，平台的点击率和留存率明显上涨。
1.2.1 背景
大数据时代，对于电商、内容型产品，个性化推荐已成标配，应用好处不多复述。
此处的内容分发，侧指的是前端的个性化内容排序，即个性化推荐。
目前主流的推荐算法是协同过滤，推荐引擎是多种推荐算法组合的。此处也不对算法层面过多开展，侧重关注的是：无论是何种算法引擎，都是基于用户画像、货物（内容）画像的基础上进行计算。没有这些基础特征是难以开展个性化的内容分发。
同时，用户画像中的兴趣、行为偏好，往往受内容画像所映射的。如A用户阅读一篇名为“周杰伦最新演唱会定时间了！”，可能会被标上“娱乐偏好”、“周杰伦”等标签，并通过不同的行为给予不同的权重分值。因此，如何识别出内容的特征，是影响着个性化内容分发的效果、效率、体验。
1.2.2 利用AI挖掘出内容特征
此处只针对视频直播进行分析。
利用AI技术从人脸、图像、音乐和语言四个维度对视频直播进行分析和理解，可以对其做出基本的分类，特征化。
（1）从内容看特点
（2）应用流程
首先，按上述特点，应对视频直播的内容按多种维度划分，利用AI对内容识别，挖掘出丰富内容特征。
其次，由于直播是实时性，是由主播产出，是先有主播再有视频直播内容。因此，此处的对直播内容识别出的特征，应是给主播打上。
最后，可以考虑一种的个性化内容分发是：用户特征+主播特征，进入推荐引擎计算，召回一批符合用户偏好的“主播权重列表”。此时再去查询这些主播是否有开直播、直播开始多久了、亲密程度等等维度进行综合推荐，以达到个性化内容分发。
（3）AI识别维度、内容分发排序
列举一些对内容识别的特征维度（举例一些，不全）：
从直播来看：
从主播来看：
举例：
上面这些的识别基本都需要结合AI技术进行，挖掘出内容特征作为推荐使用。
（4）个性化内容分发的排序-算法
自己YY一下基本的维度：
（5）其他
2. 自然语言对话在直播平台中的AI应用
首先，NLP涉及领域很多，凡是有自然语言（语音、文字）输入的场景，都有可能会使用到。如语义分析、机器翻译等。此处的自然语言对话，侧指智能助理/智能问答/语音服务等方面。个人理解是：即利用AI技术打造出：统一的CUI（对话交互界面）、一站式的整合信息&服务。
其次，若按对话的场景区分有：封闭域对话、开放域对话。通俗的说，前者是”要求用户输入指定地话语才能继续对话”，输入输出是可枚举的、有明确始与终；后者是“用户爱说什么就说什么都可以持续对话”，输入输出无法穷尽、无明确流程。
若按对话内容方式有：文字、语音。（一般情况下，文字可以直接处理，如果是语音，通常情况下需要将语音转换成文字（ASR技术）
一般原理是：是用户输入，引擎内部通过长期积累的知识，首先经过自然语言分析，在通过语义理解、上下文分析进行知识推理，从而生成个性化的答案，输出给用户。整个典型的自然语言对话如下图。
最后，从几个场景去分析，包括有：客服机器人、语音助手、直播间辅助。
2.1 客服机器人
基本原理是：输入的是用户的问题，引擎内部通过长期积累的知识，首先经过自然语言分析，在通过语义理解、上下文分析进行知识推理，从而生成个性化的答案，输出给用户。整个典型的自然语言对话如下图。
2.1.1 现状
客服机器人依据媒体类型分为两种，基于电话语音，基于文本信息。前者如10086的自助语音服务；后者一般是置于应用中，能解决简单而又大量重复问题，以节约成本，如淘宝的小蜜、万象，直播APP里的客服助手等。
从输入方式来看有：语音输入和文字输入，技术上的区别是语音输入要做语音识别，将语音信号转换成文字。目前客服机器人主要是两者都支持。
如下图的所示，属于能支持自然语言对话（语音+文本）的客服机器人。
问答机器人其实是在头部问题上实现了综合过滤，然后通过对话的形式反馈给用户，如果用户实在问的是长尾问题，问答机器人回答不了的，此时可走人工客服。满足了用户九成以上问题的直接答复，是问答机器人的核心目标。满足在服务上，缩短服务寻求路径与服务寻得率，从而提升用户自助体验，降低人工入线率，降低运营成本。
2.1.2 对话增加情感分析
即相当于赋予客服机器人EQ，能在对话中对语义进行分析，精准感知用户情绪，并在回复表达中蕴含相应情感，让互动更有温度。
原理是自动识别对话过程的文字或语音，尤其是带有主观描述的进行情感分析，如，可以识别生气、喜悦、失望、着急等多种人类细分情感，对此生成相应带情感的、口语化的表达，若判断精准，能让用户体验佳，不冰冷。
举个例子如下图，JD客服JIMI机器人增加情感分析，从IQ到EQ的升级，用户体验上是有明显差异的：
此外，增加情感分析也可用作对话质量（服务）评估。如根据前来咨询的客户来时的情绪，以及离开时情绪的对比，就能从另一个维度感知此次服务的质量。既可以用以考核客服人员，也可以用来改进客服的服务。
2.1.3 对话增强自我学习
场景：客服机器人无法满足用户需求，出现呼叫人工客服。
在人工沟通-解决的过程，客服机器人应将此对话过程沉淀学习。如记录下：呼叫人工客服前的对话过程、人工对话的过程，分析不足与改进点。若每一次人工解决问题，中间的所有信息都被人工智能所记录，多次学习自我进化，能提升客服机器人对话服务质量。
2.14 对话增强意图分析、上下文分析
场景：对话过程中的上下文，分析预测相应的场景、语境，进而精准服务。
2.15 其他
不能以对话轮数多少相比。
比如，人类用户与小冰的平均每次对话轮数可达到23轮，微软对此也颇为津津乐道，但是，在客服上，如果机器人要与前来咨询的客户对话23轮，才能给出答案，你可以想象客户的反应会是什么。
2.2 语音助手
相比较于客服机器人，语音助手更是起到连接、推荐作用。用户通过输入语音或文字，可调用直播平台内各项功能、服务。整个对话过程是类似开放域的场景。
2.3 直播间辅助
2.3.1 场景一：语言表达缺陷
有一类人，他们身患绝技、各怀才艺，却有表达缺陷，如哑巴。在如今强调人人是IP、自媒体的时代，他们可能因此而失去一些做主播的机会。
但是，他们本身是懂表达，如唇语、手语。从本质上，一切人类沟通的语言都属于自然语言。因此，能利用AI的技术手段进行识别、跟踪，通过NLU进行理解、翻译，最后输入语音表达。
关于辅助声音，创作者录音通过声音模型学习，尽量拟合原声或差异个性化的。
同时，若声音实现不理想，也可以将唇语或手语识别进行文本翻译，也是一种互动方式。
2.3.2 场景二：直播环境语音不可用时
直播过程中或许存在一些语音不可用的场景，如噪音突然变大、摄像头未配备麦克风（损坏）。这时，若主播调用唇语识别功能，基于以上原理能保持直播间互动正常，避免突然冷场中断、离场等情况。
2.3.3 场景三：直播间辅助
场景：针对现场直播解说类，为主播解说提供辅助。如，体育、游戏等竞技类的比赛直播。
这里的辅助有4个方面：
4. 总结
4.1 需要了解技术现状
这里的现状，侧重是指技术原理、边界。每一项技术都有边界和最优应用场景，尤其目前AI技术相对是不够成熟的，那么了解好技术可能实现的能力范围、所需的成本、当前存在的技术瓶颈...，具备这些基础会更好去沟通、发散和结合。
4.2 需要寻找并定义AI业务场景
正如上述所言，理解技术优劣势的基础上，寻找到可以提供更好用户体验的业务场景。也就是说，如何结合当前现有AI技术与业务场景，为用户提供更好更便捷用户体验的产品。因此其中主要的工作就是：完成当前技术与现有市场需求的映射，侧重对场景的思考。
4.3 多一层评估、多一层挖掘价值
当前AI技术的实现成本相对还是高。也并非有想法就能实现，即使条件+成本都能满足时，也存在较大试错风险。因此还需对场景多思考，充分评估产品定位、用户价值、成本、商业价值等因素是否相匹配。让现有技术所定义的产品价值能够转化为商业价值。
4.4 与互联网产品经理的差异
（2）多了一种语音交互方式
机器学习促进了语音识别技术的发展，也促进发展了语音交互场景。AI语音交互的设计可能比手机/PC端的交互设计难很多，因为语音交互系统不是限定好的GUI操作界面，而是不便于规范且自由延展的自然语言。会话的开放性意味着 AI 交互设计者必须考虑用户可能采取的几乎无数的选择。要能够理解用户，了解他们的动机，然后合乎逻辑地思考如何引导他们完成一件事情。