平安產險科技中心首席AI專家肖嶸：跨越AI的最後一公里

人工智能人臉識別算法技術產品經理電腦自然語言處理保險人人都是產品經理 2019-05-19

2019年4月13-14日，人人都是產品經理舉辦的【 2019產品創新大會·深圳站】完美落幕。平安產險科技中心首席AI專家肖嶸老師，給大家分享了《跨越AI的“最後一公里”》。

大家好，我是肖嶸。做了十多年的技術工作，去年加入平安財產險，在AI方面做一些智能產品的創新工作。

可能大家不理解，怎麼把一個技術宅硬生生的逼成了半個產品經理，這是為什麼？主要是AI的創新實在太難了——AI的產品落地，技術跟產品的中間存在一個巨大的一個鴻溝：如何跨越AI的最後一公里。

這幾年，人工智能技術在行業裡有了很多應用：人臉識別、自然語言處理、深度學習等等。但是，哪些人工智能技術是已經相對成熟了呢？比如說人臉識別，火車站機場基本上都能用得到，但是光線差一點，或者有點逆光就不行了。

為什麼？

因為這些技術和它的訓練數據關聯性非常強。在任何一個場景通用的算法基本上是找不到的，這裡面有一個問題：如何針對我的應用場景，選擇一個足夠好用的算法？

這就涉及到深度打磨的過程。今天就從5個場景給大家分享一下，如何做一名創新的AI產品經理。

一、移花接木：AI寵物識別

這個部分，我們從“寵物識別”來說起。

現在身邊養寵物的人越來越多，寵物的整個市場、規模、保費規模等都在增加。

但是寵物險這個市場其實還沒有完全開發起來，因為有非常大的風險——今天我給我的貓投保了，但是寵物是沒有身份證的，貓也沒有什麼生物驗證的技術（即使有也不成熟）；如果我拿鄰居家生病的貓來理賠，保險公司是很難檢測出問題的。

這種情況下，是否跨越用人臉識別的技術做一個貓狗臉的識別——這其實是一個非常自然的一個想法。

人臉識別有幾個步驟：

把人臉的位置找出來；
把人臉上五官找出來，進行精確定位；
在五官精確定位的基礎上，抽取人臉特徵進行比對。

我們把人臉識別的技術搬到了貓狗臉識別上，效果也非常好。

人臉能做到99.8%，我們能做到95%，很大程度上解決了貓狗臉識別的問題。這就是移花接木，把這朵花（人臉識別）接到木（寵物識別）上去。

它有兩個維度的創新：

行維度：比如人臉識別創新到貓狗上。
列維度：有一個新的算法，比如人臉識別搬到貓狗臉識別上去，在貓狗臉識別上有一個新的算法，新的網絡架構出來了，搬到人臉識別上去應用，同樣得到性能的提升。

二、起死回生：OCR圖像分類與識別

在OCR技術中，圖片質量和真實場景是一個很複雜的情況，導致OCR準確率一直不是很高。

以新車合格證為例：它的vin碼有17位，即使每個字符識別的準確率能到99%，它一個碼全對的概率也只有0.99*17次方，約等於84%的準確率。

大家可以想象一下，一張表格有很多字段，每個字段每個字符都識別爭取，是一件非常難的事情。身份證可能是個比較簡單的問題，能做的比較高一些，但是在很多複雜場景下，如何應用OCR技術，其實非常難——只有百分之七八十的準確率。而如果要交付，肯定要99%以上對不對？如果只有百分之七八十，就需要人工再確認一遍。

這種情況下，對效率提升就不是那麼明顯。

在這種場景下，我們怎麼來解決這個問題？

做技術的人應該非常清楚，OCR技術分成三個步驟：

文字檢測：告訴你文字在哪；
文字識別：每個字符是什麼；
文字理解：理解這個字符是什麼意思。

我們以身份證舉例：

在“出生”這裡，我們畫了一個框，但是“1654”這四個字是什麼意思？是金額還是其他的？在這個特殊場景裡面，我們還需要知道這個位置是什麼意思。

OCR技術的三個步驟：一是識別文字範圍，二是識別文字字符，三是根據當前的上下文和模板。

意思是，在這個過程中，三個步驟的準確率不完全一樣的。識別比較難一些，文字理解部分，是有一些前沿的知識在裡面。所以，我們是不是可以運用不同的技術手段，把效果提升上去？

OCR技術為什麼不準確？

很大一個原因是圖片質量不太好，所以我們引入了圖片質量的算法——當資源質量不好的時候，在用戶端就直接攔截掉。

OCR技術是依賴於不同的表徵類型的，我們引入了遷移學習，對圖像進行分類，找出是身份證還是新車合格證（OCR技術在理解的時候必須要結合具體的場景，所以不能把身份證放到新車合格證的識別場景去做），用算法把不同的表現分解出來，放到不同的分類器裡面去。

所以，我們的OCR技術處理流程變成了：

客戶端獲取圖片-篩選出質量合格的圖片-對圖片進行自動分類

整個流程，我們需要上傳四個類型的證件，通過圖片分類和質量篩選，找到四個合適的圖片，上傳流程就可以結束了。如果類型缺失或者圖片質量不佳，在用戶端實時提醒。

在識別的時候，我們可能設定一些可信度：當算法不能夠完全確認的情況下，直接把無法確定的部分攔截，調用人工進行判斷，完全可信的就自動進入下一個環節。

（人工判斷任然是現在採用的一種輔助模式，人工判斷會產生新的標註信息。因為這些人工標註的都是計算機判斷不準的部分，利用計算機的深度學習引擎可以對算法進行更新迭代，讓模型自動升級）

通過這樣的方式，我們統合圖像質量評估、圖像分類、圖像識別三大技術，使得整個OCR技術能全自動運行起來。對用戶而言，基本上就是直接拍個照問題就解決了，後面人工的部分他是看不到的（人工部分隨著模型的迭代可以降低甚至消除）。

我們的OCR引擎剛上線的時候，只有百分之七十幾的一個準確率，隨著模型的自動更新迭代，現在我們做到了百分之九十幾，未來可能還會繼續更高。

而且我相信，OCR技術和圖像分類也是一樣（大家都知道在圖像分類技術上，它已經超過人類了），在未來的3-5年之內，也能超過人類。

三、老樹新花：AI智能閃賠

在已有的一些場景/應用上，我們能不能繼續突破/更新。

我們以平安的“AI智能閃賠”這個產品為例：

（此處插入視頻）

看視頻可能會覺得很炫，但是實際使用中，依然會有很多的問題：

用戶拍攝的時候，很多時候不是那麼準的——要麼過大，要麼過小，這會導致後面的識別就不準確。
人是很聰明的，如果對這輛車拍個遠景，再對著一輛撞壞的車拍照，然後說這是我的損傷，來報案理賠——這種情況，我們是無法識別其中的風險的。
AI技術在落地上受限於場景。比如說反光，車拍一下陽光或者路燈照在車上的反光，會直接影響到損傷部位的判定——它顯示就是個亮斑，而亮斑是不是損傷是沒法判斷的。

我們進行反思之後，抓住了幾個點：

智能抓拍
安全
增強圖像質量

這裡面我們提供了一套解決方案，對老技術進行了一次整體的升級換代。在這裡面，我們的技術人員和AI技術員有過深入溝通，發現很多東西其實你只要想到那個方向，其實都是可以解決掉的。

比如：智能抓拍。在拍照過程中，我們通過手機視頻的物理檢測，可以告訴你離車是遠還是近，直接在屏幕裡提示你“往前走進一點”還是“離遠一點”，在視頻中完全可以通過交互實現。

另外，視頻其實就是不斷的連續幀的集合，每一幀之間都是有相似性存在的。通過幀與幀之間的相似性，可以鎖定一個證據鏈，形成類似“從遠處拍車，到近處的局部”照片，結合車輛的檢測和相似性給定鎖定的證據鏈，防止篡改視頻，降低理賠的風險。

前面說的亮斑問題，困擾我們很久，後來我們採用的方法很簡單。

反光是一個非常有意思的物理現象，反光的位置是由你觀察的位置和光源的位置所決定的。當你往前移動的時候，反光的位置也在移動，而損傷的部位是不會動。而我們在拍攝視頻的過程中，我們的人和反光點都是在往前移動的，但是損傷不會移動，我們通過多幀圖像進行融合，增強圖像來解決亮斑影響損傷判斷的問題。

所以，AI的技術其實並沒有固定的模式，都是多個人工智能技術的融合過程——在應用場景中，發現的每一個難點，如何匹配流程上的變化，把技術/算法進行升級，解決掉這個問題。

四、芥子須彌：智能機器人

在人工智能應用中，很多技術是“膠水技術”——它可以把很多技術整合在一起，形成一個更加完整的體驗。

比如說我們的聊天機器人小新，基本上就是完成一些用戶的溝通需求：與用戶閒聊，查詢一下天氣之類的，Google的還可以預定披薩，幫你接電話之類的，解決一些情感、溝通的問題。

而這個機器人的技術，我們在工業或者商業的應用上，可以做成業務型機器人——完成多倫問答，滿足客戶的特定需求，完成特定業務流程（比如說詢報價，詢報價是固定的流程，用戶輸入他的身份證，輸入他的車架號車牌號，然後再看你有什麼需求，整個業務流程是非常確定的）。基本上都是通過文字/語音和機器人溝通，但是技術其實不限於此。

機器人可以把整個業務流程打通在一起，而這種技術，在其他公司/其他場景也可以得到應用。所以機器人技術，是一種非常好的膠水技術。

我們自己的客戶助手，用戶諮詢/投訴/業務辦理的問題，通過客戶助手機器人就可以自動進行。

比如：用戶會問“理賠的流程是什麼？”

根據我們的知識圖譜，機器人可以告訴用戶理賠流程下面涉及到幾個步驟。

用戶再接著問“我的進度在哪，進度到底怎麼樣？”

我們通過分析用戶的意圖是“要查詢當前進度”（這會涉及到很多NLP技術），機器人會給用戶一個合理的反饋，甚至給出一些建議，比如說：可以查一下違章什麼的（通過推薦和算法）。

通過AI的多種技術的融合，在機器人上能有一個非常好的體驗。

五、大巧不工：AI開放平臺

一個AI算法，是需要一個技術平臺，一套體系來完成更新迭代的過程。AI最重要的問題，在於它的技術是不停更新的。

2011年語音技術從深度學習開始突破以後，2018年已經做到非常接近人的水平。圖像技術在2012年之前，跟人的差距非常大，但是在圖像細分領域，2012年之後每年都有巨大的提升，2017年的時候就已經達到人類的水平。

我們構建了一個AI的開放平臺，包含了訓練/上線/更新/監控等整個全自動的模塊，可以完成一個閉環，把我們很多的技術都對接到這個平臺上面去。這樣一個平臺的建立，可以使整個AI技術達到自動更新完善的一個過程，現在整個的AI開放平臺已經服務到多個部門當中，統一集合的同時使得深度學習的資源可以跨部門共享。

六、總結

在AI如何跨越最後一公里的過程中，可以看到：如果要成為一個合格的AI產品經理，除了產品經理本身的硬實力軟實力之外，還需要什麼？

需要一些創新，很多流程和傳統流程是不一樣的。在整個創新的過程中，你可以找到很多場景，通過AI技術和實際的場景深度融合，把原來的流程顛覆掉。
第二個是好奇鑽研，產品經理對技術要有一個非常好的把握度，要去了解一些技術的發展，主動去了解一些信息。

為什麼AI技術到完全落地還有一個巨大的鴻溝？

這個技術在你的場景是否合適，能不能用，涉及到什麼判斷因素，如何衡量每一個步驟的效果？等等這些。