人工智能產品經理：人機對話系統設計邏輯探究 ( 簡體 字) |
| 作者：朱鵬臻 | 類別：1. -> 程式設計 -> 人工智慧 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 49951
詢問書籍請說出此書號！【有庫存】
NT售價： 295 元 |
| 出版日：9/1/2018 |
| 頁數：236 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121347719 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：拉夫·瓦格納曾說：我們在日常生活中所做的99%的事情，都屬于洗熨衣服類決策，這些是我們必須完成，并且沒有機會比其他人完成得更好，而且沒有什么太大價值的事情。人工智能應當也必然會更深地融入每個人的生活，將人們從這類重復性的低價值事務中解脫出來，使人們有更多的精力去從事更有價值的工作。這就是我所憧憬的未來。
實際上，新工具與新技術的應用，使人們不必在低價值的事務上浪費精力，這是從古至今人類不斷取得豐碩成果的關鍵動力。試想一下，如果現在的人們仍然要每天花費八個小時尋找食物，那還談何進步與發展呢！
除此之外，這次人工智能技術革新，又與過去有所不同。過去隨第一次、第二次技術革命所產生的紡織機、蒸汽機、內燃機等，其共同點在于，它們都超過了人類的身體能力。這類機器的發明使人類得以從低價值的體力勞動中解脫出來，也使更多的人得以從事更依賴腦力勞動的工作。人類的基礎能力有兩種：身體能力和認知能力。
這一次人工智能技術革新的不同在于，機器在某些領域擁有了超越人類的認知能力。
人類智能與人工智能將以前所未有的方式共生、協作。
認知層面的協作，相互溝通和彼此理解是必要的前提。鑒于語言是人類最重要的信息傳達方式，所以就我個人而言，選擇人機對話作為人工智能領域的切入點，也就順理成章了。
回看歷史，技術革新周期通常可被分為三個階段：技術—產品、產品—技術、運營—產品。目前，人工智能周期正在由第一階段向第二階段過渡，這個時期不僅是技術為社會生活帶來最大改變的時期，更是產品經理們盡情發揮創造力來改變這個世界的時期。實際上，成熟人工智能產品經理的缺乏，正是當下人工智能技術真正落地、改變人們生活的關鍵瓶頸。
前段時間聽了梁寧前輩的產品思維課，其中有這樣一個觀點深得我心：“一個人能從中得到快樂的東西，決定了這個人。”對我來說，能從中得到快樂的事情，是我的思想能夠影響更多的人、我做的事情能夠改變更多人的生活、我所憧憬的未來盡早到來。
彼得·德魯克曾說：預測未來最好的方法就是去創造它。我迫不及待地希望迎來一個人類智能與人工智能共生的新時代，每個人都可以毫無顧慮地去從事真正有價值、也真正感興趣的工作，所以我選擇將自己所積累的微不足道的知識分享給更多人，為人工智能真正改變人們的生活盡一點自己的力量。本書的意義，也正在于此。
本書以幫助讀者構建人機對話/人工智能產品經理的完整知識體系結構為核心脈絡，分類闡述了人工智能對未來社會的影響；舉例說明了產品經理應該如何培養抽象、歸納及系統思維能力；通俗講解了人工智能方向下蓬勃發展的機器學習、深度學習及自然語言處理技術的必備知識；詳細介紹了人工智能技術在人機對話領域的具體應用實踐；細致剖析了市面上主流人機對話開放平臺的經典設計，并深入探究了其在設計
之初意欲求解的問題。
第1 章試圖勾勒出一種對世界未來發展的認知，包括生物碳基算法與計算機硅基算法間的關系；隨著人工智能的持續發展，人類思想文化、工作崗位、社會制度在未來可能發生的變化；人機對話的意義及人機交互數十年來的變遷過程；歷次技術革新周期背后的階段發展規律，以及產品經理在不同階段所扮演的角色。
第2 章擺脫了具體的實踐細節與工作方法，嘗試探尋產品經理，尤其是經常從事平臺/系統設計的產品經理處理與解決問題的元能力。闡述了產品經理應當如何對待技術、如何明確自己的定位、如何將抽象能力與歸納能力應用于設計，以及如何在復雜系統邏輯中發現解決問題的杠桿，并介紹了具備一定通用性的平臺設計工作流程。
第3 章舍棄了晦澀的數學公式，采用定性講解的方法介紹了人工智能領域下的三類關鍵技術即機器學習、深度學習、自然語言處理的必備知識，希望幫助讀者更好地理解技術邊界，進而在將來從事與人工智能相關的產品設計工作時，有能力創造性地提出基于新技術的解決方案，學會利用產品設計彌補技術能力的不足，并能夠具備對產品由最初想法到最終落地的整個過程的把控能力，做到對結果負責。
第4 章相較于第3 章，在經典技術理論的基礎上更進一步，從智能搜索與對話交互兩個方面，詳細講解了機器學習、深度學習、自然語言處理這些領域的經典模型如何應用于智能交互領域，理論結合實踐，真正去解決特定場景下的業務問題。
第5 章是本書的核心，5.1 節和5.2 節從全局的角度介紹了目前業內公認的對話交互框架，講解了目前學術界所采用的自然語言語義的三種表示方式，并闡述了目前市面上主流的對話平臺，即 Bot Framework 的由來。5.3 節全面剖析了以 Dialogflow、DuerOS、云小蜜為代表的主流 Bot Framework 的經典設計及其設計思路，并單獨介紹了基于對話流/圖設計的非主流 Bot Framework，如 Facebook 的 wit.ai 和 KITT.AI的 Chatflow 的設計邏輯。5.4 節介紹了隱藏在設計背后的對話邏輯，并用大量篇幅探究了目前各家公司Bot Framework 設計所存在的問題，最后嘗試給出設計與對話邏輯的最優解。
第6 章是對第5 章的補充，因為對話問題并不是對話平臺唯一要解決的問題。一套完整的人機對話平臺除第5 章所提到的業務運營欄目外，還包括服務管理欄目、系統管理欄目等。同時，數據分析平臺也是支撐對話類產品發展不可缺少的部分。
不論是轉行從事人機對話/人工智能領域的產品經理，還是希望在人機對話領域深耕的非技術從業者，閱讀本書都能收獲更全面的認知和更獨到的理解。
希望本書能對讀者有所幫助。
其實本書從真正開始動筆到完成初稿，不過幾個月的時間，可是書中相關內容的積累與沉淀從兩年前就開始了。寫作這本書對我而言，既是已有知識體系化的結束，又是新的開始，使我得以跨過已有知識體系的邊界，在新的領域重新經歷認知由發散到收斂的過程。
在積累知識及真正動筆完成本書寫作的過程中，我得到了許多前輩、朋友的支持、鼓勵和幫助，感謝你們，也希望終有一天，我們都能成為自己想要成為的樣子。 |
內容簡介：回看歷史，技術革新周期通常可被分為三個階段：技術先于產品、產品先于技術、運營先于產品。目前，人工智能周期正在由第一階段向第二階段過渡，這個時期不僅是技術為社會生活帶來巨大改變的時期，更是產品經理們盡情發揮創造力來影響這個世界的時期。實際上，成熟人工智能產品經理的缺乏，正是當下人工智能技術真正落地、改變人們生活的主要瓶頸。本書以幫助讀者構建人機對話/人工智能產品經理的完整知識體系結構為主脈絡，闡述了人工智能對未來社會的影響；舉例說明了產品經理應該如何培養抽象、歸納及系統的思維能力；通俗講解了人工智能方向下蓬勃發展的機器學習、深度學習及自然語言處理技術的必備知識；詳細介紹了人工智能技術在人機對話領域的具體應用實踐；細致剖析了市面上主流的人機對話開放平臺的經典設計，并深入探究了其在設計之初意欲求解的問題。不論是轉行從事人機對話/人工智能領域的產品經理，還是希望在人機對話領域深耕的非技術從業者，閱讀本書都能獲得更全面的認知和更獨到的見解。 |
目錄：人工智能產品經理——人機對話系統設計邏輯探究 目錄
第1 章 緒論 / 1
1.1 人工智能與未來 / 2
1.1.1 DeepMind 與強化學習 / 3
1.1.2 生物與算法 / 4
1.1.3 被撼動的自由主義 / 5
1.1.4 被取代的工作 / 8
1.1.5 新的社會契約 / 12
1.2 人機對話的意義 / 14
1.3 人機交互的變遷 / 15
1.4 需求、風口、周期 / 16
1.4.1 需求與風口 / 16
1.4.2 周期三段論 / 17
1.4.3 周期中的產品經理 / 19
1.4.4 人工智能周期 / 20
第2 章 產品經理與系統設計 / 22
2.1 產品經理與技術 / 23
2.1.1 產品經理的技術了解層級 / 23
2.1.2 技術型產品經理的定位 / 25
2.1.3 技術型產品經理的價值 / 27
2.1.4 技術型產品經理的思維能力 / 29
2.2 系統與系統思維 / 33
2.2.1 系統之美 / 33
2.2.2 優秀軟件系統的特征 / 35
2.2.3 系統設計的基本問題 / 38
2.3 平臺設計通用工作流程 / 39
第3 章 人工智能技術 / 42
3.1 機器學習 / 43
3.1.1 機器學習簡介 / 43
3.1.2 k-近鄰（kNN）算法 / 45
3.1.3 ID3 決策樹算法 / 46
3.1.4 樸素貝葉斯分類算法 / 47
3.1.5 邏輯回歸算法 / 50
3.1.6 支持向量機（SVM） / 53
3.1.7 AdaBoost 元算法 / 55
3.1.8 線性回歸及樹回歸算法 / 58
3.1.9 K 均值聚類算法 / 61
3.1.10 Apriori 及FP-growth 算法 / 63
3.1.11 PCA 與SVD / 64
3.1.12 主題模型 LDA / 66
3.2 深度學習 / 68
3.2.1 深度學習與機器學習 / 68
3.2.2 感知機模型與前饋神經網絡 / 69
3.2.3 深度神經網絡的訓練 / 72
3.2.4 卷積神經網絡（CNN） / 79
3.2.5 遞歸神經網絡（RNN）與LSTM / 84
3.3 自然語言處理 / 87
3.3.1 自然語言處理簡介 / 87
3.3.2 熵 / 88
3.3.3 形式語言 / 90
3.3.4 語言模型 / 91
3.3.5 馬爾可夫模型（MM） / 93
3.3.6 隱馬爾可夫模型（HMM） / 94
3.3.7 最大熵模型（MEM） / 96
3.3.8 最大熵馬爾可夫模型（MEMM）與條件隨機場（CRF） / 96
3.3.9 詞法分析 / 98
3.3.10 句法分析 / 100
3.3.11 語義分析 / 102
第4 章 智能交互技術 / 104
4.1 智能搜索 / 105
4.1.1 搜索命中方式 / 107
4.1.2 SMT 與詞義相似度 / 109
4.1.3 詞向量與 word2vec / 109
4.1.4 利用DNN 優化搜索結果 / 113
4.1.5 利用 CNN 計算語義相關性 / 116
4.1.6 利用 RNN 構建語言模型 / 118
4.1.7 基于知識圖譜的知識推理 / 120
4.1.8 知識圖譜的局限 / 122
4.1.9 其他智能搜索技術 / 123
4.2 對話交互 / 124
4.2.1 對話交互概述 / 124
4.2.2 自然語言理解與填槽 / 125
4.2.3 開放域上下文理解 / 127
4.2.4 自然語言生成與 seq2seq / 128
4.2.5 人機對話與強化學習 / 132
4.3 問答匹配技術的發展 / 134
第5 章 Bot Framework 設計探究 / 138
5.1 多輪對話初探 / 139
5.2 對話系統與語義表示 / 140
5.2.1 對話系統的組成 / 140
5.2.2 語義表示的三種方式 / 141
5.2.3 Bot Framework 的產生 / 145
5.3 Bot Framework 設計 / 148
5.3.1 國內外開放Bot Framework 一覽 / 148
5.3.2 Bot Framework 的組成 / 150
5.3.3 意圖（Intent） / 150
5.3.4 實體（Entity） / 158
5.3.5 訓練（Training） / 163
5.3.6 基于分布語義的平臺設計 / 173
5.3.7 基于對話流/圖設計的 Bot Framework / 174
5.4 基于Bot Framework 的多輪對話 / 180
5.4.1 基于分布語義的人機對話 / 181
5.4.2 基于模型論語義的人機對話 / 182
5.4.3 基于框架語義的人機對話 / 183
5.4.4 Bot Framework 下的人機對話邏輯 / 184
5.4.5 尋找設計與對話邏輯的最優解 / 194
第６章 對話服務管理與數據分析平臺 / 212
6.1 人機對話平臺基本模型 / 213
6.2 對話服務管理 / 215
6.2.1 服務部署與模擬測試 / 215
6.2.2 發布上線與版本管理 / 218
6.2.3 特殊類型對話服務管理 / 220
6.3 對話數據分析平臺 / 221 |
| 序： |
