前三期AI産品分析中，我們選擇抖音、美圖、作業幫等比較大衆且相對成熟的産品作為切入點，結合實際功能及技術分析了人工智能技術的落地，而本期我們選擇了形色這款相對小衆化的産品，從一個新的應用場景，感受人工智能産品對人類日常生活帶來的影響。

1. 關于形色

形色是由杭州大拿科技研發的一款拍照識花軟件，依托于人工智能下的深度學習技術，可快速地對植物花草的特征進行分析，并以較高的準确率輸出花草所屬的類别。

雖然相較于抖音、美圖等産品，形色趨于小衆，然而該軟件自上線以來，仍然獲得了許多用戶的認可。

根據七麥數據，形色近三個月下載量呈現出不斷上升的趨勢，尤其是進入四月份以來，日下載量增加更加明顯。這說明，形色保持了穩定的用戶增長。

根據易觀千帆指數，形色的月活也具有出色的表現。如圖，形色近6個月月活顯示，數據上雖有較小波動，但在2月份達到最低點也仍具有将近90萬的月活，且此後開始展現出良好的回升趨勢。這說明，形色擁有穩定的用戶使用量。

而無論是用戶增長量還是用戶的使用量，都是對一個産品的可持續發展至關重要的指标，形色在這一點上表現優異。

此外，從整體的頁面上，形色調性淡雅、配色清新、交互簡單流暢，且用戶反映識别準确率高。而除拍照識别花草植物的功能，形色還提供了類似于花間、地圖、展覽及鑒定等功能，使得具有相同愛好的用戶圍繞着花草可以發生互動，使得平台在花草之餘平添了許多人氣。

基于此，形色在同類産品，比如微軟識花、花幫主中脫穎而出。同時，根據前期的調研結果顯示，形色充分利用了人工智能技術的優勢，随着用戶數據越來越多，其準确率也越來越好，在用戶間具有良好的口碑。

為了更好地凸顯AI技術在産品中的落地，我們僅以“拍照識别花草”功能項作為出發點，對其進行用戶-場景-需求、功能目的、功能邏輯、用戶評論及技術分析，并在此之外，對平台中圍繞“拍照識花草”衍生出的“拍照識果蔬”進行簡介。

2. 用戶-場景-需求分析

3. 功能目的

從“拍照識别花草功能”出發，形色滿足了許多用戶的許多需求。

不同于抖音、美圖或作業幫，它們都比較顯性地滿足了僅僅部分人群的需求，而形色則具有更廣的受衆，應用的場景也很豐富。比如：對一些植物愛好者，形色可以滿足他們在遇到新植物類别時快速識别的需求，甚至是一些罕見的花草也可以更為準确地識别，形色還提供了互動和分享的渠道，使得用戶可以在滿足自身樂趣的同時還有益于興趣的交流，達到用戶聚合的效果。

而對于一些園林花藝從業者，形色在他們的工作中充當了效率提升器。由于這類人群經常要在設計、搭配中對植物的類别進行識别與鑒定，而人的腦容量又十分有限，如果依靠傳統的文字搜索，則耗時耗力，形色使得這類人群可以快速地确定相關植物的類别及形态知識。

最後，對于一些類似家長、教師、攝影愛好者、旅遊愛好者、小朋友等，形色也都幫助他們快速認識花草、答疑解惑、學習植物知識、獲得好看或珍稀植物照片提供了更豐富、高效的渠道。

由此，可以看出，形色面向的用戶群廣，使用的場景豐富，而滿足的需求卻集中體現在快速識别花草、學習植物知識及鑒定植物等方面。

對于平台而言，借助人工智能技術，為用戶提供高準确率且快速地植物識别的服務體驗，通過植物将用戶聚集，并由此拓展功能外延，一方面平台的算法越來越準确，吸引的用戶越來越多，另一方面圍繞着植物識别這一核心需求，通過更豐富的功能設計，比如花間、地圖等，産品可帶給用戶更多驚喜。

而形色的官方團隊也在新聞發言中坦言，他們是純粹的人工智能技術愛好者，希望通過産品作為載體，把人工智能的樂趣帶給更多用戶。

這句話是不是空喊口号無從得知，但從目前的體驗過程中，形色暫時沒有特别顯性的廣告植入，而平台算法的性能也比較穩定和準确。

4. 功能邏輯

在功能邏輯的設計上，和一般的“拍照識别”類産品一樣，形色的流程設計也比較靈活，比如識别圖片來源提供了多種選項，同時比較特别地是提出了“自拍，看看你像什麼花”選項，該功能抓住了用戶愛美及好奇的心理，是一種比較具有趣味性的互動。

同時在生成的過程中，由于對圖片處理的過程可能算法存在一定的延時，尤其是一些比較少見的植物，計算圖片特征及檢索數據庫的過程需要花費較長的時間，可能會出現更長的等待時間。

針對上述算法延時的問題，形色的處理是比較注重用戶心理感受的。比如：在體驗中發現在等待時，系統會反饋各類提示語包括“正在努力鑒定中XX%”，讓用戶心理有預期，減少焦慮。

再比如：“再等等，結果馬上就出來”、“網絡好像有點擁擠”，即便進度沒有變化，但這些提示語仍處于動态變化中，在這些極具拟人化特征的提示語之上，用戶不會覺得背後是一個冷漠、機械的“機器人”或算法，而是覺得這是一種友好的互動，從而耐心及忍耐度會有所提升。

上圖是體驗的一個過程，是拍攝的路邊的一種野花。從中可見，拍照鑒定的過程中，一直顯示在緩沖，但是體驗相對比較好的是，系統一直有反饋，比如進度94%、99%，而且一直把延時的鍋扣給“網絡慢”、“網絡擁塞”。

其實這種提示語的設置是人工智能産品設計的一個技巧，因為常規而言，如果算法想要達到比較好的準确率，則模型的複雜度會比較高，那麼模型在運行的時候其效率往往較低，則平台通過這些标語一方面可以轉移用戶的注意力，另一方面，也可以一定程度降低用戶對算法不行的糟糕想法。

這種設計的技巧的應用比較普遍，比如：還有一些使用識别分割技術的圖像類産品，有的時候算法處理的結果在邊界處表現不好，則可以通過在邊緣處增加裝飾物或是其它比較酷炫的變換效果，從而緩解算法本身結果的不足。

本次體驗最終識别準确結果是鬼針草，如果你覺得該識别結果不準确，還可以再請求高手鑒定。

提供高手鑒定的好處在于：

一方面通過用戶使用高手鑒定的點擊率，可以用于對後台識别算法準确率的反饋，重新調節模型的參數，所以用戶會感覺到在不斷地使用産品的過程中，識别的準确率會越來越好。因為當前深度學習的準确率增長，一定程度上是依托于訓練數據的增加，所以人工智能類的産品，用戶數據的後期收集與優化十分重要，從産品的體驗和調研中也發現，形色是比較注重這一點的。

另一方面，現有的AI産品設計中，如果僅僅依賴算法可能無法滿足用戶的所有需求，尤其是一些比較特殊的場景，還是沒有辦法滿足用戶任何情境下滿意的要求。因而目前最為常用的方法是算法 人工。

比如抖音後台的鑒黃，隻是應對大數據去除那些特别特征較為明顯的，而剩下的比較容易歧義的，還是需要一定的人工進行輔助判斷，減少誤判率。即便如此，從整體上看，也大大地減少了人力、物力的損耗。

所以，形色的高手鑒定中，一方面是發布到平台上，一些同樣愛好植物或者剛好認識的用戶會幫助解答，同時平台也吸引了一些相關的專家入駐，以提升鑒定的效率和專業度。

同時我們還做了更大量的體驗，從中可見整體的識别準确率較高，且每一次識别之後，都附帶了比較詩情畫意的解說，和平台整體的調性以及調研中發現的用戶的需求是比較吻合的。

最後一幅圖，為了惡搞一下算法，我特意選取了杯子上的任意一個綠色部分，最後平台返回的結果是“我竟然被難倒了”，所以，這一刻可能會覺得哪怕錯了也挺可愛。

當然了，形色也有失靈的時候。

比如輸入一株火龍果圖片，它給出的第一答案選項是火龍果，後面還給出一個選項是昙花，火龍果是準确答案，但是觀察會發現，它和昙花的表面形态确實有些相像。

造成該類錯誤的問題在于，模型是基于植物的特征提取，和後台數據庫形成比對，隻要表面特征相似可能就會判定為同一類别。且算法的靈活度有限，對于一些相似物種，仍沒有辦法對細節做出準确區分，這是未來算法設計需要攻克的難題。

其次，我拍攝了鑰匙的圖片，算法識别結果為辣椒。因為人工智能一定程度上是基于過往的經驗，對眼前的新事物結合其特征做出判斷。也就是說，算法覺得自己應當在現有植物品類庫裡找一個最匹配的來表征輸入的圖片，大部分算法還是比較“單純”的。

5. 用戶評論

同樣地，我們對産品搜集了對應的用戶評論。

首先，基于七麥數據顯示，形色的用戶評分當前顯示評分為4.9分，所有版本評分也達到4.9分，基本所有的評論集中在5星、4星，而低分評論占比極低。

同樣地，收集了30條用戶評論。但是本次評論的篩選中，沒有刻意地集中在差評，而是對用戶的評論進行了整體評估，并提取其對應關鍵詞，最後進行歸類分析。

首先用戶評論的關鍵詞主要包括“内容質量需加強”、“效率提升”、“增加知識”、“準确率不高”、“準确率高”。

其中36.7%的用戶覺得使用形色增加了植物相關的知識，對于學習及日常裝逼有益，20%用戶覺得形色對每種植物、花草判斷都十分準确，非常智能，16.7%的用戶認為形色的内容質量需要加強。

比如：關于識别結果的解說可以更為詳細一些、平台上關于植物的科普文章要更加專業一些等，13.3%的用戶覺得通過形色極大地提升了學習花草植物知識的效率，他們中有的人是園林或花藝設計師。最後還有13.3%的用戶認為識别的準确率不夠優秀，可能是恰好他們問到了“算法”沒學過的部分。

進一步地，我們把用戶的評論最終歸結為産品、算法及運營維度。

其中，如效率提升、增加知識屬于産品範疇，正是由于産品能夠看到用戶的需求，并從用戶的角度出發，巧妙地利用人工智能技術，得以為用戶解決需求。這是用戶對形色的贊同，也是對它未來發展的期許，希望它一直記得初衷，服務用戶，不斷進步。

而準确率問題則屬于算法範疇，而由于平台的訓練數據，後續的經驗積累、調參優化，都對最終平台的識别準确率有影響。形色官方技術團隊曾對外發言稱，其起步的訓練數據集就很龐大，而且後續也很注重收集用戶的反饋，進行模型準确率的調整，以後也還會繼續加強數據集及算法的調整和優化，則算“盲區”會越來越少，從而整體的準确率會進一步提升。

最後，内容問題則屬于運營範疇。之前看了一篇文章說到，互聯網産品的發展，從技術主導到産品主導，已經開始萌生出運營主導的趨勢，無論該論斷正确與否，都不可忽略的是，運營是一款産品能否觸達大衆、煥發生命力的關鍵。而遺憾的是，形色的運營比較單調，這是相對不足的一個點。

6. 技術分析

形色的實現，其技術原理比較簡單，主要就是圖像識别及檢索，即通過圖片特征的提取，而後進行搜索匹配，最終輸出結果。形色之所有獲得比較好的準确率，主要在于它十分專注地打磨，把上述的每一個技術環節都做到了最好。

首先，訓練數據集牛逼。有多少數據，就有多少智能，尤其是對現階段的深度學習模型而言，訓練數據的數量和質量可視作是決定性因素，這也是為什麼很多人工智能産品經理都在工作中或多或少地需要承擔數據标注、清溪任務的原因。在上線前期，形色團隊就意識到數據對于模型準确率的重要性，因此他們在訓練數據集的打造上花費了很多時間。

比如通過向各大論壇植物愛好者征集花草圖片數據，同時自身團隊出動，到當地進行常見花卉采集之後請專家鑒定等，在保證了訓練數據集的數量之餘才展開了後續的工作。

對于深度學習而言，由于深度網絡的複雜性，需要訓練的參數規模龐大，甚至可以達到好幾百萬個，所以要想算法落地成産品後能獲得實際可用的結果，其訓練數據集的需求量遠遠超出一般人的想象。

而當數據量不斷增加後，數據的清洗和标注又是另外一個更為複雜問題，形色團隊在這方面上也是斥巨資，他們聘請很多具有專業知識的專家反複校驗，确保了訓練數據集的質量。

通過數據集上的努力，形色最初的模型比較簡單，獲得的準确率接近50%，這讓團隊看到了希望。

人工智能是仿生的，和人一樣，如果見得少，則判斷出錯的概率就大。所以為了減少算法識别錯誤的概率，需要讓模型盡可能學習更多的數據，形色采取了一個長遠更為有效的措施是：在産品上線之後，進一步收集用戶上傳的圖片，用于算法的叠代訓練。

結果顯示，随着用戶數量增加，平台訓練數據集擴增，識别的準确率也越來越高。

其次，算法 人工輔助的雙重技術保證。

形色是一款優秀的人工智能類産品，它在為用戶解決的過程中，傳達出一種十分謙遜、負責的态度。

具體地，在實現的過程中，除了以深度卷積神經網絡對圖片進行分類并檢索的識别算法外，為了應對算法失靈的情況，形色還配備了專業的人士進行人工鑒定及解答。

最後，技術細節的處理。形色在提取照片之後，考慮到用戶拍攝的圖片可能存在模糊、關鍵特征不明顯的特點，所以算法會對圖片進行統一的預處理之後再識别。

預處理的過程包括了光線調整、顔色反轉、曝光度、裁剪出關鍵部位等，如此，可以提升照片的質量。因為深度網絡中，算法訓練時學習照片的特征，如果照片本身的質量不佳，則算法會學到一些錯誤的特征，從而可能引發後續的判斷錯誤。同時，一些肉眼無法辨識的特征，尤其是某些相近的種類，如果沒有經過預處理，模型就有可能無法獲得相關細節，從而發生誤判。

形色的技術方案看似簡單，但是他們的智慧在于，選擇當前效果最好的一項，并将其打磨到最好。

現有的計算機視覺處理任務中，圖像識别、分類的效果是最好的，比如：許多人臉識别、圖像分類的結果在經過足夠的訓練數據訓練後，可以達到99%以上的準确率，而人由于經驗以及其它生理的不同，可以達到的平均準确率也才有95%左右。

所以這從一點上看， 形色抓住了圖像識别這一技術可以落地的時機。因為大部分AI産品設計的初衷，一定是因為算法可以幫助人類解決部分重複性的工作且解決的效果優于人類。

且在瞄準了切入點之後，他們花了足夠多的時間和精力在技術上做深入的積累，等到時機成熟的時候，花費極小的成本将其成功遷移到另一項功能上（拍照識瓜果和海鮮）。

所以人工智能類的産品，不要一開始就着眼于用多複雜的技術、做多複雜的功能，簡單、高效直至爐火純青才是王道！

技術關鍵詞：數據集 算法 人工輔助 技術細節處理

總結

本期一起體驗了小衆AI産品“形色”，從中也感受到人工智能技術，已經變成各種各樣的 産品，出現在用戶生活的方方面面，幫助用戶解決了各種各樣的問題。

作為一個人工智能産品經理，我們的思考點在于，怎樣通過更為簡單的技術，以更低的成本和更好的體驗，為用戶帶來更多驚喜~

作者：Luna，公衆号：有三AI，一個專注于人工智能技術與産品落地的公衆号，希望可以和熱愛AI的人有更深入交流，一起見證AI改變生活！

本文由 @ Luna 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自網絡

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部