內容簡介

回看歷史，技術革新周期通常可被分為三個階段：技術先於產品、產品先於技術、運營先於產品。目前，人工智慧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，成熟人工智慧產品經理的缺乏，正是當下人工智慧技術真正落地、改變人們生活的主要瓶頸。

本書以幫助讀者構建人機對話/人工智慧產品經理的完整知識體系結構為主脈絡，闡述了人工智慧對未來社會的影響；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；通俗講解了人工智慧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；詳細介紹了人工智慧技術在人機對話領域的具體應用實踐；細緻剖析了市面上主流的人機對話開放平台的經典設計，並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/人工智慧領域的產品經理，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。

作者介紹

朱鵬臻，滴滴出行AI Labs產品經理。在任務型人機對話領域積累有豐富的經驗，曾先後負責或參與過平台型、用戶型、商業型人工智慧產品設計工作，擅長人機對話平台設計以及多輪對話系統邏輯構建。曾研究機器學習、深度學習、自然語言處理、語音識別、推薦系統、搜索引擎、數據挖掘、知識圖譜等8個AI領域的基礎技術理論，積累有 20萬字總結，得到「互聯網優秀作者」認證，相關微博瀏覽量超70萬。

人工智慧產品經理——人機對話系統設計邏輯探究目錄
第1 章緒論 / 1
1.1 人工智慧與未來 / 2
1.1.1 DeepMind 與強化學習 / 3
1.1.2 生物與演算法 / 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、週期 / 16
1.4.1 需求與風口 / 16
1.4.2 週期三段論 / 17
1.4.3 週期中的產品經理 / 19
1.4.4 人工智慧週期 / 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 產品經理的技術瞭解層級 / 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 優秀軟體系統的特徵 / 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 章人工智慧技術 / 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）演算法 / 45
3.1.3 ID3 決策樹演算法 / 46
3.1.4 樸素貝葉斯分類演算法 / 47
3.1.5 邏輯回歸演算法 / 50
3.1.6 支持向量機（SVM） / 53
3.1.7 AdaBoost 元演算法 / 55
3.1.8 線性回歸及樹回歸演算法 / 58
3.1.9 K 均值聚類演算法 / 61
3.1.10 Apriori 及FP-growth 演算法 / 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路 / 69
3.2.3 深度神經網路的訓練 / 72
3.2.4 卷積神經網路（CNN） / 79
3.2.5 遞迴神經網路（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 瑪律可夫模型（MM） / 93
3.3.6 隱瑪律可夫模型（HMM） / 94
3.3.7 最大熵模型（MEM） / 96
3.3.8 最大熵瑪律可夫模型（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 章智慧交互技術 / 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 基於知識圖譜的知識推理 / 120
4.1.8 知識圖譜的局限 / 122
4.1.9 其他智慧搜索技術 / 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 基於分佈語義的平臺設計 / 173
5.3.7 基於對話流/圖設計的 Bot Framework / 174
5.4 基於Bot Framework 的多輪對話 / 180
5.4.1 基於分佈語義的人機對話 / 181
5.4.2 基於模型論語義的人機對話 / 182
5.4.3 基於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章對話服務管理與資料分析平臺 / 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 發佈上線與版本管理 / 218
6.2.3 特殊類型對話服務管理 / 220
6.3 對話資料分析平臺 / 221

看更多