以智能督学产品为例，解析人工智能教育场景应用

人人都是产品经理 • 2年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

2月的最后1场直播邀请到了某头部社交平台产品经理@小飞侠老师，有着7年+数据产品经验，擅长数据治理，挖掘数据业务价值、数据全链路监控、数据血缘等方向；有主导机器学习、画像、大屏等智能产品建设经验。曾担任大数据与人工智能产品负责人，负责搭建智能督学、智能问答等相关产品。本文为直播内容整理，内容有删改。

大家好，我是小飞侠，在一个头部社交平台做产品方向的工作，工作以来一直都在做数据方向的产品设计跟应用，主要是底层数据治理、数据挖掘、数据可视化报表以及数据价值等。

以智能督学产品为例，解析人工智能教育场景应用

本次分享主要分成三部分：第一部分是对人工智能和机器学习的理解以及应用背景；第二部分是探索智能督学产品案例中的人工智能技术和实际场景应用；第三部分是分享智能产品经理所需要具备的能力模型。

以智能督学产品为例，解析人工智能教育场景应用

在分享前有两个小思考：

人工智能产品至今已发展多年，是指让机器有类人工的思维和智慧，然后根据复杂场景做出判断和决策，并且做出回复跟响应。

思考1：机器是如何理解信息并做出反馈的？是需要复制出人类的DNA放到机器里，让机器有类人工的思考吗？

思考2：在日常生活中接触人工智能类的产品多吗？

在目前生活的衣食住行中，都离不开人工智能，比如在使用淘宝、京东购物时的智能推荐，例如购买羽毛球时会推荐羽毛球拍等；再比如具有生活娱乐属性的抖音推荐、网易云音乐推荐、优酷或土豆视频类推荐、高德地图和百度地图；还有无人驾驶、扫地机器人、智能回复机器人以及在金融、医疗医药领域中都应用很广泛。

以上都属于需依托所拥有的大数据，并且试图理解数据，把数据发挥价值的场景。大数据跟人工智能是紧密结合的，数据作为人工智能的最基础条件和燃料，AI作为应用给整体商业和生活赋能。

一、AI机器学习背景解析

1. AI工作原理

机器想要智能化并理解包括文本、图像、声音以及视频类信息，首先第一步要把数据向量化，即基于历史数据去推测即将发生的事情。比如每天吃饭都会使用一次性筷子，历史的每一次数据都是吃饭前第一步是拿筷子，所以当机器捕捉到要吃饭的指令时，会智能提示是否要拿筷子。

即把之前的所有行为数据向量化，然后提炼出机器能理解的数据，并基于该数据去拟合所需要的曲线，最后预测跟判断即将要发生的事情，比如当判断阈值大于指定阈值时，机器就会做智能提示跟回复，这是一个比较复杂的过程。机器学习是把历史数据做曲线拟合和预测下一次即将发生概率的过程。

大部分AI学习场景应用可以分为预测问题和分类问题，预测问题是指比如吃饭预测要先拿筷子，洗碗预测会用到洗涤灵；分类问题是指比如在金融信贷领域，某个借款用户提交所需借款资料时由机器判断是否有风险，多分类的比如学习能力模型分为一级、二级、三级或者优良中等分类。

2. AI工作流

AI整体工作流首先是获取数据，在整个场景或一系列行为中肯定会产生一部分数据，无论是什么类型的文本或视频类数据；需要把这部分数据加工成机器能理解的数据；然后再把数据加入到整个机器中通过计算，最终得出决策。

以上可以总结为：数据获取→特征工程→机器学习训练→决策。机器学习流程也是数据层+决策层的结合，数据层是指获取数据和特征工程，决策层是指机器学习训练和输出最终决策。

数据层的模块主要有：

首先是数据的获取，不管是APP端、网页端或其他，都需要做数据埋点。数据埋点是指当用户发生一系列的行为时，这些数据会上报到服务器，也就是获取数据上报到服务器的过程；
获取完数据后需要做数据同步，把同一份数据同步到多个数据源；

然后是实时计算或离线计算，因为机器是不能理解原始数据的，所以数据需要加工才能被机器所理解，比如特征工程，就是把机器能理解和认识的数据放到特征里。计算过程是指把原始数据加工成机器所认识的数据，比如特征数据、样本类数据；

最后涉及到数据存储、数据在线交互，生成的数据需要对外提供接口，让使用者可以查询或使用在线服务把基础数据暴露、推送，或可供使用方去查询的服务。而元数据是指描述数据的数据，即对所有数据加一个解释说明。

决策层的模块主要有：

机器学习训练流程是指把整个特征或样本去做训练，训练后做模型的推理，之后做整体离线效果评估，评估后做A/B测试上线，最终上线后做线上效果的评估。后面也会涉及到机器学习评估指标、工程指标以及业务指标。

以上就是AI机器学习的工作流。

二、探索智能督学产品案例中的人工智能技术

智能督学是以前在一家在线教育公司做的产品，虽然现在在线教育因为政策等原因大部分都已退出，但主要是想分享AI应用的思维、方法论以及AI能做哪些事情为业务赋能。

智能督学案例背景：通过技术手段对教研数据、学生数据以及教学过程中的数据进行梳理、筛选沉淀和呈现，然后基于教学环节和AI技术做分析，最后结合数据和模型、老师的教学规则、推送规则的智能推荐，让学生的体验效果更好，以达到个性化教学的目的。

智能督学的现状：

一是传统教育没有加入AI技术导致过程中的数据难以捕捉，很多问题不能及早发现并且做相应的处理；二是在线教育大多采取双师一对多的模式，没法顾及到每个学生的学习体验；三是整体教学质量评估的科学性，缺少数据支撑和数据维度的丰富。

智能督学最终的目标是为了实现在线教育领域提升学员整体学习体验，以及学习效果的产品。

上图是智能类学习产品和传统学习产品的对比，智能类学习产品第一个比较优点是个性化学习：即根据学生的学习内容、历史观看记录、作答情况、作业提交情况等各种维度的数据，推送符合该学生难度能力的题目和课件；而传统学习产品是统一化教学：即每个学生的题目和课件都是一样的，按照固定的课件内容去分发和展示，所以智能类学习产品的个性化学习属性会更强。

第二个是智能类学习产品可以举一反三：即会根据学生的学习情况做相关推荐，比如传统学习中学牛顿第一定律，就只会学牛顿第一定律的知识点，而智能类学习产品会推荐牛顿第二定律、第三定律、第一定律的发展史背景和科学家相关的故事等。

第三个是智能类学习产品可以智能监测，即利用AI技术抓取课堂中学生的行为，获取学生当前的学习情况、理解度、情绪监控等，比如学生和老师的互动情况、学生举手次数和答题次数等，还可以适时对课堂表现特别好的同学进行鼓励或某位同学情况不太好时系统去做相关提示等；而传统学习产品是只能根据结果论：以最终的考试为主，无法抓取到学习过程中的数据，采取对应及时有效的措施。