本文目录如下：1.内容分发在直播平台中的AI应用1.1内容的审核监管1.1.1先说：问题和风险1.1.2再看：传统的解决1.1.3应用改进：AI1.2个性化的内容分发1.2.1背景1.2.2利用AI挖掘出内容特征2.自然语言对话在直播平台中的AI应用2.1客服机器人2.1.1现状2.1.2对话增加情感分析2.1.3对话增强自我学习2.14对话增强意图分析、上下文分析2.15其他2.2语音助手2.3直播间辅助2.3.1场景1：语言表达缺陷2.3.2.场景2：直播环境语音不可用时2.3.3场景3：直播间辅助3.总结
1.内容分发在直播平台中的AI应用
首先，根据直播平台的内容，可泛分为三种：内容创作者（主播）、视频直播、小视频；
其次，从内容的“进与出”，可分两大方面：一是内容的审核监管，二是个性化的内容分发。
最后，内容的生产创作方面（这个本文先不讨论，以后单独再发）
1.1内容的审核监管
该场景聚焦的是：科学管控、提升效率，降低成本。
1.1.1先说：问题和风险
（1）直播内容监控复杂度高，人工易漏判
（2）网络直播规模庞大，人工审核成本高
监管要求24小时实时进行，虽然违规比例占比不高，但为了做到“无漏网之鱼”，需要投入大量的人力、物力和财力进行监管，运营成本压力增加。
（3）直播流量聚焦夜晚，人工审核效率低
夜晚疲劳，人眼识别精确度降低，出现误判漏判的概率上涨，审核效率降低，难以达到网络直播的内容监管需求。
（4）主播实名及直播实时验证难
一是主播注册的实名验证，若完全依靠人力审核，人力成本增加，难以做到真实有效的审核；二是每次主播直播时，都验证是否属于本人在直播，这又增加一部分人力成本，运营难度上升。
1.1.2再看：传统的解决
传统的审核方式主要有三种：
1.1.3应用改进：AI
基于上述场景与问题，可引入AI技术落地优化。
（1）方案：利用AI识别+人工审核的模式
（2）场景：如举例“鉴黄”：通过鉴黄模型对内容分析的类型为“色情”、“性感”和“正常”三类，并且机器会自动将识别结果分为确定和复审两部分，确认部分的识别精确度达到或超过人工，无需复审，对于复审部分，机器会根据可能性排序，人工再根据概率从高到低来审核。
同样，可延伸至主播封面图等审核任务。
1.2个性化的内容分发
聚焦：视频直播的推荐结果与用户的心理预期重合度变大，用户在观看直播时的选择更加直观和精准，用户的活跃度明显提高，平台的点击率和留存率明显上涨。
1.2.1背景
大数据时代，对于电商、内容型产品，个性化推荐已成标配，应用好处不多复述。
此处的内容分发，侧指的是前端的个性化内容排序，即个性化推荐。
1.2.2利用AI挖掘出内容特征
此处只针对视频直播进行分析。
利用AI技术从人脸、图像、音乐和语言四个维度对视频直播进行分析和理解，可以对其做出基本的分类，特征化。
（1）从内容看特点
（2）应用流程
首先，按上述特点，应对视频直播的内容按多种维度划分，利用AI对内容识别，挖掘出丰富内容特征。
其次，由于直播是实时性，是由主播产出，是先有主播再有视频直播内容。因此，此处的对直播内容识别出的特征，应是给主播打上。
最后，可以考虑一种的个性化内容分发是：用户特征+主播特征，进入推荐引擎计算，召回一批符合用户偏好的“主播权重列表”。此时再去查询这些主播是否有开直播、直播开始多久了、亲密程度等等维度进行综合推荐，以达到个性化内容分发。
（3）AI识别维度、内容分发排序
列举一些对内容识别的特征维度（举例一些，不全）：
从直播来看：
从主播来看：
举例：
上面这些的识别基本都需要结合AI技术进行，挖掘出内容特征作为推荐使用。
（4）个性化内容分发的排序-算法
自己YY一下基本的维度：
（5）其他
2.自然语言对话在直播平台中的AI应用
首先，NLP涉及领域很多，凡是有自然语言（语音、文字）输入的场景，都有可能会使用到。如语义分析、机器翻译等。此处的自然语言对话，侧指智能助理/智能问答/语音服务等方面。个人理解是：即利用AI技术打造出：统一的CUI（对话交互界面）、一站式的整合信息&服务。
其次，若按对话的场景区分有：封闭域对话、开放域对话。通俗的说，前者是”要求用户输入指定地话语才能继续对话”，输入输出是可枚举的、有明确始与终；后者是“用户爱说什么就说什么都可以持续对话”，输入输出无法穷尽、无明确流程。
若按对话内容方式有：文字、语音。（一般情况下，文字可以直接处理，如果是语音，通常情况下需要将语音转换成文字（ASR技术）
一般原理是：是用户输入，引擎内部通过长期积累的知识，首先经过自然语言分析，在通过语义理解、上下文分析进行知识推理，从而生成个性化的答案，输出给用户。整个典型的自然语言对话如下图。
最后，从几个场景去分析，包括有：客服机器人、语音助手、直播间辅助。
2.1客服机器人
基本原理是：输入的是用户的问题，引擎内部通过长期积累的知识，首先经过自然语言分析，在通过语义理解、上下文分析进行知识推理，从而生成个性化的答案，输出给用户。整个典型的自然语言对话如下图。
2.1.1现状
从输入方式来看有：语音输入和文字输入，技术上的区别是语音输入要做语音识别，将语音信号转换成文字。目前客服机器人主要是两者都支持。
如下图的所示，属于能支持自然语言对话（语音+文本）的客服机器人。
问答机器人其实是在头部问题上实现了综合过滤，然后通过对话的形式反馈给用户，如果用户实在问的是长尾问题，问答机器人回答不了的，此时可走人工客服。满足了用户九成以上问题的直接答复，是问答机器人的核心目标。满足在服务上，缩短服务寻求路径与服务寻得率，从而提升用户自助体验，降低人工入线率，降低运营成本。
2.1.2对话增加情感分析
即相当于赋予客服机器人EQ，能在对话中对语义进行分析，精准感知用户情绪，并在回复表达中蕴含相应情感，让互动更有温度。
原理是自动识别对话过程的文字或语音，尤其是带有主观描述的进行情感分析，如，可以识别生气、喜悦、失望、着急等多种人类细分情感，对此生成相应带情感的、口语化的表达，若判断精准，能让用户体验佳，不冰冷。
举个例子如下图，JD客服JIMI机器人增加情感分析，从IQ到EQ的升级，用户体验上是有明显差异的：
此外，增加情感分析也可用作对话质量（服务）评估。如根据前来咨询的客户来时的情绪，以及离开时情绪的对比，就能从另一个维度感知此次服务的质量。既可以用以考核客服人员，也可以用来改进客服的服务。
2.1.3对话增强自我学习
场景：客服机器人无法满足用户需求，出现呼叫人工客服。
在人工沟通-解决的过程，客服机器人应将此对话过程沉淀学习。如记录下：呼叫人工客服前的对话过程、人工对话的过程，分析不足与改进点。若每一次人工解决问题，中间的所有信息都被人工智能所记录，多次学习自我进化，能提升客服机器人对话服务质量。
2.14对话增强意图分析、上下文分析
场景：对话过程中的上下文，分析预测相应的场景、语境，进而精准服务。
2.15其他
不能以对话轮数多少相比。
比如，人类用户与小冰的平均每次对话轮数可达到23轮，微软对此也颇为津津乐道，但是，在客服上，如果机器人要与前来咨询的客户对话23轮，才能给出答案，你可以想象客户的反应会是什么。
2.2语音助手
相比较于客服机器人，语音助手更是起到连接、推荐作用。用户通过输入语音或文字，可调用直播平台内各项功能、服务。整个对话过程是类似开放域的场景。
2.3直播间辅助
2.3.1场景一：语言表达缺陷
有一类人，他们身患绝技、各怀才艺，却有表达缺陷，如哑巴。在如今强调人人是IP、自媒体的时代，他们可能因此而失去一些做主播的机会。
但是，他们本身是懂表达，如唇语、手语。从本质上，一切人类沟通的语言都属于自然语言。因此，能利用AI的技术手段进行识别、跟踪，通过NLU进行理解、翻译，最后输入语音表达。
关于辅助声音，创作者录音通过声音模型学习，尽量拟合原声或差异个性化的。
同时，若声音实现不理想，也可以将唇语或手语识别进行文本翻译，也是一种互动方式。
2.3.2场景二：直播环境语音不可用时
直播过程中或许存在一些语音不可用的场景，如噪音突然变大、摄像头未配备麦克风（损坏）。这时，若主播调用唇语识别功能，基于以上原理能保持直播间互动正常，避免突然冷场中断、离场等情况。
2.3.3场景三：直播间辅助
场景：针对现场直播解说类，为主播解说提供辅助。如，体育、游戏等竞技类的比赛直播。
这里的辅助有4个方面：
4.总结
4.1需要了解技术现状
这里的现状，侧重是指技术原理、边界。每一项技术都有边界和最优应用场景，尤其目前AI技术相对是不够成熟的，那么了解好技术可能实现的能力范围、所需的成本、当前存在的技术瓶颈…，具备这些基础会更好去沟通、发散和结合。
4.2需要寻找并定义AI业务场景
正如上述所言，理解技术优劣势的基础上，寻找到可以提供更好用户体验的业务场景。也就是说，如何结合当前现有AI技术与业务场景，为用户提供更好更便捷用户体验的产品。因此其中主要的工作就是：完成当前技术与现有市场需求的映射，侧重对场景的思考。
4.3多一层评估、多一层挖掘价值
当前AI技术的实现成本相对还是高。也并非有想法就能实现，即使条件+成本都能满足时，也存在较大试错风险。因此还需对场景多思考，充分评估产品定位、用户价值、成本、商业价值等因素是否相匹配。让现有技术所定义的产品价值能够转化为商业价值。
4.4与互联网产品经理的差异
（2）多了一种语音交互方式
机器学习促进了语音识别技术的发展，也促进发展了语音交互场景。AI语音交互的设计可能比手机/PC端的交互设计难很多，因为语音交互系统不是限定好的GUI操作界面，而是不便于规范且自由延展的自然语言。会话的开放性意味着AI交互设计者必须考虑用户可能采取的几乎无数的选择。要能够理解用户，了解他们的动机，然后合乎逻辑地思考如何引导他们完成一件事情。
（3）更多的理论基础支撑
机器学习的理解、算法模型优化等等。
本文由@凤城狂客原创发布于人人都是产品经理。未经许可，禁止转载