项目背景
项目探索姿势预测和识别能力在畜牧监控中的产品化表达。本案例不披露未确认的数据集、模型指标或实际经营数据。
核心问题
模型给出的标签和置信信息不能直接等同于现场结论。产品需要帮助使用者快速理解异常、查看证据并决定是否处理。
我的角色
参与产品原型、信息架构与监控体验设计，重点把算法输出转化为清晰的状态、提醒和复核动作。
用户与业务痛点
- 连续监控产生大量信息，使用者难以持续关注所有画面。
- 识别错误可能导致无效提醒，过多提醒又会降低实际响应意愿。
- 单一结果标签缺少上下文，不足以支持现场判断。
产品方案
- 以总览、异常列表和单个对象详情构建逐层下钻的信息结构。
- 提醒中同时提供时间、对象、状态和可复核的视觉证据。
- 设计确认、忽略和反馈入口，为后续规则优化保留可用信息。
AI 方案
- 将姿势预测与识别结果转换为产品状态，同时保留置信信息和时间上下文。
- 通过持续时间、变化趋势和业务规则组合判断提醒优先级，避免单帧结果直接触发强结论。
- 保留人工复核环节，并将反馈作为评估模型与提醒策略的依据。
遇到的困难与解决方式
遇到的困难
- 现场环境变化会影响视觉识别稳定性，产品不能掩盖模型限制。
- 提醒灵敏度与误报成本需要结合实际工作流权衡。
解决方式
- 用状态趋势和连续证据补充单次识别结果，并在界面中呈现不确定性。
- 将提醒设计为可复核任务，而不是直接替代现场人员的判断。
项目结果
- 形成了连接识别结果、监控总览、异常提醒和人工复核的产品原型框架。
- 实际识别与业务指标尚未在公开材料中确认，可在后续补充可复现的验证结果。
面试官可能追问的问题
算法准确率不稳定时，产品还能做什么？
我会这样回答
产品需要呈现置信和上下文，用趋势与规则降低单次误判影响，并把提醒设计成人工可复核的任务。
如何避免提醒过载？
我会这样回答
我会根据持续时间、影响范围和变化趋势设置优先级，同时保留用户反馈，用真实处理结果持续检查提醒策略。