如何轉(zhuǎn)型AI產(chǎn)品經(jīng)理?思維篇
隨著AI技術(shù)的快速發(fā)展,越來(lái)越多的產(chǎn)品經(jīng)理開(kāi)始思考如何轉(zhuǎn)型為AI產(chǎn)品經(jīng)理。然而,AI思維與傳統(tǒng)的產(chǎn)品思維和用戶思維有何不同?如何從數(shù)據(jù)出發(fā),構(gòu)建以提升生產(chǎn)力為目標(biāo)的產(chǎn)品設(shè)計(jì)邏輯?本文從赫布理論出發(fā),深入探討了用戶思維、產(chǎn)品思維與AI思維的異同,并詳細(xì)解讀了AI思維的四大要素:大數(shù)據(jù)、模型、算力和業(yè)務(wù)模式。
近期圍繞“如何轉(zhuǎn)型AI產(chǎn)品經(jīng)理”的話題,提前進(jìn)行了一些準(zhǔn)備工作,但有一個(gè)問(wèn)題,始終繞不過(guò)去。
什么是AI思維?它與產(chǎn)品思維、用戶思維有何異同之處?
什么是AI思維?
無(wú)論用戶思維、產(chǎn)品思維,或是AI思維,都屬于思維,而不同崗位/角色的差異起點(diǎn)就是思維方式。
所以,今天分享“如何轉(zhuǎn)型AI產(chǎn)品經(jīng)理”的思維篇,從思維的角度,探索不同思維方式的異同點(diǎn)。
01 赫布理論:人腦的學(xué)習(xí)機(jī)制
咱們討論之前,先簡(jiǎn)單學(xué)習(xí)一下赫布理論——無(wú)論是用戶思維、產(chǎn)品思維,還是AI思維,基礎(chǔ)都是赫布理論的學(xué)習(xí)機(jī)制。
赫布理論(Hebbian Theory)是由加拿大心理學(xué)家唐納德·赫布(Donald Hebb)于1949年首次提出的神經(jīng)科學(xué)理論,主要描述了突觸可塑性的基本機(jī)制。
赫布理論表明:人類(lèi)大腦中有多個(gè)神經(jīng)元,當(dāng)一個(gè)神經(jīng)元(前突觸細(xì)胞)持續(xù)或重復(fù)刺激另一個(gè)神經(jīng)元(后突觸細(xì)胞)時(shí),兩個(gè)神經(jīng)元之間的傳遞效能增加,形成一個(gè)細(xì)胞回路,大腦就會(huì)記住這兩個(gè)事物之間的聯(lián)系。
比如當(dāng)你聽(tīng)見(jiàn)《婚禮進(jìn)行曲》時(shí),你就會(huì)想到自己活某個(gè)朋友的婚禮;
當(dāng)你聽(tīng)見(jiàn)“可樂(lè)”時(shí),你就會(huì)想到“可口可樂(lè)”;
當(dāng)你看到一個(gè)理論時(shí)(比如赫布理論/牛頓力學(xué)等),你就會(huì)想起它背后所表達(dá)的意思以及理論提出者(前提是你經(jīng)過(guò)持續(xù)或重復(fù)的相關(guān)刺激)。
這種機(jī)制就是“赫布學(xué)習(xí)”機(jī)制,它是人腦的學(xué)習(xí)機(jī)制,也是現(xiàn)在AI領(lǐng)域的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制。
用戶思維 VS 產(chǎn)品思維 VS AI思維
用戶思維是以問(wèn)題為核心的思考方式,它是一種感性思維。
人們是從經(jīng)驗(yàn)中受到刺激時(shí),人腦就會(huì)像赫布理論一樣,學(xué)習(xí)到相關(guān)事物之間的聯(lián)系,形成自己的認(rèn)知或偏好——甚至是規(guī)律(如果它足夠正確且通用的話)。
經(jīng)驗(yàn)會(huì)改變?nèi)四X的回路,當(dāng)下次遇到新問(wèn)題時(shí),人們就通過(guò)所形成的認(rèn)知/偏好等,快速分類(lèi)問(wèn)題,甚至做出判斷。
比如每當(dāng)電梯即將關(guān)門(mén)時(shí),習(xí)慣了國(guó)內(nèi)的電梯設(shè)計(jì),你會(huì)下意識(shí)伸手或腿阻攔,它會(huì)立即關(guān)門(mén),但如果出國(guó)后,某些電梯設(shè)計(jì)時(shí)不遵循此規(guī)則,可能就會(huì)將你夾傷。
或者,你習(xí)慣了A系統(tǒng)的使用,它可以記憶你每次的導(dǎo)出模版,而換到B系統(tǒng)后,導(dǎo)出無(wú)記憶,需要你每次都自行選擇模板,你就會(huì)非常惱火。
這就是用戶思維的特點(diǎn)——以問(wèn)題為原點(diǎn),結(jié)合經(jīng)驗(yàn)所形成的認(rèn)知或偏好后,遇到新問(wèn)題時(shí)會(huì)以此進(jìn)行判斷與決策。
我們?cè)賮?lái)看產(chǎn)品思維。
產(chǎn)品思維是以實(shí)現(xiàn)為核心的思考方式,它是一種(相對(duì))理性思維。它是以消除信息不對(duì)稱問(wèn)題,提升信息傳遞效率為目標(biāo)進(jìn)行產(chǎn)品設(shè)計(jì)。
比如QQ/微信提升信息傳遞效率,解決遠(yuǎn)距離實(shí)時(shí)交流溝通的問(wèn)題;淘寶/京東等提升商品信息的傳遞效率,打通商品流轉(zhuǎn)的所有中間環(huán)節(jié),降低雙方的成本等。
但它的基礎(chǔ)也是赫布學(xué)習(xí)理論,與用戶思維的差異點(diǎn)是它在保留認(rèn)知/偏好的基礎(chǔ)之上,提升至方法論的程度,確保它更具有通用性。
比如用戶跟你提需求說(shuō):“你們系統(tǒng)都是月度報(bào)表,而沒(méi)有周報(bào)以及每日工時(shí)情況,這個(gè)需求提了很久,你們什么時(shí)候做?”
你會(huì)基于方法論——需求是1,方案是0——先弄清楚用戶的需求背景與訴求,再思考解決方案;
你也會(huì)基于經(jīng)驗(yàn)——用戶提的是解決方案,而不是需求。它的需求是否可規(guī)則化或系統(tǒng)化——比如如何劃分每周,每日工時(shí)是否有計(jì)算公式?
當(dāng)了解清楚需求與規(guī)則后,你還需要考慮投入產(chǎn)出比與優(yōu)先級(jí),最終進(jìn)行決策。
它跟用戶思維的最大差異就出來(lái)了——用戶思維是問(wèn)題思維(即它是問(wèn)題,且符合認(rèn)知/偏好,就需要解決);產(chǎn)品思維是實(shí)現(xiàn)思維(即需求合理,可規(guī)則化,優(yōu)先級(jí)高,投入產(chǎn)出合理。當(dāng)問(wèn)題一一符合時(shí),才需要解決)。
最后,我們來(lái)看AI思維。
用戶思維與產(chǎn)品思維的起點(diǎn),都是基于過(guò)往經(jīng)驗(yàn),通過(guò)所經(jīng)歷的事情形成事物之間的關(guān)聯(lián)關(guān)系。
但有人估計(jì)過(guò),人腦通過(guò)神經(jīng)元來(lái)激活閱讀理解的信息速度是每天1MB左右,而產(chǎn)生的信息速度卻是每天2.5EB。換句話說(shuō),每天所產(chǎn)生的信息是你大腦所能處理信息的的2500億倍。
當(dāng)你看到這個(gè)數(shù)據(jù)差之后,可能就理解了人腦的局限,而這種局限性卻是AI的能力所在。
AI思維是以數(shù)據(jù)為核心,以提升生產(chǎn)力為目標(biāo)進(jìn)行產(chǎn)品設(shè)計(jì)。
它是一種(絕對(duì))理性思維——它甚至不關(guān)心事物的因果關(guān)系,而更在意的是關(guān)聯(lián)關(guān)系。
比如淘寶、京東等電商平臺(tái)的首頁(yè)推薦產(chǎn)品,早先是由專(zhuān)業(yè)的運(yùn)營(yíng)人員,決策哪些選品或活動(dòng)更能受到用戶的喜愛(ài),隨著用戶規(guī)模的激增以及用戶的多樣化后,再專(zhuān)業(yè)的運(yùn)營(yíng)人員,也無(wú)法精準(zhǔn)預(yù)測(cè)每個(gè)用戶的喜好——產(chǎn)品思維失效,而AI思維開(kāi)始發(fā)揮價(jià)值。
因?yàn)楫a(chǎn)品思維是基于方法論判斷一個(gè)(或多個(gè))需求的合理性,卻無(wú)法判斷海量用戶的需求差異和合理性,以及可能陷入盲目跟進(jìn)競(jìng)品的羊群效應(yīng)之中——羊群中一旦有一只羊先行,其他羊就會(huì)不假思索地跟進(jìn)。
比如送外賣(mài),如果僅考慮一個(gè)外賣(mài)員配送指定數(shù)量的外賣(mài)(如5份),則外賣(mài)員自己就可以有效設(shè)計(jì)最佳路徑,而如果要考慮成千上萬(wàn)的外賣(mài)員以及數(shù)以百億份的外賣(mài),則非人力范圍所在(不管是外賣(mài)員,或“專(zhuān)業(yè)”的產(chǎn)品經(jīng)理)。
同時(shí),從工作內(nèi)容看,互聯(lián)網(wǎng)產(chǎn)品經(jīng)理的屬于可視化工作(面向具體用戶和需求進(jìn)行頁(yè)面化產(chǎn)品設(shè)計(jì),解決信息效率問(wèn)題),而AI產(chǎn)品經(jīng)理屬于不可視化的工作(面向無(wú)數(shù)看不見(jiàn)的用戶進(jìn)行數(shù)據(jù)化處理與決策,解決生產(chǎn)力問(wèn)題)。
比如ChatGPT/DeepSeek等產(chǎn)品,如果以互聯(lián)網(wǎng)產(chǎn)品視角看,它們非常簡(jiǎn)單,可看見(jiàn)的就是一個(gè)輸入框和聊天界面,而從AI產(chǎn)品視角看,它們所依賴的海量的數(shù)據(jù)的采集、預(yù)訓(xùn)練、微調(diào)等,通過(guò)模型化的方式,實(shí)現(xiàn)了通用化AI產(chǎn)品的建設(shè),過(guò)程中的大量工作都屬于“不可見(jiàn)”工作。
02 AI思維的四大要素
用戶思維的四大要素是:?jiǎn)栴}、效用、成本、收益;
產(chǎn)品思維的四大要素是:用戶、需求、解決方案、價(jià)值;
AI思維的四大要素是:大數(shù)據(jù)、模型、算力、業(yè)務(wù)模式。
第一要素是大數(shù)據(jù)。AI思維是從數(shù)據(jù)出發(fā),通過(guò)數(shù)據(jù)采集、清洗、分類(lèi)、回歸、聚類(lèi)等方式,對(duì)現(xiàn)有海量數(shù)據(jù)進(jìn)行分析和判斷,學(xué)習(xí)內(nèi)在規(guī)律后,對(duì)新數(shù)據(jù)/新問(wèn)進(jìn)行預(yù)測(cè)。
它與產(chǎn)品思維是從用戶出發(fā),已經(jīng)發(fā)生了本質(zhì)的不同,導(dǎo)致如果想轉(zhuǎn)型AI產(chǎn)品經(jīng)理,必須從用戶思維轉(zhuǎn)向數(shù)據(jù)思維,從可視化界面轉(zhuǎn)為“不可見(jiàn)”的數(shù)據(jù),從以一個(gè)具象的用戶轉(zhuǎn)向不具象的數(shù)據(jù)。
第二要素是模型。人腦是由大腦的神經(jīng)元之間的重復(fù)連接,產(chǎn)生事物之間的聯(lián)系,從而做出決策,而AI的本質(zhì),也是對(duì)大腦的“模仿”和超越。
人腦的決策模型是神經(jīng)網(wǎng)絡(luò),而AI決策是以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型。
以深度學(xué)習(xí)為例。它的基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò),而關(guān)鍵的模型是卷積神經(jīng)網(wǎng)絡(luò)(即CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(即RNN)。
卷積神經(jīng)網(wǎng)絡(luò)是在感知機(jī)三層結(jié)構(gòu)(即輸入層、隱藏層、輸出層)的基礎(chǔ)上,增加了多個(gè)層級(jí)(即輸入層、卷積層、池化層、全連接層),讓每個(gè)神經(jīng)元分別負(fù)責(zé)不同的任務(wù),最終可實(shí)現(xiàn)單一事務(wù)的識(shí)別(比如圖像識(shí)別、物體識(shí)別等)。
比如輸入層是對(duì)圖像進(jìn)行預(yù)處理,降低圖像識(shí)別的維度,卷積層的神經(jīng)元是負(fù)責(zé)提取圖像中的某個(gè)局部的關(guān)鍵特征點(diǎn)(比如提取小貓的頭部、身體等),池化層是對(duì)圖像進(jìn)行壓縮降維,減少計(jì)算量,全連接層是負(fù)責(zé)將前面所有層的數(shù)據(jù),連接組合起來(lái)(比如將小貓頭部、身體、四肢等局部組合起來(lái)),然后識(shí)別出來(lái)物體(比如如它是一只小貓)。
卷積神經(jīng)網(wǎng)絡(luò)識(shí)別的是獨(dú)立的事件(比如它非常適用于圖片識(shí)別),卻不能進(jìn)行連續(xù)性的識(shí)別或預(yù)測(cè)。
比如“今天分享的內(nèi)容比較多,但它們都是關(guān)于()”。
如果要對(duì)這句話進(jìn)行填空,聯(lián)系上下文后,應(yīng)該可以得到答案(即思維方式或AI),但卷積神經(jīng)網(wǎng)絡(luò)做不到,而循環(huán)神經(jīng)網(wǎng)絡(luò)則可以。
循環(huán)神經(jīng)網(wǎng)絡(luò)“只有”三層:輸入層、隱藏層、輸出層,但其隱藏層內(nèi)部是循環(huán)反復(fù)的,它可以接受新輸入信息,同時(shí)自循環(huán)收集上一次的內(nèi)容,它就具備了記憶、連接上下文的能力——特別適用于自然語(yǔ)言翻譯、語(yǔ)音識(shí)別等領(lǐng)域。
第三要素是算力。大數(shù)據(jù)的處理與預(yù)測(cè),可實(shí)現(xiàn)的核心就在于算力。我們常見(jiàn)的算力系統(tǒng)是電腦、手機(jī)、人腦等,它們是可以提供一部分算力,但對(duì)于AI來(lái)說(shuō),遠(yuǎn)遠(yuǎn)不夠。
它需要大規(guī)模的計(jì)算機(jī)集群,將成百上千的算力系統(tǒng)連接起來(lái),形成一個(gè)計(jì)算集群,才可以進(jìn)行大規(guī)模運(yùn)算。比如谷歌實(shí)驗(yàn)室的谷歌大腦就是將16000臺(tái)計(jì)算器連接在一起,才能實(shí)現(xiàn)強(qiáng)大的自主學(xué)習(xí)。
當(dāng)然,除了計(jì)算器集群外,算力本身還需要GPU架構(gòu),它可以更好的實(shí)現(xiàn)深度學(xué)習(xí)模型的運(yùn)算,這也是英偉達(dá)成為AI時(shí)代的“最佳送水人”的原因所在。
第四要素是業(yè)務(wù)模式。無(wú)論是產(chǎn)品思維,還是AI思維,最終都要落地在一個(gè)場(chǎng)景上,這也是互聯(lián)網(wǎng)產(chǎn)品經(jīng)理與AI產(chǎn)品經(jīng)理最大的相似之處。
比如金融領(lǐng)域,之前的放貸模式是依賴人工進(jìn)行借貸人得征信調(diào)查工作,如果良好則發(fā)放;否則就不發(fā)放。這種模式的效率低下,成本高,無(wú)法規(guī)?;@就是AI的最佳落地應(yīng)用場(chǎng)景之一。
再比如教育行業(yè)。從早期的拍照搜題+雙師大班網(wǎng)課,到現(xiàn)在的人工智能學(xué)習(xí)機(jī)、人工智能教輔等的落地應(yīng)用,都是在AI的加持下,用更高效、更低成本的方式,重新完成了對(duì)場(chǎng)景的重構(gòu)。
特別申明
作為一名學(xué)習(xí)者,本文學(xué)習(xí)和“借用”了最近讀到的一些前輩的書(shū)籍里的部分案例與內(nèi)容(尤其是丁磊老師所著的《AI思維:從數(shù)據(jù)中創(chuàng)造價(jià)值的煉金術(shù)》)。
如果你想原汁原味的學(xué)習(xí),建議直接閱讀對(duì)應(yīng)書(shū)籍;
如果分享內(nèi)容有侵權(quán)或不妥之處,請(qǐng)聯(lián)系我立即刪除,感謝~
專(zhuān)欄作家
邢小作,微信公眾號(hào):產(chǎn)品方法論集散地,人人都是產(chǎn)品經(jīng)理專(zhuān)欄作家。一枚在線教育的產(chǎn)品,關(guān)注互聯(lián)網(wǎng)教育,喜歡研究用戶心理。
本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載。
題圖來(lái)自 Unsplash,基于CC0協(xié)議
該文觀點(diǎn)僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。
- 目前還沒(méi)評(píng)論,等你發(fā)揮!