隨著科技的快速發(fā)展，近幾年人工智能（AI，Artificial Intelligence）掀起了一陣陣新浪潮。人類從未停止過對人工智能的預(yù)想，從1950年圖靈發(fā)表論文預(yù)言創(chuàng)造智能機器人的可能性開始，人類就在人工智能的道路上越走越遠(yuǎn)。隨著計算機性能的提升，人工智能技術(shù)將會廣泛運用于各行各業(yè)，人工智能產(chǎn)品終將會由各種預(yù)想慢慢變成現(xiàn)實。

我們逐步經(jīng)歷了PC互聯(lián)網(wǎng)時代、移動互聯(lián)網(wǎng)時代，人工智能時代。傳統(tǒng)互聯(lián)網(wǎng)對人類的主要貢獻(xiàn)是通過優(yōu)化和創(chuàng)造信息存儲和傳遞的方式重新組合各種生產(chǎn)要素（即重構(gòu)了已有商業(yè)模式），人工智能的主要貢獻(xiàn)是升級生產(chǎn)要素，進(jìn)而推動產(chǎn)業(yè)升級。

來到人工智能時代，傳統(tǒng)互聯(lián)網(wǎng)產(chǎn)品將面臨巨大的挑戰(zhàn)，那么如何提升自己轉(zhuǎn)型成為AI產(chǎn)品經(jīng)理呢？

一、了解AI，尋找切入點

1. AI是什么

AI就是利用技術(shù)對人的能力和意識進(jìn)行模仿和超越。

AI產(chǎn)品經(jīng)理不僅需要像傳統(tǒng)產(chǎn)品經(jīng)理一樣設(shè)計產(chǎn)品交互和邏輯流程，還需要改變傳統(tǒng)產(chǎn)品流程上能用到人工智能技術(shù)的能力范圍，實現(xiàn)讓技術(shù)為產(chǎn)品賦能，為企業(yè)賦能。AI技術(shù)已經(jīng)廣泛運用于多個領(lǐng)域，如自動駕駛、機器人、電商、語音與圖像識別、人機交互、智能控制、醫(yī)療診斷等。

人工智能產(chǎn)品沒有固定的形態(tài)，只是一種將傳統(tǒng)產(chǎn)品和服務(wù)賦能的一種手段，有了人工智能技術(shù)，將會使產(chǎn)品邏輯化繁為簡，降低用戶學(xué)習(xí)成本，提升產(chǎn)業(yè)的商業(yè)價值。

無人駕駛汽車通過運用傳感器、高精度地圖、高級輔助駕駛系統(tǒng)和車聯(lián)網(wǎng)等關(guān)鍵技術(shù)實現(xiàn)無人駕駛，與傳統(tǒng)汽車相比，用戶不再需要全程關(guān)注路面情況手動駕駛而是僅僅需要輸入目的地即可。

語音交互產(chǎn)品與傳統(tǒng)的鼠標(biāo)、鍵盤、觸摸屏等交互方式不同，用戶通過與產(chǎn)品進(jìn)行語音對話即可完成喚醒、查詢、訂購等一系列復(fù)雜的人機語音交互操作。

人臉識別身份驗證與傳統(tǒng)登錄需要輸入賬號、密碼、驗證碼不同，它只需要用戶在攝像頭前露個臉即可實現(xiàn)快速登錄。

2. AI的三要素有哪些

人工智能在圖像識別、語音識別、自然語言處理、信息檢索、機器翻譯、社交網(wǎng)絡(luò)過濾、精準(zhǔn)推薦、智能醫(yī)療等方便的廣泛應(yīng)用離不開深度學(xué)習(xí)。

深度學(xué)習(xí)在每個應(yīng)用場景中的落地離不開“算法”“算力”“數(shù)據(jù)”三要素：

1）AI第一個核心要素：算力

算力就是支撐需求實現(xiàn)的系統(tǒng)架構(gòu)支撐，可以簡單理解為計算能力。評估某個需求的算力需要著重從硬軟件多方面去衡量。算力不是瓶頸，因為現(xiàn)在有云計算，但是有成本的考慮因素在里面，算力的成本在整個AI模型中占到了10-20%。

2）AI第二個核心要素：算法

AI常用的算法有：自然語言生成算法（NLG）、語音識別算法、虛擬現(xiàn)實算法、決策管理技術(shù)、深度學(xué)習(xí)、生物特征識別技術(shù)、識別圖譜、機器學(xué)習(xí)……

雖然算法在AI行業(yè)里大部分是開源的，想拿到什么樣的資源都可以拿到，深度學(xué)習(xí)、多層次神經(jīng)網(wǎng)絡(luò)算法目前也都已經(jīng)比較成熟，但是AI產(chǎn)品經(jīng)理在做產(chǎn)品設(shè)計時，還需要結(jié)合公司算法研發(fā)能力避免提出過于超前和落后的產(chǎn)品功能。

3）AI第三個核心要素：數(shù)據(jù)

在機器學(xué)習(xí)領(lǐng)域，好的數(shù)據(jù)通常比算法更重要，有些時候沒有數(shù)據(jù)的話，AI模型是不可能成熟落地的。更有算法工程師揚言“數(shù)據(jù)秒殺一切算法”。既然數(shù)據(jù)如此重要，產(chǎn)品經(jīng)理在設(shè)計之初就得考慮數(shù)據(jù)從哪來、數(shù)量質(zhì)量怎么保證、數(shù)據(jù)治理的工作怎么開展等問題。

3. 尋找適合自己的切入點

應(yīng)用AI的公司主要有三類：純AI公司、AI+公司、+AI公司

1）純AI公司

純AI公司是做AI的基礎(chǔ)層，主要做芯片、云計算、框架等方向。

這類公司從人工智能的底層平臺需求出發(fā)，構(gòu)建完整的從人工智能計算平臺的硬件單元研發(fā)、數(shù)據(jù)治理、AI建模再到平臺部署的人工智能的“基礎(chǔ)設(shè)施”。這類公司布局一些PaaS形態(tài)的基礎(chǔ)計算平臺和算法平臺供其他公司直接調(diào)用，減少其他公司的人工智能研發(fā)成本和周期。

2）AI+公司

AI+公司是做AI的技術(shù)層，主要研究通用技術(shù)，如圖像識別、語音識別、文本識別等。

3）+AI公司

+AI公司是做“場景行業(yè)+AI”，如智能醫(yī)療、智能安防等。

傳統(tǒng)產(chǎn)品經(jīng)理需要根據(jù)自己擅長的領(lǐng)域和興趣去有針對性的強化學(xué)習(xí)，將自己擅長的點發(fā)揮到最大。

如果你擅長場景，那么你著重學(xué)習(xí)一下算法方面，你在應(yīng)用層+AI企業(yè)中，將自己負(fù)責(zé)的產(chǎn)品賦能上人工智能將實現(xiàn)更大的價值。

如果你是技術(shù)出生，機器算法、機器視覺等都懂，則適合去技術(shù)層公司或基礎(chǔ)層公司發(fā)展自己的才能。

除上所述，還有像BAT這些公司，在基礎(chǔ)層、技術(shù)層、應(yīng)用層都有企業(yè)布局。

二、轉(zhuǎn)變思維模式

傳統(tǒng)產(chǎn)品經(jīng)理的工作協(xié)同方式是優(yōu)化和創(chuàng)造信息存儲和傳遞的方式重新組合各種生產(chǎn)要素。

比如：滴滴打車，傳統(tǒng)思維模式是將古老的路邊招手即停的打車方式合理的規(guī)劃讓信息準(zhǔn)確傳遞，使用戶和司機雙方都能進(jìn)行信息互通，司機可以接自己想接的單子，乘客可以選擇自己要打的車型。

人工智能產(chǎn)品經(jīng)理的工作協(xié)同方式是在傳統(tǒng)產(chǎn)品經(jīng)理的基礎(chǔ)上實現(xiàn)變革與創(chuàng)新，升級各種生產(chǎn)要素，而不僅僅是生產(chǎn)要素之間重新組合。比如：無人駕駛，不管是半智能、條件智能、高度智能、完全智能，均改變了“司機”這一生產(chǎn)要素，讓必須“人類駕駛員全程監(jiān)控行駛環(huán)境”升級為“汽車自動智能監(jiān)控駕駛環(huán)境”。

故要想成為人工智能產(chǎn)品經(jīng)理并在產(chǎn)品管理工作中變得優(yōu)秀，就應(yīng)該改變自己的思維模式。

傳統(tǒng)產(chǎn)品經(jīng)理會將很大一部分經(jīng)歷分配到功能邏輯、流程推敲、頁面設(shè)計等等事情上，而人工智能產(chǎn)品經(jīng)理不僅要懂得傳統(tǒng)產(chǎn)品經(jīng)理的功能梳理和交互設(shè)計，更需要懂得硬件運算架構(gòu)、算法模型、數(shù)據(jù)分析、有效訓(xùn)練數(shù)據(jù)等綜合能力。

所以，人工智能產(chǎn)品經(jīng)理應(yīng)該具備系統(tǒng)性思維，把問題放在整個系統(tǒng)中綜合分析，權(quán)衡利弊，得到最佳解決方案。

1. 資源管理思維

產(chǎn)品經(jīng)理的工作離不開資源管理，但人工智能產(chǎn)品經(jīng)理管理的資源將在傳統(tǒng)產(chǎn)品經(jīng)理的基礎(chǔ)上進(jìn)行升級。人工智能產(chǎn)品經(jīng)理不僅要關(guān)注開發(fā)人員、時間、成本，還要應(yīng)該關(guān)注算法、數(shù)據(jù)資源、硬件資源。確保資源的投入產(chǎn)出比最優(yōu)。

算法：人工智能產(chǎn)品需要進(jìn)行算法模型的訓(xùn)練和調(diào)優(yōu)時，可能出現(xiàn)預(yù)先設(shè)計好的硬件架構(gòu)無法滿足算法需求的情況。所以，產(chǎn)品經(jīng)理需要大致了解算法，學(xué)會預(yù)估和評測，并且理解開發(fā)人員對項目所要求功能的技術(shù)復(fù)雜性，而不需開發(fā)部門投入人力物力與最終的結(jié)果產(chǎn)出不匹配。

數(shù)據(jù)資源：數(shù)據(jù)資源包括訓(xùn)練集、研發(fā)集、測試集等，優(yōu)質(zhì)的數(shù)據(jù)資源是當(dāng)前機器學(xué)習(xí)產(chǎn)品中重中之重的一種資源。但是，人工智能產(chǎn)品經(jīng)理也不用改用追求完美的數(shù)據(jù)的眼光去獲取該資源，而應(yīng)該在數(shù)據(jù)獲取成本和訓(xùn)練模型效果之前做相應(yīng)的權(quán)衡最終取得一個最優(yōu)平衡點。

硬件資源：硬件資源包括計算機芯片、存儲和構(gòu)成產(chǎn)品的各種硬件組合。產(chǎn)品經(jīng)理應(yīng)該明白各個硬件、系統(tǒng)集成在人工智能產(chǎn)品上的綜合表現(xiàn)，而不能出現(xiàn)單項突破而其他必須資源跟不上的情況。

2. 解決方案思維

人工智能時代，用戶需要的是一套解決方案，而不是產(chǎn)品本身。產(chǎn)品經(jīng)理是離市場和運營最近的人，也是最能從用戶的角度換位思考的人。所以，產(chǎn)品經(jīng)理應(yīng)該具有解決方案思維，把控需求，讓人工智能產(chǎn)品整體實踐起來更合理最優(yōu)。

3. 目標(biāo)導(dǎo)向思維

人工智能產(chǎn)品經(jīng)理需要培養(yǎng)自己的目標(biāo)導(dǎo)向思維，人工智能產(chǎn)品大多使用到復(fù)雜的算法模型，所以產(chǎn)品對于用戶來說大多屬于“黑盒產(chǎn)品”。

這種產(chǎn)品的如果沒有提前設(shè)置量化的目標(biāo)，然后讓架構(gòu)師按照目標(biāo)去設(shè)計的話，將很難被定義優(yōu)劣。所以，產(chǎn)品經(jīng)理應(yīng)該將目標(biāo)量化并具有目標(biāo)導(dǎo)向的思維，嚴(yán)格把控產(chǎn)品從需求調(diào)研、產(chǎn)品設(shè)計、技術(shù)預(yù)研、產(chǎn)品研發(fā)、測試、上線等全流程。每個流程需要設(shè)定明確的成果物、時間節(jié)點、標(biāo)準(zhǔn)。

除此之外，還應(yīng)該有上帝視角，對公司整理的產(chǎn)品架構(gòu)有清晰的認(rèn)知，讓自己負(fù)責(zé)的產(chǎn)品的目標(biāo)不偏離公司的整體戰(zhàn)略規(guī)劃。

三、了解算法并熟悉算法邊界

1. 人工智能算法中，機器“大腦”的處理過程

人工智能是讓計算機模擬和延伸人的感知（識別）、理解、推理、角色、學(xué)習(xí)、交流、移動和操作物體的能力。

人工智能產(chǎn)品的實現(xiàn)邏輯都遵循由感知到認(rèn)知，由識別到理解、決策的邏輯過程。目前人工智能的研究還處于弱人工智能階段，它僅能通過海量數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，從中識別規(guī)律，當(dāng)新的數(shù)據(jù)輸入時，機器可以根據(jù)訓(xùn)練的結(jié)果將新數(shù)據(jù)按照具體的規(guī)律進(jìn)行分類。

所以，目前人工智能產(chǎn)品還是依賴于機器學(xué)習(xí)，且僅能在某一特定領(lǐng)域的某一特定事務(wù)上實現(xiàn)智能。

2. 機器學(xué)習(xí)的本質(zhì)

機器學(xué)習(xí)就如同模擬人類學(xué)習(xí)一樣，只是人類是通過經(jīng)驗積累，而機器是通過大量數(shù)據(jù)輸入算法模型進(jìn)行學(xué)習(xí)。

機器學(xué)習(xí)階段有：

• 訓(xùn)練機器階段：輸入海量數(shù)據(jù)，讓計算機模型對數(shù)據(jù)進(jìn)行分類，找到規(guī)律。
• 測試階段：和訓(xùn)練機器階段中的同質(zhì)數(shù)據(jù)集，輸入模型，測試每個輸出結(jié)果是否正確。

3. 算法相關(guān)常識

機器學(xué)習(xí)算法按照不同的訓(xùn)練方式可以分為：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)四大類。

按照解決任務(wù)的不同來分類，大約可以分為：二分類算法、多分類算法、回歸算法、聚類算法、異常檢測算法五大類。

• 監(jiān)督學(xué)習(xí)：就像教小孩一樣，預(yù)先訓(xùn)練機器，告訴他這是行人，那是障礙物。通過海量學(xué)習(xí)后，機器就能將新輸入的數(shù)據(jù)分到對應(yīng)的類目中。故監(jiān)督學(xué)習(xí)的訓(xùn)練集中，所有數(shù)據(jù)必須有標(biāo)簽，標(biāo)簽正確率越高數(shù)據(jù)量越大，則訓(xùn)練的效果就越好。
• 半監(jiān)督學(xué)習(xí)：所有數(shù)據(jù)都標(biāo)注的成本比較高，有時候?qū)⒂?xùn)練數(shù)據(jù)中混入一部分沒有標(biāo)簽的數(shù)據(jù)，這種學(xué)習(xí)方式叫半監(jiān)督學(xué)習(xí)。
• 無監(jiān)督學(xué)習(xí)：所有數(shù)據(jù)都沒有標(biāo)簽，這種學(xué)習(xí)沒有人為標(biāo)注，讓機器自行從數(shù)據(jù)中抽取信息，從分布中采樣、去噪、尋找數(shù)據(jù)分布的聚類的學(xué)習(xí)方式叫無監(jiān)督學(xué)習(xí)。
• 強化學(xué)習(xí)：讓機器通過不斷的嘗試，試錯，從中選擇可以得到最大的回報的行動，然后找到規(guī)律達(dá)成目標(biāo)的一種學(xué)習(xí)方法。強化學(xué)習(xí)與無監(jiān)督的學(xué)習(xí)不同在于強化學(xué)習(xí)有反饋，機器根據(jù)反饋不斷嘗試。
• 二分類算法：做很多二分類問題時，讓機器二選一的算法，如好評還是差評，男還是女……
• 多分類算法：當(dāng)問題的答案有多個選項，讓機器做多選一的算法。
• 回歸算法：這類算法一般都是定量輸出或者連續(xù)變量預(yù)測。
• 聚類算法：描述和衡量不同數(shù)據(jù)源間的相似性，并把數(shù)據(jù)源分類到不同類中。
• 異常檢測：對樣本的標(biāo)簽進(jìn)行預(yù)測，將數(shù)據(jù)中存在不正?；蛘叻堑湫偷臄?shù)據(jù)進(jìn)行檢測和標(biāo)注。

四、重視需求，合理規(guī)劃工作流程

1. 熟悉常用技術(shù)邏輯

人工智能產(chǎn)品經(jīng)理應(yīng)該熟悉常用的人工智能技術(shù)邏輯，關(guān)注技術(shù)的趨勢，領(lǐng)先性，主流算法框架。橫向?qū)Ρ雀偁帉κ种g的技術(shù)實現(xiàn)手段和重點產(chǎn)品參數(shù)，從而提煉自身產(chǎn)品優(yōu)勢，揚長避短。

如語音交互技術(shù)：

圖片來自diangon.com

人臉識別技術(shù)：

圖片來自Adaboost

2. 需求分析與產(chǎn)品設(shè)計

當(dāng)前人工智能市場產(chǎn)品中，技術(shù)領(lǐng)先但產(chǎn)品認(rèn)可度較低的情況屢見不鮮，很多用戶對新技術(shù)的采用并沒有強烈的感知，企業(yè)在新技術(shù)的投入與實現(xiàn)的商業(yè)價值不成正比。

造成此類原因為人工智能產(chǎn)品的設(shè)計理念和方式落后于技術(shù)革新，因此人工智能產(chǎn)品需要從以下方面多考慮：

• 產(chǎn)品設(shè)計應(yīng)從需求出發(fā)而不應(yīng)該從技術(shù)出發(fā)。技術(shù)驅(qū)動的產(chǎn)品，容易脫離市場，偏離用戶需求，最終導(dǎo)致用戶不買單。
• 忽略用戶期望，華而不實造成用戶失望，如索尼Xperia Touch，投影鍵盤華而不實。
• 不能在單一方面做的足夠好而忽略了整體流程的體驗，導(dǎo)致整體解決方案無法讓用戶滿意。
• 一味追求底層技術(shù)而忽略了用戶體驗的優(yōu)化。例如視覺體驗差，產(chǎn)品交互不流暢，錯誤率高，隱私保護(hù)不全。

人工智能行業(yè)常用的設(shè)計原則有：

• 少即是多：站在用戶的角度減輕用戶的使用門檻，提升交互效率，讓用戶不動聲響的解決問題而沒有復(fù)雜的功能模塊、交互流程、界面元素、配色字體等。
• 從微觀到宏觀逐步深入：采用循序漸進(jìn)的方式，讓產(chǎn)品功能迭代逐步讓用戶接受。
• 有效整合資源：整合新的資源和技術(shù)，將其融入產(chǎn)品設(shè)計理念中，讓更多的交互方式成為可能，比如語音交互、手勢和表情識別等，挖掘用戶最自然最習(xí)慣的行為方式來設(shè)計人工智能產(chǎn)品。
• 同理心：學(xué)會換位思考，與用戶產(chǎn)生共鳴并感同身受。如設(shè)計老年人產(chǎn)品時，不能讓老年人用這個產(chǎn)品感覺到自己已經(jīng)老了不中用了，產(chǎn)生自卑感從而拋棄購買該人工智能商品。

3. 參與研發(fā)過程

• 參與項目管理：讓架構(gòu)師項目經(jīng)理等人員按照需求目標(biāo)設(shè)計產(chǎn)品架構(gòu)并按時完成子任務(wù)。
• 把控數(shù)據(jù)質(zhì)量：聯(lián)合數(shù)據(jù)分析師，算法工程師一起完成數(shù)據(jù)獲取、清洗、轉(zhuǎn)換、預(yù)處理工作，為模型提供優(yōu)質(zhì)的數(shù)據(jù)。
• 模型訓(xùn)練：緊密配合算法工程師，讓模型出現(xiàn)擬合過的時候有針對性的訓(xùn)練數(shù)據(jù)方面的改良，并隨時對模型效果預(yù)期做合適的調(diào)整。
• 測試調(diào)優(yōu)：產(chǎn)品經(jīng)理需要對技術(shù)邊界和需求量化有比較深的理解，協(xié)助測試團(tuán)隊制定測試標(biāo)準(zhǔn)，讓產(chǎn)品在上線前按照設(shè)定的目標(biāo)進(jìn)行交付。
• 目標(biāo)管控：在實際研發(fā)過程中出現(xiàn)無法達(dá)成目標(biāo)的情況時，需要實時按照實際情況對目標(biāo)進(jìn)行調(diào)優(yōu)，降低產(chǎn)品期望。

4. 持續(xù)的產(chǎn)品運營

產(chǎn)品上線后，產(chǎn)品經(jīng)理應(yīng)當(dāng)協(xié)助運營團(tuán)隊和市場團(tuán)隊對產(chǎn)品做線上的包裝、宣傳，讓產(chǎn)品正常合理的推向市場。

總結(jié)

人工智能產(chǎn)品經(jīng)理的職責(zé)還是和傳統(tǒng)產(chǎn)品經(jīng)理一樣，負(fù)責(zé)產(chǎn)品的始終。但是，人工智能時代技術(shù)的變革導(dǎo)致人工智能產(chǎn)品發(fā)生了顛覆性的變化，產(chǎn)品經(jīng)理不僅懂得傳統(tǒng)產(chǎn)品經(jīng)理相關(guān)知識技能，更應(yīng)該了解具體行業(yè)中人工智能技術(shù)在行業(yè)中的運用，讓人工智能新技術(shù)新算法的作用在自己負(fù)責(zé)的人工智能產(chǎn)品中發(fā)揮最優(yōu)的價值。

所以，產(chǎn)品經(jīng)理需要積極的學(xué)習(xí)AI，建立自己的認(rèn)知體系。讓自己融入時代，不被時代淘汰，并讓自己成為推動時代發(fā)展的巨人。

本文由@九久玖 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)允許，禁止轉(zhuǎn)載。

題圖來自Unsplash, 基于CC0協(xié)議。