跟硅谷谷歌的產(chǎn)品經(jīng)理觀察到一個(gè)同國(guó)內(nèi)一樣熱門(mén)的問(wèn)題，產(chǎn)品經(jīng)理和AI產(chǎn)品經(jīng)理要不要懂技術(shù)&算法呢？本文先講硅谷產(chǎn)品經(jīng)理對(duì)產(chǎn)品經(jīng)理是否需要懂技術(shù)的觀點(diǎn)，然后結(jié)合筆者對(duì)AI產(chǎn)品經(jīng)理是否需要懂技術(shù)&算法講一些實(shí)操觀點(diǎn)。

一、硅谷產(chǎn)品經(jīng)理需不需要懂技術(shù)？

在硅谷產(chǎn)品經(jīng)理被全球最牛孵化器YC稱(chēng)為具有Talents的人。那么在硅谷做產(chǎn)品經(jīng)理是不是要技術(shù)背景出身？在硅谷谷歌做產(chǎn)品的朋友給的答案：即是也不是！

這位朋友說(shuō)他自己的背景是有工程技術(shù)背景，本科學(xué)的是計(jì)算機(jī)專(zhuān)業(yè)，去應(yīng)聘google的產(chǎn)品經(jīng)理也的確是看到他有技術(shù)的背景！

不過(guò)他說(shuō)他本人的技術(shù)水平比較弱，讀書(shū)的時(shí)候在技術(shù)方面也不是一個(gè)好學(xué)生，這點(diǎn)技術(shù)如果去面google的產(chǎn)品經(jīng)理可能還勉勉強(qiáng)強(qiáng)夠，如果去面試google的工程師指定是進(jìn)不去的。

綜合下來(lái)在硅谷做產(chǎn)品經(jīng)理要不要技術(shù)背景這個(gè)問(wèn)題為什么說(shuō)即是也不是呢？

其實(shí)在硅谷要技術(shù)背景產(chǎn)品經(jīng)理的公司還是少數(shù)。

一般兩種情況比較需要技術(shù)背景：

• 第一種情況是這個(gè)公司有工程師文化傳統(tǒng)，比如說(shuō)google為例，因?yàn)間oogle的創(chuàng)始人是斯坦福大學(xué)計(jì)算機(jī)系的博士生，所以整個(gè)公司從上到下都充滿了工程師的文化。So 谷歌要求產(chǎn)品經(jīng)理一定要有技術(shù)背景。
• 另外一種情況要求產(chǎn)品經(jīng)理有技術(shù)背景，是它的產(chǎn)品非常非常的技術(shù)性。例如：亞馬遜的產(chǎn)品經(jīng)理有兩類(lèi)，一類(lèi)是不需要技術(shù)背景，還有一類(lèi)需要專(zhuān)門(mén)做技術(shù)類(lèi)產(chǎn)品的是要求技術(shù)背景，亞馬遜管后者叫PMT（Product Manager Technical）。另外非常技術(shù)型的公司，例如自動(dòng)駕駛汽車(chē)的產(chǎn)品經(jīng)理，許多都是要求有技術(shù)背景。一般是Case By Case，要看具體情況而定。

總而言硅谷要求產(chǎn)品經(jīng)理有技術(shù)背景公司分兩類(lèi)，一類(lèi)是公司文化有工程師的傳統(tǒng)，第二是公司的產(chǎn)品非常技術(shù)。

不過(guò)大部分的公司對(duì)產(chǎn)品經(jīng)理的技術(shù)水平?jīng)]有硬性要求。例如商務(wù)類(lèi)公司，Paypal的產(chǎn)品經(jīng)理、亞馬遜里面做商務(wù)方面的產(chǎn)品經(jīng)理也不需要有技術(shù)背景、社交類(lèi)產(chǎn)品例如Facebook、linkin等這些都不要求有技術(shù)背景。

二、AI產(chǎn)品經(jīng)理需不需要懂技術(shù)&算法？

1.?什么是AI產(chǎn)品經(jīng)理

筆者將AI產(chǎn)品經(jīng)理定義為運(yùn)用大于等于技術(shù)成熟度曲線的AI技術(shù)進(jìn)行商業(yè)化應(yīng)用的人。

AI產(chǎn)品經(jīng)理也是產(chǎn)品經(jīng)理但是?高于產(chǎn)品經(jīng)理。應(yīng)用于上面硅谷環(huán)境的產(chǎn)品經(jīng)理不一定適合?AI產(chǎn)品經(jīng)理，因?yàn)锳I產(chǎn)品經(jīng)理回的內(nèi)容更加交叉綜合，也是源于AI技術(shù)本身是個(gè)交叉綜合技術(shù)，AI技術(shù)可以包含傳統(tǒng)技術(shù)，但是更多的是如下圖中所示AI技術(shù)：

以上圖為例：

當(dāng)AI技術(shù)處于ML階段的時(shí)候，AI產(chǎn)品經(jīng)理要懂的機(jī)器學(xué)習(xí)（ML）是AI的一個(gè)分支。AI的歷史有著一條從以“推理”為重點(diǎn)，到以“知識(shí)”為重點(diǎn)，再到以“學(xué)習(xí)”為重點(diǎn)的自然、清晰的脈絡(luò)。顯然，ML是實(shí)現(xiàn)AI的一個(gè)途徑，即以ML為手段解決AI中的問(wèn)題。

ML在近30多年已發(fā)展為一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、計(jì)算復(fù)雜性理論等多門(mén)學(xué)科。ML理論主要是設(shè)計(jì)和分析一些讓計(jì)算機(jī)可以自動(dòng)“學(xué)習(xí)”的算法。

ML算法是一類(lèi)從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法。因?yàn)閷W(xué)習(xí)算法中涉及了大量的統(tǒng)計(jì)學(xué)理論，ML與推斷統(tǒng)計(jì)學(xué)聯(lián)系尤為密切，也被稱(chēng)為統(tǒng)計(jì)學(xué)習(xí)理論。算法設(shè)計(jì)方面，ML理論關(guān)注可以實(shí)現(xiàn)的，行之有效的學(xué)習(xí)算法。很多推論問(wèn)題屬于無(wú)程序可循難度，所以部分的ML研究是開(kāi)發(fā)容易處理的近似算法。

2.?AI產(chǎn)品經(jīng)理需懂的ML算法

第一類(lèi)是構(gòu)造間隔理論分布：聚類(lèi)分析和模式識(shí)別

• 人工神經(jīng)網(wǎng)絡(luò)
• 決策樹(shù)
• 感知器
• 支持向量機(jī)
• 集成學(xué)習(xí)AdaBoost
• 降維與度量學(xué)習(xí)
• 聚類(lèi)
• 貝葉斯分類(lèi)器

第二類(lèi)是構(gòu)造條件概率：回歸分析和統(tǒng)計(jì)分類(lèi)

• 高斯過(guò)程回歸
• 線性判別分析
• 最近鄰居法
• 徑向基函數(shù)核

第三類(lèi)是通過(guò)再生模型構(gòu)造概率密度函數(shù)

• 最大期望算法
• 概率圖模型：包括貝葉斯網(wǎng)和Markov隨機(jī)場(chǎng)
• Generative Topographic Mapping

第四類(lèi)是近似推斷技術(shù)

• 馬爾可夫鏈
• 蒙特卡羅方法
• 變分法

第五類(lèi)是最優(yōu)化：大多數(shù)以上方法，直接或者間接使用最優(yōu)化算法。

3.?AI產(chǎn)品經(jīng)理需要懂算法的程度舉例

以監(jiān)督式支持向量機(jī)SVM為例，AI產(chǎn)品經(jīng)理懂的SVM內(nèi)容建議如下：

首先：明白SVM模型成熟的用途。

例如：

• 其一用于文本和超文本的分類(lèi)，在歸納和直推方法中都可以顯著減少所需要的有類(lèi)標(biāo)的樣本數(shù)。
• 其二用于圖像分類(lèi)。支持向量機(jī)能夠獲取明顯更高的搜索準(zhǔn)確度。
• 其三用于手寫(xiě)字體識(shí)別。
• 其四用于醫(yī)學(xué)中分類(lèi)蛋白質(zhì)，超過(guò)90%的化合物能夠被正確分類(lèi)。
• 其它則靠AI產(chǎn)品經(jīng)理配合SVM算法模型專(zhuān)家共同探討研究。

其次：知曉SVM的定義及核函數(shù)表達(dá)式

支持向量機(jī)在高維或無(wú)限維空間中構(gòu)造超平面或超平面集合，其可以用于分類(lèi)、回歸或其他任務(wù)。直觀來(lái)說(shuō)，分類(lèi)邊界距離最近的訓(xùn)練數(shù)據(jù)點(diǎn)越遠(yuǎn)越好，因?yàn)檫@樣可以縮小分類(lèi)器的泛化誤差。

SVM的原始問(wèn)題是在有限維空間中陳述的，但用于區(qū)分的集合在該空間中往往線性不可分。為此，有人提出將原有限維空間映射到維數(shù)高得多的空間中，在該空間中進(jìn)行分離可能會(huì)更容易。為了保持計(jì)算負(fù)荷合理，人們選擇適合該問(wèn)題的核函數(shù) k(x,y) 來(lái)定義SVM方案使用的映射，以確保用原始空間中的變量可以很容易計(jì)算點(diǎn)積。高維空間中的超平面定義為與該空間中的某向量的點(diǎn)積是常數(shù)的點(diǎn)的集合。

定義超平面的向量可以選擇在數(shù)據(jù)基中出現(xiàn)的特征向量Xi的圖像的參數(shù)ai的線性組合。通過(guò)選擇超平面，被映射到超平面上的特征空間中的點(diǎn)集 x 由以下關(guān)系定義：

如果隨著 y 逐漸遠(yuǎn)離 x，k（x,y） 變小，則求和中的每一項(xiàng)都是在衡量測(cè)試點(diǎn) x 與對(duì)應(yīng)的數(shù)據(jù)基點(diǎn) Xi的接近程度。這樣，上述內(nèi)核的總和可以用于衡量每個(gè)測(cè)試點(diǎn)相對(duì)于待分離的集合中的數(shù)據(jù)點(diǎn)的相對(duì)接近度。

第三、至于線性SVM的間隔計(jì)算可以由SVM模型算法工程專(zhuān)家來(lái)操作。AI產(chǎn)品經(jīng)理明確SVM的用途、定義、和在遇到問(wèn)題的時(shí)候知道這個(gè)問(wèn)題是由SVM引起的或者可以找SVM專(zhuān)家協(xié)作解決即可。

4.?AI產(chǎn)品經(jīng)理核心能力和時(shí)間在哪？

在ML這里AI產(chǎn)品經(jīng)理核心精力是明確將ML廣泛應(yīng)用于數(shù)據(jù)挖掘、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、生物特征識(shí)別、搜索引擎、醫(yī)學(xué)診斷、檢測(cè)信用卡欺詐、證券市場(chǎng)分析、DNA序列測(cè)序、語(yǔ)音和手寫(xiě)識(shí)別、戰(zhàn)略游戲和機(jī)器人等領(lǐng)域。

三、技多不壓身

AI產(chǎn)品經(jīng)理除了懂AI的分支ML外還要怎么做？

從第二段AI懂ML的例子，我們可以看到AI產(chǎn)品經(jīng)理如果懂了AI的知識(shí)和具有AI產(chǎn)品的能力，是能夠輕松加油一般產(chǎn)品經(jīng)理的崗位的技術(shù)需求的。

另外AI產(chǎn)品經(jīng)理在AI領(lǐng)域只懂ML還是不夠的，還要懂的內(nèi)容比較多，筆者在這里因?yàn)槠蛳炔恢v述了日后再開(kāi)篇或者閱讀書(shū)籍《AI賦能：AI重新定義產(chǎn)品經(jīng)理》，《AI+時(shí)代產(chǎn)品經(jīng)理的思維方法》兩部書(shū)籍。

最后?

實(shí)際上無(wú)論是硅谷那邊朋友在谷歌做產(chǎn)品經(jīng)理的經(jīng)歷，還是筆者本人的實(shí)戰(zhàn)經(jīng)歷取得經(jīng)驗(yàn)如下：

• 一般來(lái)說(shuō)公司不強(qiáng)制產(chǎn)品經(jīng)理懂技術(shù)，但是懂技術(shù)更容易與工程師溝通，也更早的能判斷出產(chǎn)品是否能夠做出來(lái)。
• 不論做哪種類(lèi)型的產(chǎn)品經(jīng)理，懂點(diǎn)AI技術(shù)了解AI產(chǎn)品經(jīng)理的知識(shí)范圍和提早觀察別人做AI產(chǎn)品的流程是技多不壓身，同時(shí)也是下一個(gè)階段5G到來(lái)之前產(chǎn)品經(jīng)理必須面對(duì)的問(wèn)題，早做AI產(chǎn)品經(jīng)理知識(shí)準(zhǔn)備刻不容緩。
• AI是交叉綜合學(xué)科，AI產(chǎn)品經(jīng)理理應(yīng)是更具有交叉綜合知識(shí)的人，在面對(duì)普通互聯(lián)網(wǎng)以人為紅利流量的時(shí)代終結(jié)，我們要做好產(chǎn)品經(jīng)理建議學(xué)會(huì)學(xué)習(xí)與轉(zhuǎn)換非常重要?，因?yàn)槟忝鎸?duì)的是奇快無(wú)比5G技術(shù)和數(shù)據(jù)積累。目測(cè)AI是最最有效的解決方案。
• 雖然AI技術(shù)從上文可見(jiàn)僅僅一個(gè)SVM線性核函數(shù)就夠我們理解良久，但是如何學(xué)習(xí)AI產(chǎn)品經(jīng)理，筆者有踩過(guò)許多坑的實(shí)例經(jīng)驗(yàn)。特別推薦閱讀筆者連詩(shī)路的兩部書(shū)《AI賦能：AI重新定義產(chǎn)品經(jīng)理》，《AI+時(shí)代產(chǎn)品經(jīng)理的思維方法》。同時(shí)推薦AI產(chǎn)品經(jīng)理入門(mén)課程http://996.pm/MeANw
• 高維打低維，高頻能夠帶動(dòng)低頻，即你會(huì)了較高緯度的AI知識(shí)和能力后再做普通產(chǎn)品經(jīng)理低緯知識(shí)密度的產(chǎn)品就更加容易。

如果你想系統(tǒng)化入門(mén)AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab

#專(zhuān)欄作家#

連詩(shī)路，公眾號(hào)：LineLian。人人都是產(chǎn)品經(jīng)理專(zhuān)欄作家，《產(chǎn)品進(jìn)化論：AI+時(shí)代產(chǎn)品經(jīng)理的思維方法》一書(shū)作者，前阿里產(chǎn)品專(zhuān)家，希望與創(chuàng)業(yè)者多多交流。

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