人工智能時代,傳統PM如何快速轉型成AI產品經理?

AI時代,如何更快入行搶占紅利得高薪?前阿里巴巴產品專家帶你15天入門AI產品經理。了解一下>

隨著科技的快速發展,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想,從1950年圖靈發表論文預言創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。隨著計算機性能的提升,人工智能技術將會廣泛運用于各行各業,人工智能產品終將會由各種預想慢慢變成現實。

我們逐步經歷了PC互聯網時代、移動互聯網時代,人工智能時代。傳統互聯網對人類的主要貢獻是通過優化和創造信息存儲和傳遞的方式重新組合各種生產要素(即重構了已有商業模式),人工智能的主要貢獻是升級生產要素,進而推動產業升級。

來到人工智能時代,傳統互聯網產品將面臨巨大的挑戰,那么如何提升自己轉型成為AI產品經理呢?

一、了解AI,尋找切入點

1. AI是什么

AI就是利用技術對人的能力和意識進行模仿和超越。

AI產品經理不僅需要像傳統產品經理一樣設計產品交互和邏輯流程,還需要改變傳統產品流程上能用到人工智能技術的能力范圍,實現讓技術為產品賦能,為企業賦能。AI技術已經廣泛運用于多個領域,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、醫療診斷等。

人工智能產品沒有固定的形態,只是一種將傳統產品和服務賦能的一種手段,有了人工智能技術,將會使產品邏輯化繁為簡,降低用戶學習成本,提升產業的商業價值。

無人駕駛汽車通過運用傳感器、高精度地圖、高級輔助駕駛系統和車聯網等關鍵技術實現無人駕駛,與傳統汽車相比,用戶不再需要全程關注路面情況手動駕駛而是僅僅需要輸入目的地即可。

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

人臉識別身份驗證與傳統登錄需要輸入賬號、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、社交網絡過濾、精準推薦、智能醫療等方便的廣泛應用離不開深度學習。

深度學習在每個應用場景中的落地離不開“算法”“算力”“數據”三要素:

1)AI第一個核心要素:算力

算力就是支撐需求實現的系統架構支撐,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、虛擬現實算法、決策管理技術、深度學習、生物特征識別技術、識別圖譜、機器學習……

雖然算法在AI行業里大部分是開源的,想拿到什么樣的資源都可以拿到,深度學習、多層次神經網絡算法目前也都已經比較成熟,但是AI產品經理在做產品設計時,還需要結合公司算法研發能力避免提出過于超前和落后的產品功能。

3)AI第三個核心要素:數據

在機器學習領域,好的數據通常比算法更重要,有些時候沒有數據的話,AI模型是不可能成熟落地的。更有算法工程師揚言“數據秒殺一切算法”。既然數據如此重要,產品經理在設計之初就得考慮數據從哪來、數量質量怎么保證、數據治理的工作怎么開展等問題。

3. 尋找適合自己的切入點

應用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,構建完整的從人工智能計算平臺的硬件單元研發、數據治理、AI建模再到平臺部署的人工智能的“基礎設施”。這類公司布局一些PaaS形態的基礎計算平臺和算法平臺供其他公司直接調用,減少其他公司的人工智能研發成本和周期。

2)AI+公司

AI+公司是做AI的技術層,主要研究通用技術,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+AI”,如智能醫療、智能安防等。

傳統產品經理需要根據自己擅長的領域和興趣去有針對性的強化學習,將自己擅長的點發揮到最大。

如果你擅長場景,那么你著重學習一下算法方面,你在應用層+AI企業中,將自己負責的產品賦能上人工智能將實現更大的價值。

如果你是技術出生,機器算法、機器視覺等都懂,則適合去技術層公司或基礎層公司發展自己的才能。

除上所述,還有像BAT這些公司,在基礎層、技術層、應用層都有企業布局。

二、轉變思維模式

傳統產品經理的工作協同方式是優化和創造信息存儲和傳遞的方式重新組合各種生產要素。

比如:滴滴打車,傳統思維模式是將古老的路邊招手即停的打車方式合理的規劃讓信息準確傳遞,使用戶和司機雙方都能進行信息互通,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。

人工智能產品經理的工作協同方式是在傳統產品經理的基礎上實現變革與創新,升級各種生產要素,而不僅僅是生產要素之間重新組合。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”這一生產要素,讓必須“人類駕駛員全程監控行駛環境”升級為“汽車自動智能監控駕駛環境”。

故要想成為人工智能產品經理并在產品管理工作中變得優秀,就應該改變自己的思維模式。

傳統產品經理會將很大一部分經歷分配到功能邏輯、流程推敲、頁面設計等等事情上,而人工智能產品經理不僅要懂得傳統產品經理的功能梳理和交互設計,更需要懂得硬件運算架構、算法模型、數據分析、有效訓練數據等綜合能力。

所以,人工智能產品經理應該具備系統性思維,把問題放在整個系統中綜合分析,權衡利弊,得到最佳解決方案。

1. 資源管理思維

產品經理的工作離不開資源管理,但人工智能產品經理管理的資源將在傳統產品經理的基礎上進行升級。人工智能產品經理不僅要關注開發人員、時間、成本,還要應該關注算法、數據資源、硬件資源。確保資源的投入產出比最優。

算法:人工智能產品需要進行算法模型的訓練和調優時,可能出現預先設計好的硬件架構無法滿足算法需求的情況。所以,產品經理需要大致了解算法,學會預估和評測,并且理解開發人員對項目所要求功能的技術復雜性,而不需開發部門投入人力物力與最終的結果產出不匹配。

數據資源:數據資源包括訓練集、研發集、測試集等,優質的數據資源是當前機器學習產品中重中之重的一種資源。但是,人工智能產品經理也不用改用追求完美的數據的眼光去獲取該資源,而應該在數據獲取成本和訓練模型效果之前做相應的權衡最終取得一個最優平衡點。

硬件資源:硬件資源包括計算機芯片、存儲和構成產品的各種硬件組合。產品經理應該明白各個硬件、系統集成在人工智能產品上的綜合表現,而不能出現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,而不是產品本身。產品經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,產品經理應該具有解決方案思維,把控需求,讓人工智能產品整體實踐起來更合理最優。

3. 目標導向思維

人工智能產品經理需要培養自己的目標導向思維,人工智能產品大多使用到復雜的算法模型,所以產品對于用戶來說大多屬于“黑盒產品”。

這種產品的如果沒有提前設置量化的目標,然后讓架構師按照目標去設計的話,將很難被定義優劣。所以,產品經理應該將目標量化并具有目標導向的思維,嚴格把控產品從需求調研、產品設計、技術預研、產品研發、測試、上線等全流程。每個流程需要設定明確的成果物、時間節點、標準。

除此之外,還應該有上帝視角,對公司整理的產品架構有清晰的認知,讓自己負責的產品的目標不偏離公司的整體戰略規劃。

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、學習、交流、移動和操作物體的能力。

人工智能產品的實現邏輯都遵循由感知到認知,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,它僅能通過海量數據的訓練和學習,從中識別規律,當新的數據輸入時,機器可以根據訓練的結果將新數據按照具體的規律進行分類。

所以,目前人工智能產品還是依賴于機器學習,且僅能在某一特定領域的某一特定事務上實現智能。

2. 機器學習的本質

機器學習就如同模擬人類學習一樣,只是人類是通過經驗積累,而機器是通過大量數據輸入算法模型進行學習。

機器學習階段有:

  • 訓練機器階段:輸入海量數據,讓計算機模型對數據進行分類,找到規律。
  • 測試階段:和訓練機器階段中的同質數據集,輸入模型,測試每個輸出結果是否正確。

3. 算法相關常識

機器學習算法按照不同的訓練方式可以分為:監督學習、無監督學習、半監督學習、強化學習四大類。

按照解決任務的不同來分類,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。

  • 監督學習:就像教小孩一樣,預先訓練機器,告訴他這是行人,那是障礙物。通過海量學習后,機器就能將新輸入的數據分到對應的類目中。故監督學習的訓練集中,所有數據必須有標簽,標簽正確率越高數據量越大,則訓練的效果就越好。
  • 半監督學習:所有數據都標注的成本比較高,有時候將訓練數據中混入一部分沒有標簽的數據,這種學習方式叫半監督學習。
  • 無監督學習:所有數據都沒有標簽,這種學習沒有人為標注,讓機器自行從數據中抽取信息,從分布中采樣、去噪、尋找數據分布的聚類的學習方式叫無監督學習。
  • 強化學習: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,然后找到規律達成目標的一種學習方法。強化學習與無監督的學習不同在于強化學習有反饋,機器根據反饋不斷嘗試。
  • 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變量預測。
  • 聚類算法:描述和衡量不同數據源間的相似性,并把數據源分類到不同類中。
  • 異常檢測:對樣本的標簽進行預測,將數據中存在不正常或者非典型的數據進行檢測和標注。

四、重視需求,合理規劃工作流程

1. 熟悉常用技術邏輯

人工智能產品經理應該熟悉常用的人工智能技術邏輯,關注技術的趨勢,領先性,主流算法框架。橫向對比競爭對手之間的技術實現手段和重點產品參數,從而提煉自身產品優勢,揚長避短。

如語音交互技術:

圖片來自diangon.com

人臉識別技術:

圖片來自Adaboost

2. 需求分析與產品設計

當前人工智能市場產品中,技術領先但產品認可度較低的情況屢見不鮮,很多用戶對新技術的采用并沒有強烈的感知,企業在新技術的投入與實現的商業價值不成正比。

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

  • 產品設計應從需求出發而不應該從技術出發。技術驅動的產品,容易脫離市場,偏離用戶需求,最終導致用戶不買單。
  • 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,導致整體解決方案無法讓用戶滿意。
  • 一味追求底層技術而忽略了用戶體驗的優化。例如視覺體驗差,產品交互不流暢,錯誤率高,隱私保護不全。

人工智能行業常用的設計原則有:

  • 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:采用循序漸進的方式,讓產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,將其融入產品設計理念中,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慣的行為方式來設計人工智能產品。
  • 同理心:學會換位思考,與用戶產生共鳴并感同身受。如設計老年人產品時,不能讓老年人用這個產品感覺到自己已經老了不中用了,產生自卑感從而拋棄購買該人工智能商品。

3. 參與研發過程

  • 參與項目管理:讓架構師項目經理等人員按照需求目標設計產品架構并按時完成子任務。
  • 把控數據質量:聯合數據分析師,算法工程師一起完成數據獲取、清洗、轉換、預處理工作,為模型提供優質的數據。
  • 模型訓練:緊密配合算法工程師,讓模型出現擬合過的時候有針對性的訓練數據方面的改良,并隨時對模型效果預期做合適的調整。
  • 測試調優:產品經理需要對技術邊界和需求量化有比較深的理解,協助測試團隊制定測試標準,讓產品在上線前按照設定的目標進行交付。
  • 目標管控:在實際研發過程中出現無法達成目標的情況時,需要實時按照實際情況對目標進行調優,降低產品期望。

4. 持續的產品運營

產品上線后,產品經理應當協助運營團隊和市場團隊對產品做線上的包裝、宣傳,讓產品正常合理的推向市場。

總結

人工智能產品經理的職責還是和傳統產品經理一樣,負責產品的始終。但是,人工智能時代技術的變革導致人工智能產品發生了顛覆性的變化,產品經理不僅懂得傳統產品經理相關知識技能,更應該了解具體行業中人工智能技術在行業中的運用,讓人工智能新技術新算法的作用在自己負責的人工智能產品中發揮最優的價值。

所以,產品經理需要積極的學習AI,建立自己的認知體系。讓自己融入時代,不被時代淘汰,并讓自己成為推動時代發展的巨人。

 

本文由@九久玖 原創發布于人人都是產品經理,未經允許,禁止轉載。

題圖來自Unsplash, 基于CC0協議。

給作者打賞,鼓勵TA抓緊創作!
評論
歡迎留言討論~!
  1. 遷移學習,卷積,池化等一些重要概念都沒有提到

    回復
  2. 企業分類感覺好多分錯了

    回復
    1. 有些是綜合型公司,既做基礎層,又做技術層,還做應用層的,多多指教

      回復
  3. 參考

    回復
  4. 感覺參。考了很多李 開 復老師在《ai·未來》里的想法 :lol:

    回復
马总会三肖中特