AI 产品经理面试高频 100 题及核心解析
第一章：机器学习和深度学习的关系
机器学习是人工智能的一个子集，侧重于通过数据训练模型以进行预测或决策。深度学习则是机器学习的一个分支，利用多层神经网络模拟人脑结构来处理复杂数据（如图像、语音）。
第二章：机器学习 7 大经典算法
算法一：K 近邻算法 (KNN)
- 原理：基于实例的学习。对于新样本，计算其与训练集中所有样本的距离，选取距离最近的 K 个邻居，根据多数投票决定类别。
- 场景：用户分类、推荐系统、信用评分。
- 优缺点：简单直观，无需训练；但计算量大，对高维数据敏感，需特征标准化。
算法二：线性回归
- 原理：假设因变量与自变量之间存在线性关系，通过最小化误差平方和拟合直线。
- 场景：房价预测、销售额预估、广告投放效果分析。
- 优缺点：解释性强，计算快；无法处理非线性关系，对异常值敏感。
算法三：逻辑回归
- 原理：使用 Sigmoid 函数将线性回归的输出映射到 (0,1) 区间，用于二分类问题。
- 场景：点击率预测、欺诈检测、用户流失预测。
- 优缺点：输出概率值，便于阈值调整；本质仍是线性模型，难以捕捉复杂特征交互。
算法四：朴素贝叶斯
- 原理：基于贝叶斯定理，假设特征之间相互独立，计算后验概率进行分类。
- 场景：垃圾邮件过滤、情感分析、保险购买意向预测。
- 优缺点：对小规模数据表现好，训练速度快；特征独立性假设在现实中往往不成立。
算法五：决策树与随机森林
- 原理：决策树通过特征分裂构建树状结构；随机森林集成多棵决策树，通过投票降低方差。
- 场景：客户违约预测、医疗诊断、用户分层。
- 优缺点：可解释性强，能处理数值和类别数据；单棵树易过拟合，随机森林计算成本较高。
算法六：支持向量机 (SVM)
- 原理：寻找一个超平面，使不同类别的样本间隔最大化，支持核技巧处理非线性问题。
- 场景：文本分类、图像识别、股票涨跌预测。
- 优缺点：在高维空间表现优异，泛化能力强；大数据集训练慢，参数调优复杂。
算法七：K-means 聚类
- 原理：迭代将样本划分为 K 个簇，使簇内距离最小化。
- 场景：用户分群、市场细分、图像压缩。
- 优缺点：简单高效；需预设 K 值，对初始中心敏感，不适合非凸形状分布。
第三章：深度学习 3 大经典模型
1. 神经网络
基础单元为神经元，通过多层连接提取特征，包含输入层、隐藏层和输出层。
2. CNN (卷积神经网络)
- 原理：利用卷积核提取局部特征，池化层降维，适合处理网格数据。
- 场景：图像分类、目标检测、医学影像分析。
- 缺点：参数量大，需要大量数据和算力。
3. RNN (循环神经网络)
- 原理：引入记忆单元处理序列数据，当前输出依赖历史状态。
- 场景：时间序列预测、自然语言处理、语音识别。
4. GAN (生成式对抗网络)
- 原理：生成器与判别器博弈，生成逼真数据。
- 场景：图像生成、风格迁移、数据增强。
5. 深度学习的优缺点
优点：自动特征提取，性能强大；缺点：黑盒模型，数据依赖强，算力消耗大。
第四章：AIGC 的 3 大底层算法
1. Transformer 模型
基于自注意力机制，并行处理序列数据，成为大模型的基础架构。
2. GPT 系列模型
基于 Decoder-only 架构，通过海量文本预训练，具备强大的生成和理解能力。
3. Diffusion 模型
通过逐步去噪过程生成图像，相比 GAN 更稳定，是目前文生图的主流技术。
第五章：AI 产品经理面试高频 100 题及答案解析
第一类：自我介绍
- 策略：突出与 AI 产品相关的经验，简述项目成果，强调技术理解力。
第二类：AI 技术背景
- 特征清洗/变换：处理缺失值、异常值，归一化等，提升模型质量。
- 过拟合/欠拟合：过拟合是模型过于复杂，欠拟合是模型太简单，需平衡偏差与方差。
- 数据集划分：训练集用于学习，验证集用于调参，测试集用于评估最终性能。
- 核心算法：结合过往项目，说明选型理由及优化过程。
第三类：工作场景类
- 需求不可实现：评估技术边界，提供替代方案或与研发协商优先级。
- 资源不足：明确 MVP 范围，分阶段交付，争取外部资源。
- 数据来源：公开数据集、内部日志、第三方合作、爬虫采集（合规前提下）。
- 模型评估：准确率、召回率、F1 分数、AUC、业务指标（如转化率）。
第四类：AI 产品经验
- 竞品分析：功能对比、技术路线、用户体验、市场份额。
- 失败复盘：诚实分析原因，强调学到的教训和改进措施。
第五类：产品素养类
- AI PM vs 传统 PM：AI PM 需懂技术边界、数据闭环、算法评估指标。
- 落地场景：B 端提效（客服、风控），C 端体验（推荐、生成）。
- 成功标准：用户留存、商业价值、技术指标达标。
第六类：行业认知
- 行业看法：技术爆发期，从感知智能向认知智能演进，关注伦理与安全。
- 业务结合：利用 NLP 优化搜索，利用 CV 优化审核，利用推荐提升转化。
第七类：其他问题
- 职业规划：短期深耕垂直领域，长期探索通用智能应用。
- 离职原因：寻求更大发展空间，技术挑战匹配度更高。
- 项目管理：敏捷开发，定期同步进度，风险预警机制。
第八类：自由提问
- 建议提前准备关于公司业务、团队架构、技术栈的问题。
第九类：AIGC 项目类问题
- 算法选型：根据任务类型选择，如文本用 LLM，图像用 Diffusion/CNN。
- 职责：定义问题边界，评估可行性，协调资源，监控效果。
- 性能与成本：权衡精度与推理延迟，选择合适模型大小或量化方案。
- 大模型训练：预训练 + 微调，特征工程部分多为自动化，人工参与标注与规则制定。
- 资源协调：明确算力需求，优化模型结构，分布式训练策略。
- 数据处理：建立清洗流水线，多人标注校验，隐私脱敏。
- 合规性：遵循数据安全法，用户授权，内容审核机制。
- 跨职能沟通：统一术语，可视化演示，定期对齐目标。
- GAN vs Diffusion：Diffusion 生成质量更稳，训练收敛更好，资源要求虽高但可控。
- 宏观理解：生产力工具，重塑内容生产流程，人机协作新模式。
- 行业落地：金融（风控）、医疗（辅助诊断）、教育（个性化学习）。
- AIGC 前景：效率革命，个性化定制，多模态融合。
- 大语言模型：基于 Transformer，预测下一个 token，具备上下文理解能力。
- 优势/局限：通用性强，但存在幻觉，知识截止，长文本限制。
- 模型体验：对比响应速度、准确性、创意性、多语言能力。
- 微调方式：全量微调、LoRA、P-Tuning，根据数据量和预算选择。
- 幻觉避免：RAG 检索增强，提示词约束，事实核查。
- 作图模型：Stable Diffusion, Midjourney，LoRA 用于风格微调。
- AI Agent：自主规划任务，调用工具，执行闭环。
- LangChain/ControlNet：框架用于编排 LLM 应用，ControlNet 控制图像生成结构。
- 优秀产品：满足痛点，体验流畅，有独特价值。
- 人机平衡：AI 负责重复/生成，人类负责审核/决策。
- 项目背景：市场需求驱动，技术成熟度支撑，ROI 测算。
- 整体框架：数据采集 - 预处理 - 模型训练 - 部署 - 监控 - 反馈。
- 模型迭代：版本管理，A/B 测试，持续优化。
- 困难解决：定位瓶颈，技术方案攻关，跨部门协作。
- 效果评估：技术指标（BLEU, ROUGE）+ 业务指标（留存，营收）。
- PM 职责：需求定义，资源协调，进度把控，效果验收。
附录：大模型&AI 产品经理学习路径
- 系统设计：理解大模型架构、API 调用、服务部署。
- 提示词工程：掌握 Prompt 设计技巧，优化模型输出。
- 平台应用：熟悉阿里云 PAI、Azure ML 等平台工具。
- 知识库应用：学习 LangChain 框架，构建 RAG 系统。
- 微调开发：掌握数据准备、蒸馏、垂直领域训练流程。
- 多模态：了解 SD、文生图等前沿技术。
- 行业应用：结合星火、文心等大模型构建具体场景。
注：本文内容基于通用技术知识整理，旨在帮助求职者梳理思路，具体面试表现请结合个人实际经验。