AI 产品经理需要熟悉 AI 基础知识，包括 AI 行业现状、数学统计学基础、AI 模型构建流程以及模型基本概念。之所以需要具备这些知识，是因为实现 AI 产品必然会涉及相应的 AI 技术。如果 AI 产品经理不了解相应技术基础，就不能很好地和研发人员沟通，也无法有效完成 AI 项目的管理。当然，AI 产品经理并不需要像 AI 算法工程师那样，懂很底层的技术细节或数学公式的逻辑推导，但其中涉及的基本概念和行业现状应有所了解。
AI 行业现状
首先需要了解 AI 行业现状。AI 的产业架构通常可以分成基础技术层、算法层、应用层和解决方案层。
1）基础技术层
硬件设备：包括用于 AI 计算的芯片、服务器和设备。例如云计算资源、GPU 加速卡等。 基础软件：包括用于数据处理、模型训练和部署的开发工具和框架，例如 TensorFlow、PyTorch 等框架。
2）算法层
包括机器学习、深度学习、强化学习等核心算法。这是 AI 能力的核心来源。
3）应用层
主要是具体应用场景，包括人工智能在医疗、金融、零售、交通等行业的具体落地。例如金融风控识别系统、智能客服系统、推荐系统等。
4）解决方案层
包括 AI 技术在智能制造、智慧城市等场景的整体解决方案。主要关注如何将 AI 技术与特定行业的业务需求相结合，提供定制化的解决方案，以推动该行业的智能化发展。
其中基础技术层主要负责人员是软件开发团队，算法层负责人通常是算法工程师，而应用层和解决方案层则是 AI 产品经理主要的工作方向。
在 AI 应用层和解决方案层中，涉及到的最新技术就是大模型，目前也是各科技企业竞相追逐的风口。ChatGPT、Gemini、Sora、通义千问等大模型产品层出不穷。基于大模型的 AI 助手已经能实现独立开发任务，最新的 GPT-4o 已具有实时视频和语音功能。掌握大模型工具、紧跟 AI 应用前沿能帮助 AI 产品经理在竞争中脱颖而出。
数学统计学基本概念
数学统计学是人工智能的基础，AI 产品经理应了解并掌握概率论和统计学的基本概念，以便更好地理解数据特征和模型表现。
1）线性代数
线性代数是人工智能和机器学习中的基础数学概念，涉及向量、矩阵、线性方程组等内容。产品经理需要理解常量、向量、矩阵和张量的概念及其在数据表示中的作用。
常量（Scalar）：常量是一个单独的数值，比如一个用户的年龄数据或某个特征的权重值。
向量（Vector）：向量是一个有序的数值集合，具有大小和方向。比如多个用户的年龄数据集合，或者一张图片展开后的像素序列。
矩阵（Matrix）：矩阵是一个二维的数值集合，由行和列组成。矩阵可以看作是向量的推广，其中每个元素都有一个行索引和列索引。在机器学习中，矩阵常用于表示数据集或模型的参数，例如多个用户的年龄和收入数据表、灰度图像的像素值均为二维矩阵。
张量（Tensor）：张量是多维的数值集合，张量可以有任意数量的维度。在深度学习和神经网络中，张量是数据在神经网络中传播和处理的基本单位。常量是 0 阶张量，向量是 1 阶张量，矩阵是 2 阶张量，而彩色图片因为有 RGB 三通道，是 3 阶张量。理解张量有助于产品经理与工程师沟通数据输入输出的形状。
2）概率统计
需要重点掌握随机变量和概率分布，了解业务场景下的特征数据和模型结果概率分布情况，有助于产品经理对 AI 模型的验收。例如已知身高是正态分布，但模型输出的结果却不是正态分布的，则需要质疑模型效果。
随机变量（Random Variable）：随机变量是描述随机现象结果的数学变量。它可以取多个值，分为离散和连续随机变量两类。 离散随机变量：只能取有限个或可数无限个值的随机变量，如抛硬币的结果（正面或反面）。 连续随机变量：可以取任意实数值的随机变量，如身高、体重、用户停留时长等。
概率分布（Probability Distribution）：概率分布描述了随机变量可能取值的概率分布情况，分成离散和连续概率分布两类。
离散概率分布主要有： 二项分布：描述了在一系列独立重复的伯努利试验中成功的次数的概率分布。 泊松分布：用于描述单位时间或空间内随机事件发生次数的概率分布，如网站每秒的请求数。 超几何分布：描述了从有限总体中抽取不放回样本的概率分布。 贝努力分布：描述了只有两种可能结果的单次随机试验的概率分布。 多项式分布：描述了多项试验中每个类别出现次数的概率分布。
连续概率分布主要有： 正态分布：也称为高斯分布，是最常见的连续概率分布，具有钟形曲线。许多自然现象和业务指标都近似服从正态分布。 指数分布：描述了独立随机事件发生时间间隔的概率分布，如用户两次点击之间的时间间隔。 均匀分布：所有数值在一个区间内具有相同的概率密度。 t 分布：用于小样本情况下对总体均值的推断，常用于假设检验。
AI 模型构建和模型基本概念
还应熟悉 AI 模型构建流程和模型基本概念，有助于更好的和研发协作，管理整个 AI 项目的研发周期。
1）AI 模型构建流程
主要包括模型设计、数据准备、模型训练、模型验证 4 步，最后模型才会作为产品交付。 在模型设计阶段，产品经理需要明确当前的场景适用的算法有哪些、每种算法适合解决什么问题； 在数据准备阶段，产品经理需结合业务判断什么数据更具有代表性，提供更高质量的数据，并参与数据标注标准的制定； 在模型验证阶段，需要评估模型是否达到了上线的标准，包括性能指标和业务指标的双重验收。
2）模型基本概念
监督学习（Supervised Learning）：指训练数据有标注，按照预测的结果类型，可以进一步分成分类（预测类别）和回归（预测数值）。 无监督学习（Unsupervised Learning）：指的训练数据中没有标注。主要用于聚类分析，发现数据内在结构。 半监督学习（Semi-supervised Learning）：介于监督学习和无监督学习之间，训练数据只有部分有标注，模型需要利用有标注和无标注的数据一起训练，适用于标注成本高的场景。
训练集、测试集、泛化能力：用于给模型学习规律的数据称为'训练集'，用于检验机器学习效果的数据称为'测试集'。模型在未知数据上或测试集上的表现称为'泛化能力'。产品经理需关注模型在真实环境中的泛化表现，而非仅仅看训练集分数。
欠拟合和过拟合：如果模型在所有数据上表现效果不好，预测结果和实际结果偏离程度大（高偏差），则是欠拟合，说明模型太简单无法捕捉规律；如果模型只在一部分数据上表现效果好，在其他数据上表现差，模型输出结果不稳定（高方差），则是过拟合，说明模型记住了噪声而非规律。
模型表现的衡量指标： 对于分类模型，有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 分数（F1 Score）、ROC 曲线和 AUC 值等。产品经理需根据业务成本选择指标，例如在欺诈检测中，召回率比准确率更重要。 对于回归模型，有均方误差（Mean Squared Error，MSE）、平均绝对误差（Mean Absolute Error，MAE）、对数损失（Log Loss）等。
3）常见的算法
监督学习：逻辑回归、支持向量机、决策树、神经网络等。 无监督学习：K 均值聚类、层次聚类等。 半监督学习：自训练、半监督支持向量机、标签传播等方法。
AI 产品经理的持续成长
对于上述的概念和名词，需要有印象，遇到了具体业务场景再去详细了解。AI 领域发展迅速，产品经理需要保持持续学习的状态。建议关注顶级会议论文、开源社区动态以及行业标杆案例。在实际工作中，多与算法工程师交流，理解技术边界，避免提出不可落地的需求。同时，要重视数据隐私和伦理问题，确保 AI 产品的合规性。通过不断积累项目经验，逐步建立起自己的 AI 产品方法论。
