本文探讨人工智能时代传统产品经理向 AI 产品经理转型的路径。内容涵盖 AI 定义、核心三要素（算力、算法、数据）、思维模式转变（资源管理、解决方案、目标导向）、算法基础常识及需求规划流程。旨在帮助从业者建立认知体系，利用 AI 技术赋能产品，实现产业升级与个人职业发展。
我们逐步经历了 PC 互联网时代、移动互联网时代，进入人工智能时代。传统互联网对人类的主要贡献是通过优化和创造信息存储和传递的方式重新组合各种生产要素（即重构了已有商业模式），而人工智能的主要贡献是升级生产要素，进而推动产业升级。
来到人工智能时代，传统互联网产品将面临巨大的挑战，那么如何提升自己转型成为 AI 产品经理呢？
AI 就是利用技术对人的能力和意识进行模仿和超越。
AI 产品经理不仅需要像传统产品经理一样设计产品交互和逻辑流程，还需要改变传统产品流程上能用到人工智能技术的能力范围，实现让技术为产品赋能，为企业赋能。AI 技术已经广泛运用于多个领域，如自动驾驶、机器人、电商、语音与图像识别、人机交互、智能控制、医疗诊断等。
人工智能产品没有固定的形态，只是一种将传统产品和服务赋能的一种手段，有了人工智能技术，将会使产品逻辑化繁为简，降低用户学习成本，提升产业的商业价值。
无人驾驶汽车通过运用传感器、高精度地图、高级辅助驾驶系统和车联网等关键技术实现无人驾驶，与传统汽车相比，用户不再需要全程关注路面情况手动驾驶而是仅仅需要输入目的地即可。
语音交互产品与传统的鼠标、键盘、触摸屏等交互方式不同，用户通过与产品进行语音对话即可完成唤醒、查询、订购等一系列复杂的人机语音交互操作。
人脸识别身份验证与传统登录需要输入账号、密码、验证码不同，它只需要用户在摄像头前露个脸即可实现快速登录。
人工智能在图像识别、语音识别、自然语言处理、信息检索、机器翻译、社交网络过滤、精准推荐、智能医疗等方面的广泛应用离不开深度学习。
深度学习在每个应用场景中的落地离不开'算法''算力''数据'三要素：
1）AI 第一个核心要素：算力
算力就是支撑需求实现的系统架构支撑，可以简单理解为计算能力。评估某个需求的算力需要着重从硬软件多方面去衡量。算力不是瓶颈，因为现在有云计算，但是有成本的考虑因素在里面，算力的成本在整个 AI 模型中占到了 10-20%。
2）AI 第二个核心要素：算法
AI 常用的算法有：自然语言生成算法（NLG）、语音识别算法、虚拟现实算法、决策管理技术、深度学习、生物特征识别技术、识别图谱、机器学习……
虽然算法在 AI 行业里大部分是开源的，想拿到什么样的资源都可以拿到，深度学习、多层次神经网络算法目前也都已经比较成熟，但是 AI 产品经理在做产品设计时，还需要结合公司算法研发能力避免提出过于超前和落后的产品功能。
3）AI 第三个核心要素：数据
在机器学习领域，好的数据通常比算法更重要，有些时候没有数据的话，AI 模型是不可能成熟落地的。更有算法工程师扬言'数据秒杀一切算法'。既然数据如此重要，产品经理在设计之初就得考虑数据从哪来、数量质量怎么保证、数据治理的工作怎么开展等问题。
应用 AI 的公司主要有三类：纯 AI 公司、AI+ 公司、+AI 公司
1）纯 AI 公司
纯 AI 公司是做 AI 的基础层，主要做芯片、云计算、框架等方向。
这类公司从人工智能的底层平台需求出发，构建完整的从人工智能计算平台的硬件单元研发、数据治理、AI 建模再到平台部署的人工智能的'基础设施'。这类公司布局一些 PaaS 形态的基础计算平台和算法平台供其他公司直接调用，减少其他公司的人工智能研发成本和周期。
2）AI+ 公司
AI+ 公司是做 AI 的技术层，主要研究通用技术，如图像识别、语音识别、文本识别等。
3）+AI 公司
+AI 公司是做'场景行业+AI'，如智能医疗、智能安防等。
传统产品经理需要根据自己擅长的领域和兴趣去有针对性的强化学习，将自己擅长的点发挥到最大。
如果你擅长场景，那么你着重学习一下算法方面，你在应用层 +AI 企业中，将自己负责的产品赋能上人工智能将实现更大的价值。
如果你是技术出生，机器算法、机器视觉等都懂，则适合去技术层公司或基础层公司发展自己的才能。
除上所述，还有像 BAT 这些公司，在基础层、技术层、应用层都有企业布局。
传统产品经理的工作协同方式是优化和创造信息存储和传递的方式重新组合各种生产要素。
比如：滴滴打车，传统思维模式是将古老的路边招手即停的打车方式合理的规划让信息准确传递，使用户和司机双方都能进行信息互通，司机可以接自己想接的单子，乘客可以选择自己要打的车型。
人工智能产品经理的工作协同方式是在传统产品经理的基础上实现变革与创新，升级各种生产要素，而不仅仅是生产要素之间重新组合。比如：无人驾驶，不管是半智能、条件智能、高度智能、完全智能，均改变了'司机'这一生产要素，让必须'人类驾驶员全程监控行驶环境'升级为'汽车自动智能监控驾驶环境'。
故要想成为人工智能产品经理并在产品管理工作中变得优秀，就应该改变自己的思维模式。
传统产品经理会将很大一部分经历分配到功能逻辑、流程推敲、页面设计等等事情上，而人工智能产品经理不仅要懂得传统产品经理的功能梳理和交互设计，更需要懂得硬件运算架构、算法模型、数据分析、有效训练数据等综合能力。
所以，人工智能产品经理应该具备系统性思维，把问题放在整个系统中综合分析，权衡利弊，得到最佳解决方案。
产品经理的工作离不开资源管理，但人工智能产品经理管理的资源将在传统产品经理的基础上进行升级。人工智能产品经理不仅要关注开发人员、时间、成本，还要应该关注算法、数据资源、硬件资源。确保资源的投入产出比最优。
算法：人工智能产品需要进行算法模型的训练和调优时，可能出现预先设计好的硬件架构无法满足算法需求的情况。所以，产品经理需要大致了解算法，学会预估和评测，并且理解开发人员对项目所要求功能的技术复杂性，而不需开发部门投入人力物力与最终的结果产出不匹配。
数据资源：数据资源包括训练集、研发集、测试集等，优质的数据资源是当前机器学习产品中重中之重的一种资源。但是，人工智能产品经理也不用改用追求完美的数据的眼光去获取该资源，而应该在数据获取成本和训练模型效果之前做相应的权衡最终取得一个最优平衡点。
硬件资源：硬件资源包括计算机芯片、存储和构成产品的各种硬件组合。产品经理应该明白各个硬件、系统集成在人工智能产品上的综合表现，而不能出现单项突破而其他必须资源跟不上的情况。
人工智能时代，用户需要的是一套解决方案，而不是产品本身。产品经理是离市场和运营最近的人，也是最能从用户的角度换位思考的人。所以，产品经理应该具有解决方案思维，把控需求，让人工智能产品整体实践起来更合理最优。
人工智能产品经理需要培养自己的目标导向思维，人工智能产品大多使用到复杂的算法模型，所以产品对于用户来说大多属于'黑盒产品'。
这种产品的如果没有提前设置量化的目标，然后让架构师按照目标去设计的话，将很难被定义优劣。所以，产品经理应该将目标量化并具有目标导向的思维，严格把控产品从需求调研、产品设计、技术预研、产品研发、测试、上线等全流程。每个流程需要设定明确的成果物、时间节点、标准。
除此之外，还应该有上帝视角，对公司整理的产品架构有清晰的认知，让自己负责的产品的目标不偏离公司的整体战略规划。
人工智能是让计算机模拟和延伸人的感知（识别）、理解、推理、角色、学习、交流、移动和操作物体的能力。
人工智能产品的实现逻辑都遵循由感知到认知，由识别到理解、决策的逻辑过程。目前人工智能的研究还处于弱人工智能阶段，它仅能通过海量数据的训练和学习，从中识别规律，当新的数据输入时，机器可以根据训练的结果将新数据按照具体的规律进行分类。
所以，目前人工智能产品还是依赖于机器学习，且仅能在某一特定领域的某一特定事务上实现智能。
机器学习就如同模拟人类学习一样，只是人类是通过经验积累，而机器是通过大量数据输入算法模型进行学习。
机器学习阶段有：
训练机器阶段：输入海量数据，让计算机模型对数据进行分类，找到规律。
测试阶段：和训练机器阶段中的同质数据集，输入模型，测试每个输出结果是否正确。
机器学习算法按照不同的训练方式可以分为：监督学习、无监督学习、半监督学习、强化学习四大类。
按照解决任务的不同来分类，大约可以分为：二分类算法、多分类算法、回归算法、聚类算法、异常检测算法五大类。
监督学习：就像教小孩一样，预先训练机器，告诉他这是行人，那是障碍物。通过海量学习后，机器就能将新输入的数据分到对应的类目中。故监督学习的训练集中，所有数据必须有标签，标签正确率越高数据量越大，则训练的效果就越好。
半监督学习：所有数据都标注的成本比较高，有时候将训练数据中混入一部分没有标签的数据，这种学习方式叫半监督学习。
无监督学习：所有数据都没有标签，这种学习没有人为标注，让机器自行从数据中抽取信息，从分布中采样、去噪、寻找数据分布的聚类的学习方式叫无监督学习。
强化学习：让机器通过不断的尝试，试错，从中选择可以得到最大的回报的行动，然后找到规律达成目标的一种学习方法。强化学习与无监督的学习不同在于强化学习有反馈，机器根据反馈不断尝试。
二分类算法：做很多二分类问题时，让机器二选一的算法，如好评还是差评，男还是女……
多分类算法：当问题的答案有多个选项，让机器做多选一的算法。
回归算法：这类算法一般都是定量输出或者连续变量预测。
聚类算法：描述和衡量不同数据源间的相似性，并把数据源分类到不同类中。
异常检测：对样本的标签进行预测，将数据中存在不正常或者非典型的数据进行检测和标注。
人工智能产品经理应该熟悉常用的人工智能技术逻辑，关注技术的趋势，领先性，主流算法框架。横向对比竞争对手之间的技术实现手段和重点产品参数，从而提炼自身产品优势，扬长避短。
如语音交互技术、人脸识别技术等常见 AI 技术逻辑，产品经理需掌握其基本原理与限制。
当前人工智能市场产品中，技术领先但产品认可度较低的情况屡见不鲜，很多用户对新技术的采用并没有强烈的感知，企业在新技术的投入与实现的商业价值不成正比。
造成此类原因为人工智能产品的设计理念和方式落后于技术革新，因此人工智能产品需要从以下方面多考虑：
产品设计应从需求出发而不应该从技术出发。技术驱动的产品，容易脱离市场，偏离用户需求，最终导致用户不买单。
忽略用户期望，华而不实造成用户失望，如索尼 Xperia Touch，投影键盘华而不实。
不能在单一方面做的足够好而忽略了整体流程的体验，导致整体解决方案无法让用户满意。
一味追求底层技术而忽略了用户体验的优化。例如视觉体验差，产品交互不流畅，错误率高，隐私保护不全。
人工智能行业常用的设计原则有：
少即是多：站在用户的角度减轻用户的使用门槛，提升交互效率，让用户不动声响的解决问题而没有复杂的功能模块、交互流程、界面元素、配色字体等。
从微观到宏观逐步深入：采用循序渐进的方式，让产品功能迭代逐步让用户接受。
有效整合资源：整合新的资源和技术，将其融入产品设计理念中，让更多的交互方式成为可能，比如语音交互、手势和表情识别等，挖掘用户最自然最习惯的行为方式来设计人工智能产品。
同理心：学会换位思考，与用户产生共鸣并感同身受。如设计老年人产品时，不能让老年人用这个产品感觉到自己已经老了不中用了，产生自卑感从而抛弃购买该人工智能商品。
参与项目管理：让架构师项目经理等人员按照需求目标设计产品架构并按时完成子任务。
把控数据质量：联合数据分析师，算法工程师一起完成数据获取、清洗、转换、预处理工作，为模型提供优质的数据。
模型训练：紧密配合算法工程师，让模型出现拟合过的时候有针对性的训练数据方面的改良，并随时对模型效果预期做合适的调整。
测试调优：产品经理需要对技术边界和需求量化有比较深的理解，协助测试团队制定测试标准，让产品在上线前按照设定的目标进行交付。
目标管控：在实际研发过程中出现无法达成目标的情况时，需要实时按照实际情况对目标进行调优，降低产品期望。
产品上线后，产品经理应当协助运营团队和市场团队对产品做线上的包装、宣传，让产品正常合理的推向市场。
人工智能产品经理的职责还是和传统产品经理一样，负责产品的始终。但是，人工智能时代技术的变革导致人工智能产品发生了颠覆性的变化，产品经理不仅懂得传统产品经理相关知识技能，更应该了解具体行业中人工智能技术在行业中的运用，让人工智能新技术新算法的作用在自己负责的人工智能产品中发挥最优的价值。
所以，产品经理需要积极的学习 AI，建立自己的认知体系。让自己融入时代，不被时代淘汰，并让自己成为推动时代发展的巨人。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
