从传统角度来看，一款成功的产品需要拥有稳定的功能，至少要满足甚至超出用户的期望，并且能够为业务的增长作出重大贡献。产品经理的主要职责包括设定和管理用户期望，定期收集可量化的反馈信息，严格地与工程师进行沟通，并确保产品能够应对业务和市场的不断变化。
AI 产品相比传统产品来说则有很大的不同。在传统模式下，交付让客户感到满意的'确定性'产品是衡量成功的标准。只要标准一样，硬件产品的产出结果也几乎一样。同样的，相同的用户预期使得软件产品形态也不会有太大差异。
但是，一个人工智能（AI）驱动的产品可能并不总是具有确定的产品形态，实际的结果可能与直觉有所差异。个性化的推荐系统能够学习不同偏好，因此可能产生不同的结果。对于产品经理来说，如果想要交付一款成功的 AI 产品，除了履行常规的产品经理职责之外，还需要具备新的思维方式并增强一些其他技能。
下面，我将围绕产品构思、原型设计以及早期发布来介绍一些新的思维方式。
1. 密切跟踪 AI 技术动态
麦肯锡全球研究院（MGI）对 160 多个行业的人工智能使用案例进行了调研，调研发现只有 12％的案例突破了实验阶段，并且这些案例局限在技术部门之外。MGI 报告中提到的最佳案例是一家采用敏捷、测试和学习方法的公司。它建立一个跨职能的人工智能任务组，该任务组在几周内完成原型构建以及业务单元测试，然后进行下一次迭代。
对 AI 应用具有敏锐洞察力并且能够把握行业趋势的产品经理才能在 AI 领域里脱颖而出。我个人觉得 MGI、Gartner 的 AI 市场报告以及 CB 人工智能研究栏目内容都非常有见地，我密切关注着它们的 Twitter 来了解 AI 动态。此外，建议定期浏览顶级会议如 NeurIPS、ICML 的论文集摘要，关注行业领袖的技术博客，保持对前沿技术的敏感度。
2. 把握深度学习的研发趋势
AI 产品经理的核心竞争力并不在于精通多少高深的算法，他们的主要职责是尽快将这些算法转变为产品和服务并推向市场。即便如此，我们仍然需要密切关注算法的最新研究进展。
AI 领域大多数有影响力的人物（比如谷歌的 Peter Norvig，Facebook AI 研究的 Yann LeCun 以及微软的 Eric Horvitz）似乎都乐于分享他们研究 AI 算法和体系结构上的突破，你可以在公司网站上找到他们的论文和方法。除了这些大公司之外，如果想要关注其他公司的深度学习社区动态，我推荐 Andrej Karpathy 网站，这上面总结了在 Arxiv 上发布的最新机器学习和 AI 研究。
理解 Transformer 架构、生成式对抗网络（GANs）以及强化学习的基本原理，有助于判断哪些技术已经成熟可以落地，哪些仍处于实验室阶段。这种技术判断力能避免团队在不可行的技术上浪费资源。
3. 聚焦 AI 实际案例
AI 目前被炒得很热，有人声称它是一种新兴的高级技术，威胁着多个传统领域，也有人说相同概念已经存在多年，AI 不过是新瓶装旧酒。Peter Norvig 近期在接受采访时指出，大众媒体的记者在很多情况下扭曲了 AI 的影响力，有的甚至对其疯狂炒作，并向读者营造出一种错失恐惧症的感觉。
AI 产品经理应当具备批判性的思维，以便将炒作信息与真实情况区别开来，并且深入了解 AI 的实际应用案例。产品经理应当了解 AI 领域的相关技术，尽管这些技术相对于那些仍处于研究阶段的产品而言更具商品化，但它们仍然有益于产品路线图的规划。此外，对于投资回报率更高的 AI 案例，以及上市时间更短的 AI 案例，产品经理应该能够明确区分。
在实际工作中，应优先选择数据基础好、痛点明确且 ROI 可计算的场景。例如，客服领域的意图识别比通用对话机器人更容易落地。通过拆解成功案例，分析其数据准备、模型选型及部署流程，可以为自身项目提供宝贵的参考经验。
4. 关注以客户为中心的数据
产品经理应当具有'用户至上'的基本意识，但是在把一个想法成功转变成产品的过程中，对于 AI 产品经理来说还需要额外的数据读写能力。想要做到用户至上，AI 产品经理除了突出产品功能和优势之外，还需要理解客户工作的意义、目的以及他们选择背后的动机。
数据至上包含两个方面：
（1）能够量化客户所关心的问题，做一个数字化的支持者； （2）能够建立用于构建高质量 AI 模型的综合数据集。
此外，还需要获取准确反映用户工作、行为、交互模式和痛点的数据。数据形式可以是像素、字符、数字或者比特。如果能够对数据提取、数据处理以及数据可视化有基本的了解，则有助于创建更具客户价值的 AI 解决方案。
同时，必须重视数据隐私和合规性。在收集和使用用户数据时，需遵循相关法律法规，确保数据脱敏处理，建立数据安全机制，避免因数据问题导致产品上线受阻或面临法律风险。
5. 善用简单模型快速构建产品
并非所有成功的 AI、ML（机器学习）产品都采用了复杂的模型，实际上，沉迷于复杂 AI 模型的行为并不受推崇。这是因为底层模型的准确性并不能保证良好的用户体验。
一些简单的模型也能够提供足够的准确性，增加模型的复杂性遵循二八定律，只会导致边际改进。但是，在某些情况下，准确性至关重要，模型需要多次迭代。
如前所述，有必要用最简单的 AI 模型构建出小型管道，从而创建用户体验并收集反馈。Jussi Pasanen 的最小可行产品（MVP）金字塔模型可以根据 AI 产品进行调整。通常建议从规则引擎开始，逐步过渡到逻辑回归，再到集成学习，最后才考虑深度学习。这样可以在开发初期快速验证假设，降低试错成本。