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。
AI 产品与传统产品的核心差异在于结果的不确定性,这要求产品经理具备新的思维方式。文章总结了 AI 产品经理所需的十大关键技能:密切跟踪技术动态、把握深度学习趋势、聚焦实际案例、关注客户数据、善用简单模型、不断迭代用例、构建广度优先模型、优雅处理故障、保证模型可解释性以及与技术团队有效沟通。这些技能帮助产品经理在不确定性中交付价值,推动 AI 产业落地。

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。
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。
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。
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。
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。
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。
对于那些提供速验证学习循环从而快速迭代 AI 模型的方法,AI 产品经理都需要熟悉。相比'构建 - 测量 - 学习'的方法论来说,基于'假设 - 设计 - 测试 - 学习'的精益产品方法论更适合 AI 领域,AI 产品经理应当能够通过简单用例构思业务核心。建立在小型数据集上的用例应当能够运行敏捷实验。
这些实验应该被映射到机器学习的基本能力总,比如分类(二元或多分类)、聚类、回归以及深度学习的通用逼近能力。将模型映射到业务之后,模型就可以从最简单的开始迭代了。
用例的终极目标应该是极力为最终用户创造重要价值,同时提高收益(EBIT),并且应该与一小部分与客户息息相关的度量标准绑定。同时为多个目标优化端到端的 AI 模型可能颇具挑战,并且会使得系统难以调试。因此在实际实施过程中,可以建立一个 AI 模型管道,每个模型都针对特定的度量进行优化。这样一来系统便可以更好地解释并且易于维护。
比如,假设要构建一个文本简化应用程序,我们可以将数据处理系统分为三个 AI 模型:一个主题分类器、一个句子简化器和一个一致性检查器,每个 AI 模型都针对一个独特的度量进行优化。这种模块化设计便于独立调优和故障排查。
AI 产品经理应当熟悉 AI 端到端产品的工具和技术。这样一来,他们才有能力影响:
这需要对 API 生态系统有着高度的认识,这些 API 帮助服务于最终用户,它包括数据摄入工具(比如 Kafka)、数据处理系统(比如 Spark)以及 处理大数据的 NoSQL DBMS(比如 Cassandra)。此外还需要了解 AWS 和 GCP 的商业选择,同时能够对其正确权衡。最后,了解构建各种组件和使用商业替代方案的成本结构也很重要。
要尽量避免重新发明商业化 AI 技术,最好利用 AWS、GCP、IBM 和 Azure 等流行云提供商提供的现成服务。例如,使用托管的机器学习平台可以减少运维负担,让团队专注于模型效果和业务逻辑。同时,掌握容器化技术(如 Docker、Kubernetes)也是现代 AI 工程化的必备技能。
大公司有很多优雅的方式来处理低效或者出故障的 AI 产品。一种简单的方法是为用户提供一种立即重新标记数据以进一步改进模型的方法。
举例来说,iPhone 的语音邮件转录服务对其低信度是透明的,并为用户提供了一个选项来帮助苹果通过提交语音记录来改进转录。
在我的文本简化产品中,我考虑过补充一个连贯性检查器,用来确定以前模型中简化句子的连贯性或者语法。如果低于阈值,则系统可以对其置信度变得透明,并给出用户对结果提供反馈的选项,或者使用与输出相同的输入句子。
在产品设计中,应预留'人工介入'的接口。当 AI 置信度较低时,自动转接至人工客服或允许用户修正结果。这种人机协作模式不仅能提升用户体验,还能收集高质量的标注数据用于后续模型训练,形成良性闭环。
使用深度学习构建的 AI 模型是一个黑盒子,在涉及法律、医学和安全等关键应用中,产出需要对合规目的作出明确解释。本文总结了两种解释深度学习模型预测的方法,一种是计算预测对输入变化敏感性的方法,另一种是根据输入变量有意义地分解决策的方法。产品经理应该利用基于这些方法的工具,并确保模型没有偏见。SAP 设计中心为消除偏见提出了一些建议。
可解释性不仅关乎合规,也关乎信任。用户可以通过解释理解为什么模型做出了某个决策,从而更愿意接受结果。在产品文档中,应清晰说明模型的局限性、适用场景及潜在风险。定期进行公平性审计,检测模型是否存在种族、性别等歧视性偏差,确保技术应用符合伦理规范。
还有一点也很重要,AI 产品经理需要了解 AI 研究人员、数据工程师和数据科学家的语言。只有这样 AI 产品经理才能提供重要的反馈,来帮助 AI 工程师根据用户体验调整模型。
数据科学需求层级金字塔(源于 Insight 的顾问 Monica Rogati )很好地呈现了 AI 产品技术堆栈。此外,AI 工程师和数据科学家通常具有很高的学位(几乎都是博士)以及强大的学术背景,并从新颖的学术项目中获得巨大的智力满足感。产品经理需要调整他们的倾向,以制造出适合市场和用户的实用产品。
有效的沟通意味着能够将模糊的业务需求转化为具体的技术指标,如准确率、召回率、延迟要求等。同时,也要理解技术实现的难度和成本,合理管理团队的预期。定期参与技术评审会,了解模型训练过程中的瓶颈,有助于制定更可行的产品路线图。
除了强烈的产品意识之外,你需要对各种机器学习算法和 AI 模型及其上下文具有高层次的理解,才可以成功管理 AI 工程师团队并推出 AI 产品。
最后,人工智能目前成果显著,在未来必将前途无限。当前已有代表性的产品,它们能够让顾客满意,并且明显提升了现有业务。AI 产品经理是产业发展的催化剂,他们需要不断掌握新的思维和技能,才能促使 AI 产业的腾飞。随着大模型技术的普及,AI 产品经理的角色将更加关键,需要在技术创新与商业价值之间找到最佳平衡点。

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