AI 产品经理必备：关键技术模型与核心知识体系
一、AI 行业的招聘趋势以及人才紧缺度
根据行业人才报告显示，人工智能已成为近年来最紧缺人才的行业之一。人工智能行业的人才紧缺指数较高，意味着该领域人才需求量远大于投递量，市场缺口巨大且竞争相对不那么激烈。随着大语言模型技术的爆发式增长，这种趋势在近期持续强化。
目前，行业内共识明确：AI 产品经理超级缺人，无论是初创公司还是大厂都在大量招人。只要具备 AI 相关的项目经验，学历背景符合要求，通常都能获得面试机会。由于人才稀缺，企业在薪资方面非常大方，涨薪幅度达到 40%-60% 的情况并不罕见。
在 AI 领域，特别是 AIGC（生成式人工智能）方向，招聘量最大的岗位主要分为两类：研发类和技术产品类。这两类岗位的薪资水平普遍最高，也是求职者重点关注的方向。数据显示，AIGC 领域的热招岗位中，图像识别、算法研究员、深度学习等研发岗位的薪资已达到百万级别。此外，作为非技术岗的 AIGC 产品经理，薪资水平也极具竞争力，占据较大优势，吸引了大量传统产品人才转型投递。
二、AI 产品经理的具体工作流程及知识体系
AI 产品经理的整体工作流程与互联网产品经理类似，但增加了数据驱动和模型评估的环节。具体流程包括：定义需求、数据准备、产品设计、上线反馈。
（一）定义需求
AI 产品经理本质仍是'产品经理'，核心工作依然是找到需求并专注于产品价值。AI 是解决新问题的工具，产品经理的主要任务是思考：用这个工具能解决什么以前不能解决的问题？或者用什么更好的方式解决原有的需求？结合行业经验去洞察问题，发现痛点，这是产品经理不变的核心意义。
1. 如何通过 AI 解决问题——技术理解
找到需要解决的问题后，关键在于对 AI 技术方向的理解。不同的产品对应不同的技术方向。AI 大的技术方向主要包括：
- 计算机视觉 (CV)：处理图像和视频信息。
- 自然语言处理 (NLP)：处理文本和语音交互。
- 语音工程：专注于声音的识别与合成。
- 规划决策：涉及路径规划和策略制定。
- 大数据分析：处理海量数据的挖掘与分析。
产品经理需要根据自身产品的行业属性，对不同技术方向有相应的理解深度。AI 本质上是一个找出对应关系的工具，将行业内的需求转化为'输入'和'输出'的问题，然后收集数据，整理成训练集给 AI 进行学习。不同技术方向下的'输入'和'输出'形式会有所不同。
（二）数据准备
当定义好需求，明确了给 AI 定义的'输入'和'输出'之后，接下来就需要为 AI 准备训练集并进行训练。
特别说明：这个环节主要针对非大模型类的 AI 产品经理。在大模型时代，如果是针对 AIGC 领域的产品经理，部分基础数据准备工作会被大模型的能力所覆盖，但仍需关注提示词工程和微调数据。
数据准备可分为三个阶段：数据来源、数据定义、数据交付。这三个阶段需要的规划、收集、整理数据的能力，是 AI 产品经理与传统产品经理非常大的差别。
1. 数据来源
传统产品的数据来源通常是用户使用数据，而 AI 的数据来源是指训练 AI 的数据来源。主要分为两个方面：
- 基础数据：用来制作 AI 产品的初始数据。可能是产品原有的数据积累，也可能是各方收集的数据甚至人力撰写的数据。这些数据需要被整理成训练集和测试集。大量的深度学习对数据质量要求极高。
- 交互中收集数据：AI 产品具有'动态成长'的特质。用户与产品交互的过程，就是产品迭代和训练的过程。交互中的数据是数据来源的重要补充。
2. 数据定义
有了数据来源后，需要整理训练集和测试集。这期间涉及大量繁杂的工作，如数据清洗、整理。需要考虑的问题包括：
- 用什么样的方法清洗和整理数据？
- 设置什么样的'输入'和'输出'能够保证训练出的模型在实际场景中表现更好？
- 在交互中要收集什么数据？用什么样的形式收集？如何把收集数据的交互更好地融合在用户的使用中？
在实践过程中，还需要根据机器学习效果对训练集进行不断的调整和修改。
（三）产品设计
定义好产品需求后，开始进行产品设计。产品设计本质和传统产品经理一致，根据需求和问题做出能解决问题的产品。主要包含两个方面：基础功能、动态中发展。
