AI 产品经理转型需知的 9 个核心问题

比如人、车等，但实例分割还需要区分不同的车，不同的人，如每辆车用不同的颜色区分，每个人用不同的颜色区分，如图 4-12c 所示；全景分割则是把语义分割和实例分割结合，图像中的每个区域，无论是前景还是背景都需要进行分割，而且所有都需要按实例进行划分，如图 4-12d 所示。

5. 如何定量定性评价 AI 产品？有什么评价体系？

对于 AI 产品来说，算法的参数是产品参数的重要组成，一般来说，算法的评价或者对 AI 产品的评价，都少不了功能、速度、精度等维度，这些指标在一定程度上可以反映产品的价值。功能是针对有无问题，速度和精度的高低，则决定了产品的可行性和性价比。通常会使用定量评价和定性评价两种方式进行速度和精度评估。

定量评价是指通过客观的指标进行计算而评价算法或者系统的精度或者性能，比如通过标注数据和推理结果进行比较，计算出如上述所讲的 precision 精确率、recall 召回率等指标。定量评价的最大有点是客观，只要建立足够科学的度量测试集，就可以通过指标对比不同算法的表现。但是算法的定量测试是一项不小的工程，算法的定量测试早期均是算法研究员的工作，而对于产品交付，算法定量测试，对于普通的测试工程师是一个较大的挑战。

以精度为例 AI 构建了一套易懂易记的评价体系：

精度一般是对算法或系统的检测、识别准确率等指标进行考察，本节对算法模型精度测试定义了三类概念，第一类是基础概念，第二类是基础指标，第三类是二级指标。基础概念是指最基础的常识、方法和变量，包括度量基准（Benchmark）、测试集以及混淆矩阵等；第二类是基础指标，是在运用基础概念及变量进行计算后得出的指标，包括准确率、精确率、召回率等；第三类是二级指标，是在基础指标上再进行计算得出的更直观的精度评价指标，如 ROC 曲线、AUC 等。

6. 当我们讲 AI 的长尾，我们在讲什么？

AI 算法的长尾体现在两方面，第一是对 AI 业务来说，许多业务无法仅仅使用一个算法就完成业务闭环和满足交付，比如面向城市治理解决方案，常常需要交付对人脸、人、车、非机动车、物品等等众多内容的识别，针对其中每一个主体，如对人，还需要对年龄、性别等一系列属性的识别，业务种类极其繁多，但这样的系统很多时候最关键的业务价值还是人脸识别；第二是对单个业务任务中，数据样本的长尾，使得要做好一个任务难度大。

例如判别一张图片是否有'狮子'，在狮子的图片中，大部分都是我们熟知的黄色皮肤、头部大量毛发的非洲公狮，但是狮子的品种非常多、颜色也多、就产生了很多长尾的不为我们熟知的样本，如白狮、黑狮（不管真实还是被 p 图），因为人的创造，还出现了很多卡通的狮子图片，甚至还有如狮虎兽、虎狮兽这样的物种，这就使得一个原本认为定义清晰简单的'狮子'变成了存在大量长尾样本，在一些长尾样本中定义存在模糊的情况。

7. 怎么看待 AI 业务在 B 端落地和 G 端的区别？

面向企业的服务和政务的最大差别，是企业追求利润。 从企业盈利属性看，赚取高于平均利润的超额利润是企业发展的重要目标，而技术创新是提升劳动生产率的重要途径，优先拥抱创新技术提高生产效率可提前获得超额利润，全社会对新技术的拥抱则会提高整体的劳动生产力。因此，企业的根本诉求是提升效率带来获取超额收益，而人工智能作为改造生产力的重要技术之一，是企业提升效率的重要选择。

8. 怎么看待企业转型人工智能？

企业拥抱人工智能技术有两种路线：第一是使用人工智能解决问题，如利用人工智能技术降本增效提质。第二是使用人工智能赚钱，即在第一步基础上输出 AI+ 自身领域解决方案业务，成为 AI 解决方案供应商。

人工智能产业发展包含产业智能化、智能产业化两个维度，有一些企业是已有传统行业业务，通过转型利用人工智能技术赋能旧业务，可以理解为旧产业的智能化，也有新创立的人工智能企业，专门提供人工智能基础设施产品，这些人工智能基础产品形成一个产业，即智能的产业化。

9. 当在做 AI 中台产品，涉及到算力层面需要考虑什么？

从 AI 中台产品的算力层面，我们可以从以下 4 个维度来考虑：

（1）集中式和分布式

集中式部署便于统一管理和维护，适合训练阶段；分布式部署则能应对高并发推理场景，提升系统可用性。选择时需权衡数据隐私、网络延迟及运维成本。

（2）端边协同

随着物联网发展，部分算力下沉至边缘设备。AI 中台需支持模型在云端训练、边缘端推理的协同机制，确保数据流转顺畅，同时降低带宽压力。

（3）算力多元化

硬件架构日益丰富，包括 CPU、GPU、NPU、FPGA 等。AI 中台应具备异构算力调度能力，根据算法特性自动匹配最优硬件资源。

（4）算力的精细化管理

在算法对算力的使用上，需要进行精细化地规划管理才可最大化利用算力。

第一是针对一个业务算法的异构算力的规划利用，在计算中，有些类型的计算更适合用 CPU 处理，而神经网络矩阵运算更适合 NPU、GPU 等并行计算实现，但是由于异构的通信、多媒体处理流水线中还有如编解码等环节，有时候需要根据算法的特性进行异构情况下算力的分配，其中分配的内容包括如 CPU 的核心数量、GPU 数量、显存分配等等，最大化发挥异构算力中每个环节的性能；

第二是针对多种业务算法并存情况下的算力精细化分配，在实际业务划分中，在众多独立的算法共同服务一项业务，并分布到不同的算力单元上，但由于算法本身速度差异，会有如'木桶效应'存在，即某一算法满而拖慢了其他更快速度的算法，从而拖慢了整体业务的处理速度，则需要从不同业务算法性能出发进行算力分配，计算速度慢的模块，应该分配更多的计算单元，减少整体等待时间，或者更高明的是动态实现算力的分配，实现整体性保持高性能。算力的精细化管理虽然不一定需要 AI 产品经理亲自设计解决方案，但提前预知问题的存在，会减少预期高性能算法实际应用中速度落差大的问题。

总结

AI 产品经理不仅需要理解技术边界，更要具备将业务需求转化为算法任务的能力。从产业趋势到具体落地，从评价指标到算力规划，这 9 个问题构成了 AI 产品工作的核心知识体系。掌握这些内容，有助于在 AI 转型过程中做出更准确的决策，推动产品成功落地。