请选择 进入手机版 | 继续访问电脑版

#楼主# 2020-3-9

跳转到指定楼层
这里讨论的AI产品经理(或者叫算法产品经理、人工智能产品经理),主要偏向于深度学习算法。AI产品经理,最核心的能力就是组织资源,从数据中挖掘价值,AI只是实现产品过程的一种技术,AI产品经理也属于互联网产品经理,与其他产品经理不同的是,AI产品经理需要了解更多AI技术,才能在团队协作、产品商业化过程发挥更大的价值。所及AI产品经理其实是从传统的互联网产品经理的逆向面出发来反哺互联网产品和服务的一种职能角色。

一、关于业务方向

根据对接的算法模型,会存在不同的对接方向,在业务方向上,我将AI产品经理和数据产品经理上做了类比,其实整体的对接方式上会更类似

第一层,数据治理层面,数据产品经理在数据治理层面会将数据整体做治理,纵向上梳理业务来源、到数据仓库再到数据集市的数据处理方式,横向上梳理数据主题、数据规范和存储模式等数据模型,在这中间再孵化出如数据开发平台、质量监控平台、数据资产管理、任务调度平台等等。

第二层,数据/算法平台层面,数据产品经理基于已有的数据情况,建设对接业务方的通用能力,包括建设通用型用户标签和人/货/场的画像体系,建设通用的广告营销平台,建设通用的查询分析平台等。

AI平台型产品经理,这里的平台可以是数据众包平台、AI能力开放平台、AI训练平台,都是将数据标注能力和算法模块能力做上层延展,对内或者对外形成通用能力的输出。以数据众包平台为例,可以是数据标注的交易撮合平台,也可以是将内部的标注能力直接对外输出,这样一方面可以不但可以获取直接的人力收入,也可以间接获得数据收入。而AI自助训练平台,则是将基础模型(如基础图像分类模型)包装成可流程化、可视化的训练过程,让非算法同学可以参与到训练过程中,自己完成模型的训练和优化。

第一层和第二层往往会有交叉,公司内部如果愿意搭建AI中台,那么第一层和第二层上的内容就应该是整合打通的,从数据流入、标注到模型训练过程,整体做到可视的一体化产品。

第三层,业务应用层面,数据产品典型的像字节跳动典型的推荐系统,整体可以划分如客户营销体系、客户风控体系、决策分析体系(如管理驾驶舱等)。AI产品则是在可以明确边界和可收敛识别规则的业务场景进行应用,包括语音、计算机视觉、自然语言处理的场景,典型的如内容审核(判断内容是否违规)、内容理解(判断图像中是否存在的目标和场景)、写诗机器人(将诗的固定模式提取后进行诗句输出)等。

二、关于数据

深度学习不同于机器学习,它模拟神经元,可以处理线性和非线性的回归和拟合,通过神经网络的搭建,往往处理的是成千上万个维度的特征拟合。如此大的特征维度,是通过网络自己提取的,通过不断样本数据输入,自己归纳提取样本中的特征倾向。因此,对深度学习来说,方便的是可以不需要人工去做特征提取的工作,但是在数据样本的分析,样本的质和量都有较高的要求,而且这些样本目前的技术阶段是要求全标注。在这个背景下,对数据的过程管理尤为重要。

数据来源渠道

稳定的数据来源渠道能够持续的提供深度学习“粮食”(深度学习理论上样本是多多益善,且个类别需要均衡),因此一方面可以将线上的业务样本进行沉淀,被动积累,另一方面可以针对业务样本类型,针对性的从目标网站进行爬取。当然,不能忽略的一个大的数据来源是,开源的数据集,或者竞赛的样本集,这些数据一般有较高的标注质量,可以直接拿来训练或者经过极小成本的人工审核即可以达到训练要求。

样本标注标准

可以理解为是,对数据的要求可以从两方面来理解,一方面业务方会提炼出业务样本输入,而算法会从实际训练效果上做出预判,提出从算法侧需要的训练样本要求输入,最终根据实际主动获取的样本和标注过程中问题去迭代形成对于某一个业务需求的数据标注标准。

这里所说的算法侧的样本要求输入,主要是因为,深度学习强调数据样本的多样性和全面性,且过程中会不断形成对某些影响大的噪声样本分析,逐步剔除样本和引入新的类型样本。这个过程需要数据运营和算法深度参与标注过程,在过程中逐渐沉淀和调整对于数据标注标准的描述,且需要少量试错,快速迭代,否则等大批量样本标注完成,返工的人工成本和时间成本都极高。

从实际的运营情况来看,懂业务的算法更容易把业务做好(适用于机器学习算法和深度学习算法工程师),更容易一开始与业务运营和数据运营同学协同将标准指定的更清晰、更可落地、更鲁棒。

三、关于项目管理

算法项目不同于应用研发项目,研发功能上在一定周期的配合后,团队内部对于可行性方案、研发周期、最小可执行单元会逐渐达成共识,项目评估后可以有明确的启动和结束节点。

算法项目更多依赖算法团队的学术和工程能力,对于算法团队未执行过的领域项,算法同学一方面会对数据提出过高的要求,另一方面对于可执行的效果情况也往往不能作出很好的评估。业务的时效性和算法的可行性上往往存在着代沟

敏捷迭代:深度学习算法在一定程度上比较难针对badcase(误杀或者漏杀)进行快速的迭代,这样的情况下,一方面可以通过产品功能上进行补充(黑白样本库),一方面目前学界逐步在解决小样本场景,部分业务场景已经在小样本上有可工程化的应用。

四、关于组织架构

AI产品是一个很大的概念,不同的公司会有不同的投入,有些是随着业务线招聘部分算法进行业务的投入,垂直去解决业务问题,这点跟原来数据应用的模式一致,优点是能深入业务快速产出,但是不利于公司级的AI能力拓展。

对AI能力重视的公司会独立建设AI中台部门,做好对公司级的AI能力打磨建设好平台型的产品,梳理好对应的算法运营/数据运营,能快速承接业务。但是最担心的是中台部门不中台,急于出成绩,会独立外探业务,与业务部门形成竞争关系,最终其实还是烟囱式的发展模式,“形实不一致”,基础建设与业务发展会逐渐脱节。






上一篇:如何“愚弄”人工智能?
下一篇:从硅谷产品经理谈谈:AI产品经理要不要懂技术&算法?
转播转播 分享淘帖
回复

使用道具

成为第一个回复人

AI产品经理
小黑屋|AI产品经理社 |京ICP备19051683号-1
Powered by 长弓PM   © 2019-2050