请选择 进入手机版 | 继续访问电脑版

AI产品经理从业指南:7个重点

AI产品经理  / 倒序浏览   © 著作权归作者本人所有

#楼主# 2020-6-15

跳转到指定楼层
AI产品经理随着人工智能爆发式发展而逐渐升温,AI领域提升生产力而非古典互联网连接价值,因此AI产品经理与古典互联网产品经理,在素质要求和能力要求上大为不同。

古典互联网产品经理转型AI产品经理,遭遇首要入行问题便是AI技术。于是有些产品经理靠下班后自学,有些则更激进报人工智能培训班,有些干脆裸辞全职准备报考诸如北航人工智能专业研究生。可谓八仙过海,各显其能。

人工智能行业大发展这两年,高薪始终伴随左右。在行业内部,算法工程师更是达到30k起薪,AI产品经理起薪略低,普遍达到起薪20-28k,相对于古典互联网产品经理10-14k起薪,大概有一倍的差距。一个人的薪资由行业、稀缺性、个人能力构成。人工智能行业20-28k起薪主要还是由于人工智能行业起步阶段,训练有素的AI产品经理稀缺,导致溢价。在早期入行者,还是很容易实现跨越式发展。既积累行业经验,有先发优势,又能拿到不错的待遇。这是AI产品经理的红利期。

对于想从事AI行业的产品经理可以经常逛逛商汤、依图、旷视招聘信息及薪资待遇,相信这段红利期不会太久。

市场上AI产品经理通常有两种选择方向:进入纯AI公司深耕行业和在企业内容AI部门为不同部门业务提供AI能力。两者各有利弊,整体上讲,AI+行业是更能依靠服务行业,最大化AI价值。

古典互联网大公司多有AI Lab类似部门,目标是为企业内各业务提供各种AI能力。譬如今日头条、58同城、360、阿里巴巴等均有类似赋能部门。但这部分AI产品经理遭遇的困境,往往不在技术无法提供服务,而在于企业内耗上。譬如A部门做智能营销服务客户,AI部门能提供此能力,A部门也能招人做,为了业绩不外流和不被其他部门掣肘,A部门通常选择招人自己做。这样AI产品经理内部AI产品化推动就会遭遇巨大阻力。最后推动不力,没有实质进展,企业往往转换方向,放弃此AI产品化项目,AI产品经理就被打入了冷宫。

AI Lab类选择另外一个问题,在于服务企业内部部门数量有限,且要各种妥协来获取其他部门支持,往往无法从行业和普适性角度出发做AI产品化,AI产品化成熟度低,定制化程度高。产品在公司内部尚不成熟,更难以走出企业应用到整个行业中。

AI+行业则对产品经理要求更高,要求产品经理对整个行业有宏观把握。给算法工程师打杂调参并不是AI产品经理的价值核心。核心在于理解行业客户需求,并以产品化方式满足客户需求,产品化方式不限于后台、sdk等等。客户需求的不确定性以及AI企业想服务好这帮客户最后攫取利润,这就是AI产品经理的价值。

AI+行业本身对AI产品经理行业认知及技术认知要求较高,AI产品经理需要对客户形成分层认知与分层服务,AI产品需要做到适当“冗余”,支持对可配置。

“有多少智能,就有多少人工”是AI行业业内公认的箴言。AI产品化最大的价值便是降低AI应用的成本,这成本包含客户部署AI的成本和公司服务AI的双向成本。但成本并不会随着AI产品成熟而趋向于0。

AI对于大部分被服务企业来讲,仍然是一个高大上的黑盒,企业内部仍然无法独自部署和使用。因此AI行业普遍会有实施、交付、技术支持等岗位,服务大客户驻场实施集成,更是出差几个月到半年在客户公司不在话下。相比于古典互联网来讲“太重”了。

随着AI产品成熟,AI产品经理的价值和工作内容,会变得逐渐由后端到前端,成熟的AI产品,AI产品经理要么另谋下家,要么转岗既做产品又做客户服务,逐步偏营销和售前角色。这种转换价值行业内仍没有定论。

因为内容较多,将分成三个部分展开论述:
第一部分,介绍AI产品经理能力模型,人工智能发展史及看待人工智能的几个视角,总结学习资料和方法;
第二部分,介绍人工智能的常见算法,如何零基础通过 TensorFlow 实现手写数字识别。
第三部分,分析AI产品经理在2B和2C领域的能力差异,介绍一些可体验的AI产品。

1、AI产品经理能力模型概述

从现在的招聘市场来看,产品经理岗位已经出现大量细分,如数据产品经理,支付产品经理,ERP产品经理,CRM产品经,供应量产品经理,POP产品经理等,AI产品经理可能将成未来的一个主流细分岗位,而且因为AI对应的领域不同,AI产品经理下面将衍生出大量的细分行业AI产品经理。在讨论AI产品经理之前,我们来看看,非AI产品在公司中需要面对哪些角色,而面对这些角色需要的能力模型是什么,在这个基础上我们再来讨论AI产品经理的能力模型。
产品经理需要每天与工程师,设计,老板,运营,市场,用户/客户,测试等部门同事沟通,AI产品经理从对接人上来看,增加了AI科学家或者AI工程师,为了可以顺畅沟通,产品经理的知识结构必然需要增加相应的知识,以提升沟通效率,清楚产品设计边界,同时,因为AI产品与客户的业务结合更加的密切,所以需要对所设计产品的行业有纵深的全流程理解能力。在这个基础上,我们来尝试搭建AI产品经理能力模型。


产品能力模型可以从人,事,知识三个角度搭建,通过上文的分析,我们可以看到,在人和事上产品经理的能力几乎没有太大变化,但是在知识层面需要进行基础储备,以提高与AI科学家和AI工程师的沟通效率。人工智能技术正处于高速发展时期,充满了不确定性,所以产品经理的认知极限一定程度上影响了产品的未来,本文将总结人工智能领域的一些基本概念,认知极限需要靠阅读最前沿的paper和团队的AI科学家/工程师多交流,行业纵深的理解需要真实的参与到业务的整个过程中学习,这就为一些非互联网领域的,有着多年细分行业工作经验的,清楚全业务流程痛点的非互联网人提供了转型机会,后面会详细论述。
2、AI产品经理≠AI科学家,应用实现门槛不高

提到AI大家第一印象可能想到的是复杂的数学公式,天书一样的算法模型,需要学习AI难如登天。但实际情况是,即使做一名AI应用开发工程师,可能也未必要需要理解那些天书一样的复杂算法,Google的深度学习框架Tensorflow极大的降低了数学门槛,这个框架内置了损失函数优化方法,而Keras(基于Tensorflow构建的深度学习框架)可以把一个模型代码量大大减少,究竟能减少多少呢,我们以机器识别猫狗照片的分类器模型为例,可以通过下图中的14行代码搞定,寥寥几行代码就把一个拥有着卷积层、池化层和全连接层并且使用Adam这个较高级优化方法的深度学习网络架构写出来了。

网上有一张图,很有意思,生动的表明了不同的人对机器学习的理解:

我们的目标是成为一名合格的AI产品经理,而不是工程师,所以只要清楚这些技术的实现框架就可以了,只要可以清楚的描述客户需求场景,深刻理解客户诉求,并将其清晰的描述给AI科学家,并能听懂AI科学家的话就可以了,至于他们使用了什么模型,什么算法并不需要你去操心。

3、语音识别(ASR)
一句话定义就是:将人类声音转化成文字的过程。
按识别范围分类为“封闭域识别”和“开放域识别”。封闭域识别:在预先指定的字/词集合内进行识别。如此可将声学模型和语音模型进行剪裁,识别引擎的计算量也变低。可以将引擎封装于嵌入式芯片或本地化SDK,脱离云端,且不会影响识别率。开放域识别:在整个语言大集合中识别。引擎计算量大,直接封装到嵌入式芯片或本地SDK中,耗能高且识别效果差,所以一般都只以云端形式提供。(更详细的介绍可看文末分享的脑图)

4、计算机视觉(CV)

一句话定义:计算机对生物视觉的模拟。通过采集图片、视频进行处理,以获取相应场景的三维信息。
计算机视觉的三步骤为成像、早期视觉、识别理解。其中成像原理跟相机原理相同,成像质量受光照影响、模糊、噪声、分辨率的影响,我们需要去找到好的方法来解决光照、模糊等问题。早期视觉又有图像分割(将特定影像分割成“区域内部属性一致”而“区域间不一致”的技术)、边缘求取(找到图像中的亮度变化剧烈的像素点构成的集合,即找出轮廓)、运动及深度估计三种方法。识别理解是最后一步,即把一张图片对应到一个文字或标签(根据机器找到的映射关系得出输出)。
计算机视觉的三种应用介绍:人脸识别、多目标跟踪、光学符号识别。
1)人脸识别的技术流程:人脸采集--人脸检测--图像预处理--特征提取--人脸匹配与识别。在实际流程当中,每一个环节都有对应的注意事项,详情请看老狼在文末准备的脑图。
2)多目标追踪的技术流程:图像采集--图像预处理--基于深度学习的多目标检测识别--多目标跟踪--输出结果。在实际流程当中,每一个环节都有对应的注意事项,详情请看老狼在文末准备的脑图。
3)光学符号识别的技术流程:图像采集--图像预处理--特征提取--文字定位--光学识别。在实际流程当中,每一个环节都有对应的注意事项,详情请看老狼在文末准备的脑图。

5、自然语言处理(NLP)

一句话定义:自然语言处理(NLP)是指机器理解并解释人类写作、说话方式的能力。
NLP又包含NLU(自然语言理解)、NLG(自然语言生成)。自然语言处理中最重要的3个环节是分词、锁定关键词、文本相似度计算。因为目前机器的语言识别其实都是基于对词的识别,任何句子进行自然语言处理时第一步都是要分词,比如:“我是产品经理”,分词后变成“我-是-产品-经理”。分词之后,要找到“关键词”,“关键词”是提供重要信息、最多信息的词,比如在“我是产品经理”句子被分词后,机器会选择“产品”、“经理”为该句子“关键词”。文本相似度有欧氏距离、曼哈顿距离等算法,详情看老狼的脑图。

6、学习资料和方法

1、推荐书
科普-发展类:《浪潮之巅》《人工智能狂潮:机器人会超越人类吗?》《人工智能:李开复谈AI如何重塑个人、商业与社会的未来图谱》《智能革命:迎接人工智能时代的社会、经济与文化变革》《AI:人工智能的本质与未来》《科学的极致-漫谈人工智能》《终极算法》
科普-脑洞类:《三体》《未来简史》《奇点临近》《机器人时代》
个人感觉产品经理读上面的这些有一个宏观的认知就可以了,核心是对业务纵深的理解,对AI技术边界的理解,对AI技术知识的框架理解(后面会介绍机器学习的常见算法及应用场景),下面的书是AI开发同学会看的书,真的感兴趣可以看看。
学术类:《世界著名计算机教材精选·人工智能:一种现代的方法(第3版)》《深度学习》
编程类:《白话深度学习与TensorFlow》《TensorFlow实战》《Python编程 从入门到实践》
数学类:《数学之美》《程序员的数学》(简单数学入门)《程序员的数学-2》(概率与统计)《程序员的数学-3》(线性代数)
2、推荐学习网站
吴恩达在163课堂上的深度学习课程、coursera上的机器学习课程、gitchat上人工智能课程、udacity上深度学习课程等
3、推荐公众号
36大数据、凡人机器学习、机器之心、CSDN大数据、智能玩咖、专知、网易智能

7、读paper网站

https://www.semanticscholar.org/search?q=ai&sort=relevance、google 论文
因为AI产品经理能力模型中很重要的一点就是拓宽认知边界,所以非常有必要读最前沿的paper,不用纠结与算法,只看这样的算法可以做什么!
P.S. BAT做AI能不能成?最大的机会在哪里?

在回答这个问题之前,我们先来看人工智能当下的发展现状,当下的人工智能是有明确边界的,有一种说法叫一秒法则,人工智能可以处理人1秒中可以想出答案的问题,这个问题还需要有以下几个特点:大规模,重复性,限定领域,快速反馈。从前文中人工智能发展史我们可以看到,资本在人工智能发展中扮演重要角色,而当下人工智能的特性非常适用于企业层面的效率提升,而且企业可以承担更高的采购费用,企业投资和个人消费的逻辑差异性极大,企业计算的是相对人工的长期成本差异,一个机器人10万元,可以持续升级并使用四年,这个成本就远低于一个工人的四年人力成本总和,而且机器人不用休息。所以我们能看到,今天的AI主要也是在2B端发力,2C端的产品多是音响,助理等,用户付费意愿不强,或者使用场景单一,曾经看过一份报告,语音机器人的最主要交互是查询天气预报,定闹钟,听音乐,这远远达不到家用机器人的要求。

再来看BAT在人工智能方面有哪些优势,BAT在人工智能的布局早早开始,百度A(AI)B(Big data)C(Cloud)战略,阿里的达摩院,腾讯也有腾讯云,大数据中心,人工智能实验室,这些大公司胜在基础架构层、数据量和资本优势上,拥有大量的人工智能科学家,可以持续优化算法,提升算法模型的准确度。
从产品对于AI技术准确性需求的角度来看,可粗略分成两种产品,一种是需要算法准确度需要达到99.9999%才能应用的产品,一种是算法准确率达到99%或者95%就可以的产品。

准确度要求极高的产品或服务。如手术机器人,自动驾驶技术,智慧交通等,这些产品和服务直接关系到人的生死,要求具有极高的准确度,需要AI科学家持续的优化,只有达到近乎百分之百的准确度才会商用。

准确度要求不高的产品或服务。如面部识别,语音机器人,无人机农药喷洒,艺术设计,搜索引擎,精准营销等,这些产品和服务对于精确度要求不高,因为即使不精确也不会直接造成人员伤亡。

再来从行业的垄断程度看,分为垄断程度高的行业和垄断程度低的行业。
垄断程度高的行业。行业的垄断程度越高,头部公司的体量越大,最初可能因为缺乏AI技术而采购技术,当技术环境成熟,BAT和google这类公司开源了大量源码后,行业垄断型公司会则会搭建自己的AI团队,搭建自己的大数据,云计算和AI实验室,以运营商为例,资源垄断型市场,三家独大,每家都在搭建自己的大数据分析平台,也在搭建自己的人工智能实验室。

垄断程度低的行业。如衣食住行相关的零售行业,因为分散,他们有需求,但是没有足够体量和资本自己搭建AI团队,所以他们会将AI技术作为一项工具,以合理的价格采购成套服务,来实现+AI的升级,如同现在的饭店都会使用美团,大众点评等服务,为自己晚上线上到线下的导流。

如同当年的互联网+和+互联网一样,也会演化出AI+和+AI的发展方向。
通过上面的分析,我们可以绘制象限图。我认为第一象限因为BAT拥有科学家优势,虽然垄断程度高的企业很有钱,但是因为BAT有数据优势和科学家优势,在这个领域BAT优势明显,可以向企业提供独特的AI服务,提升垄断企业效率,这部分产品需要靠AI科学家驱动。第三象限虽然技术门槛低,垄断程度低,会出现大量小AI公司进入这个市场,BAT进入这个市场拥有足够的品牌和数据优势,因为市场需求量较大,BAT可以考虑做开放平台,为有垂直领域的AI小公司提供开源开发平台,通过云服务获利,如果自己来做,这部分服务和产品将是运营和产品来主要驱动。第四象限垄断企业会自己组建AI团队来做,我们能看到,手机制造这个还不算垄断的行业中,因为资本实力雄厚,各个厂家已经在组建自己的AI研发团队,但是BAT有巨大的用户行为数据优势,可以考虑通过变相的用户画像进行对接,实现一定程度的数据加密互联。第二象限暂时来看不太适合进场。

回答最初的问题,个人感觉BAT做AI有机会,在第一象限有技术和数据优势。在第三象限有数据和品牌优势,如果做垂直领域,可以通过招聘获取垂直领域的认知,垂直领域的市场拓展是最困难的,下面将从企业属性来分析这个问题。第四项象限,BAT有数据优势,可以通过合作方式互通互联。

关于2B类的服务,这里提供给大家两个视角,第一个视角,从民营企业视角看AI。第二个视角,从国营企业视角看AI,笔者个人感觉,民营企业和国有企业的在+AI上的需求上差异性极大。

从民营企业视角看AI。民营企业的核心诉求就是创造更多的价值,赚更多的钱,可以从开源和节流两个角度进行+AI,民营企业家和管理者有充足的动力去进行改革升级,只要技术是有用的,可以提升效率或压缩成本的,民营企业会积极拥抱改变,从吴晓波老师的激荡三十年可以看到,中国的企业家不缺乏面对变革时转型的决心和行动力。BAT可以考虑在尽可能多民营企业家聚集的场合,推广真实高效的+AI产品和服务,如吴晓波频道的年会等。

从国营企业视角看AI。国营企业即承担创造价值的责任,也同时承担着保证国有资产不流失的责任,组织内部员工多是对上级和自己的职位负责,所以创新一定要稳妥,而且国营企业有个有趣的现象,每年年底写第二年工作计划时,必须要有创新,也就是每年都要有新的创新点,但是不能太激进,国有企业的核心诉求是不犯错,未必有功,但求无过,所以如果BAT的产品只是专注于提升效率并不符合国有企业的中层和领导的诉求。但是,国有企业其实有大型互联网公司赋能创新的需求,这个时候需要BAT等AI企业积极主动的提供解决方案。现在的国有企业技术服务招标有一套冗长的流程,所以要想搞定这些国有企业,首先提供高效便捷的AI产品和服务,从顶层或中层得到领导认可,从执行层面为企业招标准备完善资料和陪标公司。大型的国有企业的定制化要求很高,现在用友和亚信等软件开发团队多是长期驻厂,提供运维服务和新需求开发,如果BAT真的想要做垂直领域的AI服务,则需要BAT放下架子,做好持久战的准备。

时间是最大的成本,AI产品经理入坑须谨慎。






上一篇:对比分析:AI产品PRD和互联网产品PRD的异同
下一篇:机器学习的“边界”:如何摆脱沦为“玩具”的命运
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