欢迎访问喜蛋文章网
你的位置：首页 > 读后感 > 文章正文

【读书笔记】人工智能产品经理：ai时代pm修炼手册

时间: 2021-11-15 10:39:27 | 作者：邓浩 | 来源: 喜蛋文章网 | 编辑: admin | 阅读: 113次

【读书笔记】人工智能产品经理：ai时代pm修炼手册

一、人工智能产品介绍

1、人工智能产品落地“三要素”：算法、计算能力、数据。人工智能产品经理就需要从产品规划的初始阶段开始， 到最终产品上线后的运营，在整个产品管理过程中考虑如何为研发团队创造“三要素”的最佳环境。人工智能产品就是利用“软／硬件基础设施”“数据”“算法”作为生产材料完成生产力的升级带来更好的用户体验。

（1）在算法层面：设计的产品要和公司现有的算法研发能力相匹配，例如避免设计一些过于超前或落后的产品功能。这需要产品经理对主流的算法模型和框架有基本的认知，并可以做到对各种算法在不同场景下的使用效果进行量化评估。

（2）在计算能力层面：产品经理要从需求出发，衡量产品的功能所需求的算法模型需要怎样的系统架构支撑，并能够评估硬件开销。综合考虑利弊后要判断采用平台即服务（ Platform as a Service, PaaS ）的方案还是自建计算平台。例如产品设计中包含了实时在线的智能语意搜索和智能内容推荐功能，这对于产品底层在线学习的能力就有极高的要求，为了实现这种能力，需要技人大量计算硬件（例如 GPU 卡）

（3）在数据层面：在机器学习领域，数据显然已经变成了兵家必争之地，优质的数据可以帮助企业快速建立门槛。好的数据通常要比好的算法更重要，假设你的数据集够大，那么其实不管使用哪种算洁，可能对分类性能都没有太大的影响。因此产品经理要在产品设计之初就考虑到数据从哪来、数据质量怎么保证、数据治理的工作怎么开展等问题。在这种情况下，产品经理的跨部门协调能力通常起到决定作用。

2、人工智能产品成功”三要素“：核心技术、产品化、商业化

( 1 ）核心技术：人工智能时代的产品成功不同于过往任何一个时期，日新月异的技术创新导致解决同一个需求的手段有多重选择。产品之间竞争的战场早已经从可见的、功能性方面转换到了更多维度的比拼，而且人工智能产品给用户带来的往往是”零感知”技术，即用户没有任何学习成本，甚至都察觉不到这种“高科技“，但实际上已经实现了更优的产品体验

（2）产品化：核心技术在本质上只是解决用户需求的一种手段，如果技术先进却对用户提出了较高的使用门槛，反而很难直接地传递价值，那么产品还是无法成功。产品化的过程是让产品首先可以以快捷、低门槛的形式触及用户（宣传、推广），当用户开始使用产品后，可以有效地传递价值并为用户解决实际需求，当用户使用产品一段时间后，通过延展价值形成用户持续的消费。

人工智能产品在产品化的不同阶段，都面临着比传统产品更大的挑战。首先，人工智能产品的技术逻辑本身很难被诠释清楚，尤其是对于一些前期并不为人所知的新品牌而言，建立信任是第一步。其次，无论人工智能产品多么有科技含量，如果产品无法快速证明它可以带来的价值，就无法促使用户产生购买欲望，因此，制定让用户快速了解产品 、快速用价值打动用户是非常关键的一步。再次，用户一旦产生了购买行为，就与产品建立了紧密的联系，在长期 使用过程中产品需要经得起考验，保证长期稳定地将价值传递给用户，人工智能产品往往能在效率、便捷度、人性化等方面让用户体会到产品的价值。最后，人工智能产品除了需要向用户传递价值，还需要与用户建立更多的连接，也就是让用户依赖产品，将产品融入用户的生活中。只有这样才能延展其价值并促使用户产生更多购买行为，为企业创造持续变现的机会。

（3）商业化：如果说产品化决定了产品的价值空间，商业化则决定了产品将价值变现的能力。人工智能产品相比于传统产品使用了更复杂的技术架构，这造成了一方面产品在研发阶段投入的成本具有不确定性，另外一方面技术的预期效果也比较难评估。因此人工智能产品经理不能利用过去的经验来评估产品的成本结构，制定产品的定价策略，而是需要站在用户角度考虑产品定价策略，深人理解场景和用户的痛点在哪里。人工智能产品的商业化需要产品经理能够把场景、痛点分析透彻，并在评估产品能带来的价值和研发成本后，制定适合的商业推广策略和产品定价包装策略，甚至在必要的时候进行产品定位调整最终实现产品变现。

3、人工智能产品思维模式“三要素”：资源、解决方案、目标导向

人工智能时代的产品比拼的不仅是前台功能和交互设计，还包括硬件运算架构、算法模型、有效训练数据等的综合实力。同时由于深度学习的训练和推断对硬件（如运算芯片、存储等）有不断升级的需求，产品的硬件架构会随着算法技术的模进和训练数据所需的计算能力同步进行升级。产品中各种硬件和软件模块的重构、改良会变得越来越频繁，因此产品经理需要具备系统性思维，即把问题放在整个系统中进行综合分析，权衡利弊，得到最佳解决方案

（1） 资源管理思维：产品经理应关注资源的投入和产出，通常在设计一款人工智能产品的时候需要考虑至少三个方面的资源投入：算法、数据资源（训练集、研发集、测试集等）、硬件资源（计算芯片、存储及各种构成产品的硬件组件）。首先，由于人工智能时代算法模型的训练和调优相比于以往产品功能和页面的研发具有更多不确定性，因此在工程实践中经常会出现预先设计好的硬件架构无法满足算法需求的局面，这就造成了无论是从上线周期还是效果方面都无法利用过去的经验进行评估。其次，由于高质量数据集的获取本身需要投入大量成本（资金、时间等）产品经理应在数据获取成本与模型训练效果之间平衡。最后，人工智能产品在很多时候能否成功取决于系统集成的综合表现而非某项单一技术的突破 ，例如无人驾驶产品（Self-Driving Product ）融合了各种传感器、即时定位与地图构建技术、高精地图等来自各厂家的软硬件产品，是一个典型的高集成度产品，各种厂商技术的优劣势、成本、集成难度等都是影响系统集成效果的因素。产品经理需要在工程实践中积累经验并锻炼资源的统筹管理和风险管理能力，在产品迭代过程中从上面提到的三种核心资源角度考虑投入和产出，并拿出合理的解决方案。

（2）解决方案思维：在人工智能产品生命周期管理过程中，产品经理应该有意识地去主动寻找产品需求的解决方案。用户要的是解决方案，而不是技术或产品本身，而能够将公司的硬件、数据、算法等不同部门输出的资源，以最优的方式整合在一起，并形成解决方案的人非产品经理莫属。由于人工智能发浪潮在发展早期一定是技术驱动的，因此很多公司自然会将更多寻找解决方案的工作完全交给研发团队来做，这就造成了研发团队牵着产品团队的鼻子干活的局面

（3）目标导向思维：产品经理在企业内外通过资源整合与优化， 实现产品从无到有的设计与 发过程。因而明确的以目标为导向的思维模式对于资源的整合及团队协作至关重要，人工智能产品的特殊性对这种目标导向的思维模式提出了更高的要求。首先，产品经理需要具备前瞻性的视角，才能准确定义一款在市场上具备竞争力的产品目标。其次，从技术角度和公司的资源现状出发，确保这样的目标是可以实现且可被量化的。产品的目标包含需求调研、产品设计、技术预研、产品研发、测试、上线运营等环节，每个环节又可以被细化为多个具体的目标。产品经理一方面需要明确阶段成果物、时间节点、标准，另外一方面，需要协调资源，将目标下发到每个团队成员头上。

4、人工智能产品经理知识体系6大模块：

一个人工智能产品的诞生通常涉及复杂的技术框架和系统集成，正因如此 ，市场竞争优势的建立很难依靠”一招鲜吃遍天”，产品之间竞争的层次和维度都与传统产品不同。要想在多维竞争环境中胜出，需要产品经理尽量具备全面的知识储备 ，必要的知识体系可以提供更好的视野并有助于快速准确地做出判断。人工智能产品经理应具备完整的知识体系，应至少包含六大知识模块，对每个模块的理解深度取决于具体行业特点和场景需求。

（1）开发人工智能产品过程中的基础知识，包括产品所在领域术语、常见的技术架构、常见数据类型、测试方法等

（2）平台和硬件支撑，包括云计算、大数据、人工智能平台（例如机器学习平台、实时计算平台等 、智能感知与互联（例如各种传感器、通信方式等 ）、智能芯片、边缘计算等

（3）人工智能核心技术，包括自然语言处理（ Natural Language Processing, NLP ）、人机交互（ Human Computer Interaction, HCI）、计算机视觉（ Computer Vision, CV ）、生物特征识别( Biometrics ）、语音识别（Automatic Speech recognition, ASR ）、 虚拟现实（ Virtual Reality, VR ）、增强现实（ Augmented Reality, AR ）、混合现实（ Mix Reality, MR）等，以及算法基础常识，并理解以上技术的应用场景和最佳实践。

（4）人工智能普遍应用的产品或服务可分为三大类：第一类是语音和文字处理，例如人工智能写新闻稿、机器人客服等；第二类是图像和视觉，例如自动驾驶、医疗影像诊断 、机器人分拣、人脸识别等；第三类是大数据分析和预测 ，例如交互搜索引擎、智能推荐引擎、金融风控，健康风险管理系统等

（5）行业知识体系

（6）伦理、安全、法律知识：产品经理设计产品时应考虑到伦理、数据安全及产品所涉及的法律知识。因此需要对这些知识有体系化地认识和理解，以规避产品风险

（7）除此以外，还需要跨领域的知识体系构建，包括心理学、哲学、数学、认知科学等，人工智能的终极目标是设计出可以为人类服务的高级智能产品，因此相比于互联网产品 ，其所涉及的科学领域更加广泛

5、人工智能产品设计和需求定义思路和逻辑新的趋势和变化：

（1）产品逻辑化繁为筒，用户学习成本降低 ：人工智能产品的目标之一就是降低用户的使用门槛，尽量减少用户的交互流程，降低使用难度，让产品的使用过程接近用户的自然行为。例如：语音交互产品与传统的鼠标、键盘、手机触屏等交互方式不同，用户通过说话即可完成唤醒、查询、关闭和一系列复杂的人机语音交互操作；人脸识别身份验证，过去登录产品需要输入账号、密码、验证码，现在可以通过在镜头前露个脸实现快速登录。由于新技术的诞生，产品经理不能用“线性思维“设计产品，需要了解更多的技术可能性，尝试用“颠覆式思维“设计产品

（2）从用户角度考虑投入产出比：人工智能产品由于具有更复杂的系统架构和实现逻辑，某一功能的实现往往伴随着高昂的代价，而与此匹配的功能价值在很多情况下却不与之成正比。因此，对于产品经理来说，选挥更容易展现其商业价值的需求作为产品的切人点很重要，尤其当产品或功能还没有被用户认可，或者当产品属于一个新的市场中时，最终的实现效果和价值都很难预估，产品经理应选择用户最”痛”的点或者直接和利益挂钩的点作为需求切入点。人工智能产品的研发投入尽管很高，但产生的直接回报对于用户来说仍然非常划算。另外，广告精准投放、电商平台中的搜索推荐都是效果比较直观的，产品价值相对显性的场景，产品经理应在所处行业中找到这些场景。

(3）算法可解释性差，产品需要逐渐获取用户的信任：使用到复杂算法模型的人工智能产品对于用户来说大多属于“黑盒产品”，工程师或产品经理均无法很好地解释实现的原理。在很多领域中，对于用户来说，如果不能证明算法的有效和准确性，就不会接受付费使用产品，甚到会对品牌产生强烈的抵触情绪。例如在某些基于数据挖掘的商品推荐引擎产品中推荐给用户的商品广告，如果不能让用户有被尊重的感觉，或者直接让用户有一种被侵犯了隐私的感觉，就会遭到投诉或弃用。人工智能产品首先需要通过某个具体场景中的预测和推断能力证明技术实力，进而树立领域专业形象，步步为营地争取用户的信任，尤其当公司和品牌都处于刚起步的阶段时，更忌讳大步向前，因为那样反而容易遭到用户的抛弃

（4）传感器技术的飞速进步，带来了多元化交互行为：人工智能与传感器的融合，产生了良性循环。传感器采集的数据用来进行对算法模型的训练，算法模型的完善也提升了传感器数据采集的效率

（5）产品的需求并不一定来源于确定的因果关系：在过去，产品经理根据用户明确的需求设计产品，产品研发出来的结果会和原型设计保持一致，但是人工智能的产品需要完全不同的思维模式，产品经理不再花大量时间和资源来寻找确定的因果关系，而是通过大量的数据挖掘手段探索出设计与需求的相关性，并用数据指导产品设计

（6）产品经理在开始需求定义前应充分了解同前技术水平和资源的局限性，避免定义一些研发很难实现的需求。由于一个完整的人工智能产品体系的搭建通常需要考虑基础设施、数据采集、数据处理、推理和决策等若干环节，产品最终的实现效果取决于上面所有因素的协同。例如：设计一个提供多场景复杂交互的机器人产品时，由于对交互的实时性要求较高，系统应具备足够的硬件支撑，包括计算能力（ GPU、CPU、FPGA、ASIC 等）、储存能力以及各种智能模组（如视觉模组、语音模组）等，因此需要产品经理在提出需求的同时综合考虑自己配套的硬件要求。另外，在不同场景中对算法模型的准确率、召回率的要求大相径庭，需要在进行需求设计时区别规定不同场景对算怯的衡量标准。

二、人工智能产品设计

1、功能性需求定义：在设计人工智能产品时，产品经理可队从微观和宏观两个角度展开功能性需求的定义

（1）宏观：由干人工智能产晶体系复杂，对某一个功能进行研发可能有“牵一发而动全身”的效果，尤其是某些功能如果要实现较好的效果，需要公司投人大量的资源。因此，产品经理应首先对公司的整体产品架构有清晰的认识，在这个框架休系内评估具体场景下的业务需求及功能使用场景，是否符合公司的整体战略规划，以及当功能需求被满足后是否可以为整个产品架构甚至公司带来益处。这样的思维模式有助于在需求定义之前将一些不满足公司整体战略目标的候选功能需求筛掉，并给出定义需求的优先级。同时，有了这样的“上帝视角”也有助于得到老板、投资人的认可最终让公司从上至下达成一致。

如图 所示为某机器视觉人工智能公司的整体产品架构图，该公司的整个产品体系可以被分为技术平台层、产品／服务层、解决方案层。技术平台层为产品／服务层提供了基础计算和分析引擎，而解决方案层是公司在标准产品基础上根据不同行业的特殊场景定制的一系列解决方案。产品经理应判断当前版本中的功能需求是属于公司哪个层面的，井结合技术平台现有的技术积累判断功能上线风险和投入成本。在明确的产品架构中定义功能需求可以保证需求的目标明确性及合理性

(2）微观：产品经理一旦从宏观角度筛选出了优先级较高的功能 ，就可以从微观角度定义具体的功能描述了产品经理应尽量给出明确的业务背景和业务目标，并且可以将目标进行量化。例如，在电商平台中可以通过 GMV( Gross Merchandise Volume, 商品交易总量）提升率作为业务目标。产品经理需要和算法工程师一起在功能需求定义阶段明确功能的哪些指标可以被量化，以及算法依赖什么样的数据，并提供明确的验证方法。这样不仅有助于产品经理有的放矢地帮助团队协调公司资源或外部资源，找到高质量的数据集 而且有助于统一团队的迭代目标。

2、非功能性需求定义：非功能性需求通常被描述为一款产品的“质量属性（ Quality Attributes ）”、“质量目标（ Quality Goals ）”或“非行为需求（ non-Beha ioral Requirements ）” 常常被用来评价一个系统或软件的运行、服务情况 产品非功能性定义不仅决定了人工智能产品的质量，还在很大程度上影响产品的功能需求定义，是支撑产品功能性需求的重要因素。非功能性需求描述不清或缺失往往会为产品研发埋下重大隐患，甚至在产品上线后抵消功能性需求给用户带来的价值。同时，非功能性需求是成功的人工智能软件／硬件架构必须关注的关键要素

往往功能性需求被很多需求分析师或产品经理认为和一款产品的需求画等号，而产品的非功能需求作为支撑产品功能需求的重要组成部分，却经常被人忽略。这是因为非功能需求用来规范和约束一款产品在设计和实施过程中的条件（比如产品的体验、可靠性、扩展性、安全性等），这些通常是架构设计师需要关注的部分，而往往产品经理或需求人员所不擅长的方面。正因如此，建议架构师应尽早参与到需求分析中，通过分析需求的技术可行性，尽早考虑非功能需求，根据这些需求进行架构设计。

针对人工智能产品，下面列举了5种非功能需求 安全性、可用性、 靠性、性能、 可支持性。每个产品的非功能需求都与行业背景、用户特征有关。因此产品之间不存在完全相同的非功能需求，需要产品经理有针对性地进行这方面的设计。

（1）安全性：

1）可得性：产品的数据和功能是否可以按照明确的权限系统控制访问权限，并且有效地拒绝未授权的访问？例如：得到授权的用户是否可以一直有访问权限？访问权限是否受到时间段或访问位置的影响？用户是需要通过其他方式得到授权？类似这样的授权条件是否都已经描述清楚了

2）私密性： 产品存储的数据受到保护，不会被没有授权的人得到

（2）可用性：国际标准化组织在 ISO 9241-1 标准中将可用性描述为“产品被具体用户使用，从而在具体的使用环境中有效地、高效地、满意地完成具体目标的程度”。同时，可用性也是软件产品的重要质量指标，是指产品对用户来说有效、易学、高效、好记、少错和令人满意的程度。可用性是从用户角度看产品质量 即用户能否用产品完成他的任务、效率如何、主观感受怎样。我们经常提到的用户休验就在很大程度上受到产品可用性需求的影响，在描述可用性需求的时候通常要包含用户类型、具体任务、操作环境等方面。可用性需求描述通常与 UI/UX 工程师直接相关，可用性需求描述得越清楚， UI/UX 在设计产品时的目标就越明确。同时，可用性需求的描述还直接影响产品在进行可用性测试过程中的衡量标准。产品的可用性需求需要对用户有深入的了解，了解他们的使用习惯、对产品的期望、他们需要用产品完成的最终目标，以及他们使用产品时的真实场景等。

1 ）易用性：易用性通常包含产品被理解、学习、使用和吸引用户的能力

·易理解性：使用户容易理解产品本身是否是用户需要的、如何能将产品用于特定的任务和使用条件的能力，通常要依赖于产品提供的文档和初始印象

·易学性：使用户能学习产品使用方法的能力

·易操作性：使用户能操作和控制产品的能力

·吸引性：指产品吸引用户的能力，通常涉及软件使自身对用户更具吸引力的属性，例如颜色的使用和图形化设计的特征。

更多关于易用性的描述请参照 ISO 9241 （交互式计算机系统的人类工效学国际标准）。产品的易用性需要产品经理具备换位思考的能力，真正站在用户角度设计用户能理解、好用和有吸引力的产品。另外，产品的易用性是产品化过程中必不可少的因素，易用性较强的产品使产品可以快速地被用户理解、接受并感受其价值。

2）一致性：是否提出了产品的一致性需求？产品通常从流程、页面，到具体的按钮和操作都要有强烈的一致性。具备一致性的产品不仅会让用户获得比较自然的使用体验，而且更加容易建立用户的使用习惯。通常一致性原则包含但不限于三个方面：设计目标一致性、外观元素一致性、交互行为一致性。设计目标保持一致有利于确保需求和设计方法不至于偏离最终的用户需求。当产品的每个元素、功能都是被设计来解决同样目标的时候 ，才能发挥产品最大的优势；外观元素一致性通常是指产品设计风格的统一，例如一款 Web 产品从页面配色到页面元素都要保持风格的统一性；交互行为一致性是指产品的交互设计保持统一，例如 We 产品中的确认弹框在每个页面中的进行取消操作和删除操作时都会出现

3）观感需求：需求中是否描述了产品外观的风格、特征及意图？例如希望产品显得很时尚、产品应该让用户感到震撼、产品应显示出深厚的文化感、产品看起来价格不菲等都是对于观感需求的描述

（3） 可靠性：

产品可靠性是产品在规定的条件下和规定的时间区间内完成规定功能的能力。很多人工智能产品在设计中并没有提出对可靠性的需求，而在产品上线后才发现大量可靠性问题。产品缺失可靠性将面临巨大损失，尤其在一些本身对稳定性要求极高的场景中 ，例如金融交易、医疗诊断、交通行驶等，只有在设计需求的时候明确了产品的可靠性，测试人员在写测试用例、架构师在做产品架构设计的时候才会有倾向性地输出对应的成果物。通常人工智能产品的可靠性可以从条件、时间和功能 个方面展开。条件是指直接与产品运行相关的、系统的状态和输入条件 ，或统称为产品运行时的外部输入条件；时间是指软件的实际运行时间段；功能是指为用户提供给定的服务时，产品所必须具备的功能。常见的可靠性包含如下内容：

1）出错频率：是否已经明确了产品在使用过程中多长时间内（或在某些运行流程或运行条件中）的故障频率的上限是多少，是否明确了故障的严重程度？通常在描述出错频率的时候需要将产品的运用环境描述清楚，例如涉及软件产品运行时所需的各种支持要素，如支持硬件、操作系统、其他支持软件、输入数据格式和范围以及操作规程等

2）自我恢复速度：一旦产品出现系统崩模的现象，是否要在特定时间内恢复正常，即产品的复原性是否有约束或要求？有时候自我恢复速度也可以作为产品性能的一部分进行描述

人工智能产品背后都有复杂的算法模型 一旦后台算法、模型发生变化，意图识别、推荐策略等都可能受到影响。另外，加上实时在线学习技术的引入，产品的运行状态监控和错误识别对公司的测试流程和平台分析架构都提出了新的挑战。传统的人工全量回归测试的效率和成本都是不能被接受的，人工智能产品经理应特别留意积累工程实践中产品的运行风险，并有针对性地提出可以被量化的可靠性需求，用明确的需求指引架构师和测试团队制定专门的工作流程和目标。例如，某些互联网公司会建立自动化AI产品功能测试平台，功能包括：持续监控和回归所有算法分类场景，及时定位具体 BUG 产生的环节、自动提交BUG清单等。

（4）性能：

一款产品的性能通常是在需求设计阶段就应该明确的一项指标，其很重要但常常被忽视，因为产品经理会通常认为这并不是他们应该担心的，而应该是那些性能测试人员去担心的问题。尽管性能分析和测试工具可以实现这样的性能测试结果（例如LoadRunner，即预测系统行为和性能的负载测试工具），但性能测试报告往往在软件已经基本研发完毕的阶段才会生成，而那时候系统的架构设计已无法大范围变更了，因此，就需要产品经理在需求设计阶段将产品的性能指标定义清楚。通常来讲，产品针对性能需求的检查通常会包含但不限于以下几个方面：

1）响应时间：是指系统对请求做出响应的时间，对于系统响应时间，有一个普遍的标准一2/5/10秒原则，也就是说2秒之内响应客户，被用户认为是“非常有吸引力”的用户体验；5秒之内响应客户，被认为是”还算不错”的用户体验；10 秒内响应用户，被认为是“系统很慢但还可以接受”的用户体验；如果超过10秒还没有得到响应，那么大多数用户会认为这次请求糟透了，或认为系统已经失去了响应。在人工智能时代，用户只会对系统的反馈要求更加苛刻，产品经理要调研、测试用户在不同场景中的忍受限度，并提出合理的要求。

2）吞吐量：是指系统在单位时间内处理请求的数量，是产品性能承载能力的关键衡量指标之一。吞吐量在不同情况下用不同的指标单位进行衡量和描述：请求数/秒、页面数/秒、访问人数/天、处理的业务数/小时、字节数/天。具体的描述方式要根据产品的实际情况进行分析，在不同的场景下通常有不同的描述方式。例如数据库的吞吐量指的是单位时间内，不同 SQL语句的执行数量；网络的吞吐量指的是单位时间内在网络上传输的数据流。吞吐量作为一种人工智能产品的重要性能指标，直接影响了用户体验，产品经理应明确提出产品在不同场景中的吞吐量需求

3）并发用户数：平均并发用户数的计算公式为C=nL/T，其中C是平均的并发用户数，n是平均每天访问用户数，L是一天内用户从登录到退出的平均时间，T是考察时间长度（一天内多长时间有用户使用系统）。并发用户数是指在同一时间段内访问系统的用户数量。随着大规模的流式数据计算，深度模型在线学习技术的落地越来越成熟，人工智能产品的并发性能需要强大的计算能力，是对软／硬件技术的双重考验。例如，某些电商平台的在线学习的 TPS（Transaction Per Second ，每秒事务数）会经常达到百万次级别，因此产品经理需要积累这方面的经验以预估软／硬件基础设施的投入

4）资源利用率：一款软件产品的性能通常受到服务器的资源利用率（资源的实际使用/总的资源可用量）的影响，通常表现为处理效率降低，性能不能得到充分的发挥。软件的需求中如果能明确约束资源利用率的上限，在配套硬件设备的时候就能有意识地进行选择，最终可以应对软件性能瓶颈的意外来临，通常服务器的GPU、CPU、内存的占用率是比较常用的资源利用率指标。当然，在描述的时候要将预期的最高并发量同时进行声明。

例如，由于GPU的稠密矩阵计算能力在某些场景中不能得到充分发挥，因此CPU和GPU的混合架构下的异构计算成了当前最具经济性的选择。某些产品中的服务在夜间是流量低谷，造成了大量设备的低 CPU 负载率，在这个时候可以将一些机器学习任务调度到这些机器上面，可以为公司节省大量的资源和成本。

以上有关产品性能的需求描述对产品经理提出了新的挑战，一方面产品经理需要了解不同条件中产品可能受到承载的压力 另一方面 在资源利用率方面需要有粗略的预估。这需要产品经理洞察用户在使用产品不同功能时，以及进行交互操作时的习惯（方式、时间、时长等），只有了解用户的使用习惯，才可能预判出系统可能达到资源、瓶颈的时机，这些认知不一定要求精确地量化，但至少要对各项性能指标有原理或理论上的理解

（5）可支持性

1）可扩展性 ：可扩展性（或称可变更性 ），即变更需求的时候是否影响非常大甚至需要推翻重来。可扩展性定义了一种系统在有新的功能性扩充的情况下，系统内部的结构和数据流受到较小或基本不受影响的能力。一个扩展性较好的软件产品应该能够以某种方式实现增长，并且添加、删除、增强、重构某些组件，对于其他组件的影响微乎其微。

产品经理和架构师需要针对产品未来的规划提前沟通，即在设计产品的时候保持前瞻性思维。要考虑未来的产品功能扩展的大致方向，并提前预判出某些未来一定会上线、但是不在当前迭代中的功能。对产品的前瞻性会极大地影响产品前期架构设计，并为未来进行功能扩展做好铺垫，从而降低推倒重来的可能性

2）可维护性：产品可维护性的定义：指产品可被修改的能力。可维护性可能直接影响产品在整个研发生命周期中的研发投入量。产品的可维护性除与良好的设计、完善的文档、严格的测试相关外，还与软件生命周期中的所有活动密切相关。因此，在产品生命周期的每个阶段，都必须充分考虑软件的可维护性问题。在人工智能产品设计中，要站在整体产品架构层面全面考虑可维护性。

3）可安装性：软件产品的可安装性，代表着在不同环境下部署安装产品所需要付出的代价。如果有上万个需要安装升级的软件客户，那么一个快速、高效率的安装部署流程就意味着为企业节省大量部署、升级的成本。例如，Web 应用的自动化打包和发布可以采用Docker 容器化部署方式，研发人员将配置集成到产品中，不需要运维人员关心具体的配置,可节省大量配置时间。

另外，产品的部署架构通常受到产品的定位、用户的需求、成本以及用户的使用体验等因素的影响。产品采用公有云、私有云还是混合云的部署方式对产品的可靠性、性能及可支持性均有比较大的影响，因此，一款产品的部署架构应当在需求文档中描述清楚，并尽可能地考虑以上提到的这些决定因素

3、量化需求分析

人工智能产品的本质是通过概率思维来解决问题，由于在基于深度学习技术的研发过程中，算法的可解释性较差，产品的展现形式好似”黑盒“，因此产品经理必须将需求进行量化表达，这样才便于对工作成果进行衡量。一般情况下，产品经理需要在迭代开始之前就提出量化标准，算法团队根据被量化后的业务目标进行技术可行性预研，得出调研结论后再和产品经理讨论。结果可能有三种。

*评估现有数据资源，发现存在”小数据”或弱标注数据的情况。那么如果要保证上线时间不变，则需要在算法精度上进行妥协，也就是说需要产品经理进行需求变更

*若要实现产品经理提出的量化标准（可能包含某一个具体的业务指标或模型指标 ）， 还需要申请更多的资源（数据、人力投入、经费等）才能按时完成产品上线

*基于现有资源在规定时间内可以实现量化要求

当然，工程实践中可能出现多种可能性，产品经理需要总结类似的量化评估经验，通过和研发团队的沟通，了解团队技术积累现以及算法能力的边界，这样才能保证在下一次的需求描述中将量化变得更靠谱，尽量减少需求变更和申请额外资源的情况。

量化需求分析不仅在前期技术预研和项目评估方面有好处 而且对产品研发、测试及上线后对产品功能的表现结果可以进行精准的验证。例如根据被量化的目标，测试人员在进行A/B测试（是一种分离式组间实验，为同一个目标制定两个方案，让一部分用户使用A方案，另一部分用户使用B方案，比较哪个方案效果更好 ）的时候，比较新的功能投放后的效果表现是否明显

1）明确需求符合产品愿景

要先明确产品的业务需求，业务需求包含业务机会、业务目标、成功标准以及产品愿景。某些企业将这部分内容纳入到市场需求文档中的功能需求和非功能需求必须与业务需求建立的背景和目标达成一致，任何无助于业务需求目标达成的需求均不宜列入研发计划中。保证业务需求文档的明确、清晰，有助于整个团队快速判断某个需求的提议是否应当在项目迭代范围内。在项目进行中增加任何新的需求，都需要对照业务需求进行检查 保证产品不至于偏离轨道。产品需要实现的目标可以被分为宏观目标和微观目标 两者同样重要且缺一不可。

2）找准需求的场景

确定了产品的宏观和微观目标，产品经理需要分析每个目标对应的使用场景。由于目前人工智能的科研及应用都可以被称为“弱人工智能“，即机器不具备意识、自我、新思维，而且单个产品只能在某个特定的具体任务上表现出应用价值。因此，如果不能将产品愿景拆分成具体场景目标，是无法对需求进行量化的。

3）定义场景中的可量化标准

确定了具体的微观目标，并从产品的微观目标中拆分出不同的场景目标，下一步就该定义可量化的标准了。即使是在同一个领域中，不同场景下对算法的评估标准都完全不同

三、人工智能产品实现逻辑

人工智能产品的目标是模拟和延伸人的感知（识别）、理解、推理、决策、学习、交流、移动和操作物体的能力等。纵观历史，人工智能产品的实现逻辑都遵循从感知到认知，从识别到理解、决策的逻辑过程。由于目前强人工智能还处于研究阶段，因此主流的产品都属于弱人工智能范畴。一个最简化的弱人工智能产品实现流程可以被概括为：通过海量数据的训练和学习，从中识别规律和经验，当新的数据进入时，机器可以在某些方面具备接近人的感知、理解、推理的能力。

通过从角色分 、处理过程、功能价值3个不同的角度描述一个通用的人工智能产品体系，整个体系中，有四类重要角色（内容参考《人工智能标准化白皮书（ 2021 版）》）

*基础设施提供者，为整个产品体系提供了计算能力、产品与外界沟通的工具，并通过基础平台实现支撑

*数据提供者，是体系的数据来源，为后续的数据处理提供充足的”养料“

*数据处理者，代表着各种人工智能技术和服务提供商，主要负责智能信息表示与形成、智能推理、智能决策及智能执行与输出等工作

*系统协调者，负责系统的集成、需求的定义、资源的协调、解决方案的封装，以及除研发以外一切可以保障人工智能产品顺利运行和在行业落地所需的工作

整个人工智能产品体系作为一个动态流程，本质上都是围绕数据采集、存储、计算展开的。随着数据的采集，整个过程是动态循环进行的，即实现了“训练-推断-再训练-再推断”的过程。

在整个人工智能产品的开发和迭代过程中，需要系统协调者（包括产品经理）完成系统的集成、需求的定义、资源的协调、解决方案的封装以及一切可以保障人工智能产品顺利运行和在行业落地所需的工作。当产品上线 需要持续投入资源进行产品运维管理，主要包括日常的运行维护、故障处理、变更升级，最终保证产品可以稳定地运行。另外 ，人工智能产品在设计和开发的过程中，四种角色需要考虑安全、隐私、伦理这三大影响因素，这三者约束了人工智能产品的边界，抑制了产品的野蛮生长。

1、基础设施

1）传感器：传感器是一种物理装置或生物器官，能够探测、感受外界的信号、物理条件（如光、热、湿度）或化学组成（如烟雾），并将探知的信息传递给其他装置或器官感器的作用是将一种信号模式转换为另外一种信号模式

2）芯片：人工智能芯片按照不同用途可以被分为三个主要类型：模型训练、云端推断和设备端推断

第一个类型是用在训练环节的芯片。训练过程由于要处理海量训练数据和复杂的深度神经网络，因此需要 GPU 来提高深度模型的训练效率。与CPU 相比，GPU具备强大的并行计算能力与浮点计算能力，而且可以提供更快的处理速度、更少的服务器投入和更低的功耗，当然 GPU 并不是训练环节的唯一解决方案，例如谷歌提供的TPU也能提供训练环节的深度网络加速能力。这个领域的芯片技术当前也是日新月异，产品经理应对市场的变化保持敏感并选取性价比最高的方案

第二种类型是用作云端推断（ Inference on Cloud ）的芯片，目前主流入工智能应用需要通过云端提供服务，将采集到的数据传输送到云端服务器，用服务器的CPU、GPU、TPU去处理推断任务，然后再将数据返回终端，即将推断环节放在云端而非终端设备上

第三种是为各种终端设备（嵌入式设备）包括智能手机、智能安防摄像头、机器人、自动驾驶、VR 等设备提供设备端推断（ Inference on Device ）的芯片。由于设备端的运行环境是变化的，这就导致网络通讯带来的延迟响应会影响云端推断的推断速度，甚至在某些没有网络信号的环境中，云端推断无法执行，这就导致人工智能产品根本无法运行，尤其是那些需要快速进行推断、决策并执行输出的机器人产品，需要在和用户的交互过程中进行快速响应井满足用户需求。为了解决这样的问题，设备端（终端）芯片成为解决问题的重要手段，但是设备端推断芯片目前由于性能普遍较差，因此主要被用来进行一些相对简单的、对实时性要求很高的推断。另外，算法模型升级和运维成本较高也是设备端芯片的缺点，而云端推断通常可以根据需求配置足够强大的硬件资源，适合运行一些复杂的、允许有一定延时的算法模型。因此，考虑到整体解决方案的投入产出比， 二者并没有好坏之分

人工智能芯片按照定制化程度 又被分为通用芯片、半定制化芯片（ FPGA芯片）、 全定制化芯片（ASIC）三种

1）CPUGPUTPU等模块阵列相对统一且可以处理几乎所有类型任务的芯片被称为通用型芯片，通用型芯片不仅造价相对较贵，而且由于并不是为某种场景定制开发的，因此运算效率相对较低

2 ) FPGA ( Field Programmable Gate Array ，可编程门阵列）是一种集成大量基本门电路及存储器的芯片，可通过输入FPGA配置文件来定义这些门电路及存储器间的连线，从而实现特定的功能。FPGA在生产出来后仍然可以进行自由升级和修改，就如一块可重复刷写的白板一样，特别适合芯片制造商作为快速投放市场试锚的原型版本，当原型不适合市场需求时，迅速进行修改迭代。FPGA本质上是用硬件实现软件算法，因此在实现复杂算法方面对企业有一定的技术门槛要求，在支持各种深度学习的计算任务时，对于大量的矩阵运算，GPU 优于 FPGA，但是当处理小计算量、大批次的计算时，FPGA性能优于GPU，另外FPGA有低延迟的特点，非常适合在推断环节支撑海量的用户实时计算并发请求

3 ) ASIC ( Application Specific Integrated Circuit ，应用专用集成电路）是一种为专门目的而设计的集成电路，通常是在特定用户要求下或为了配合某种电子系统的要求，而被设计和制造出的。相比于 FPGA, ASIC 缺点是试错成本较高，即一旦定板、开模后就不能再变，再加上芯片设计周期较长，因此投资风险较大。但采用这种方案的好处也很多，例如可以将算法模型烧到芯片里，运算效率将会非常高，而且一旦量产，单个芯片的造价会变得极低。由于芯片面积较小，因此功耗极低。一种策略性的做法是，先将芯片原型以 FPGA 形式做出来，在市场中进行充分的测试和调整，然后再进行 ASIC 生产

3）基础平台

*大数据技术：人工智能技术也促进了大数据技术的快速发展，数据存储、数据处理、数据分析这三种大数据技术的重点领域。大数据技术的主要目标只有一个，就是从海量数据中控掘价值。

*云计算技术：云计算是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池（资源包括网络、服务器、存储、应用软件、服务），这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互 ”人工智能可以利用云计算技术实现基础资源层的弹性伸缩并以很低的价格供用户使用。因此云计算为人工智能提供了快速推广应用的技术支撑，降低了企业研发人工智能产品和功能的门槛

2、数据采集

1）数据来源

常见的数据获取方式有以下三种：

*直接购买行业数据（有些可以免费获得）：从开放数据集网站（包括科研、算法竞赛、政府开发数据、个人组织公开数据等）、运营商、行业数据分析公司直接购买数据

*自行采集：通过自身行业积累直接获取用户数据，也可以通过爬虫技术采集合法的互联网数据。自行采集数据的好处是按需定制，可以自定义采集的指标、字段、频率等。

*第三方合作：整合行业资源，与友商或上下游的合作伙伴交换或购买数据。

2）数据质量：人工智能对数据除了“量”的要求以外，还有“质“的要求。获取数据是第一步，但是如果数据的“干净”程度不够，人工智能仍然没法从数据中获取价值。数据是否干净 可以按照四个标准来衡量

*关联度（ Relevancy ）：人工智能产品中的算法模型在训练过程中，对领域数据的关联度要求极高。关联度是评价数据的首要标准，因为如果关联度不够高，其他所有指标都毫无意义

*时效性（ Recency ）：数据应具有比较强的时效性，例如资讯类产品中的推荐引擎，由于绝大多数用户只对当天发生的内容感兴趣，因此对于数据的时效性要求更高

*范围 （Range ）： 数据范围也代表了数据的完整度，互联网公司数据的完整度通常较好，工业制造业领域就完全是另外一幅景象。同样的机器学习平台，在互联网公司运行分类、推荐、回归、聚类算法的效率都非常高。而在制造业的场景中，由于数据的完整度受信息化程度的限制，无法获取完整的生产过程数据，而过程中如果有中间任何一段的数据无法采集，都会导致最终的模型效果很差

*可信性（ Reliability）： 对于很多类型的人工智能产品来说，数据的可信性是获取用户信任的关键因素

数据质量，对于任何一个有志成为数据驱动型的公司都非常重要。企业需要将数据治理作为常态，变成公司文化的一部分，仅依靠 IT 部门进行常规的数据治理是远远不够的，要依靠公司全体成员来维护数据的质量，保证实现“四个R“。实际上某些企业不仅内部对数据治理采取了动作，而且让自己的用户也参与到这样的工作过程中来了。例如谷歌地图就采取各种方式鼓励用户提供最新的最真实的路况校验结果，通过这样的持续性的反馈，反过来给用户提供了更好的产品休验

3、数据处理

4、机器“大脑”处理过程：理解、推理和决策

从识别、理解和推理、决策这 个不同的“智能”层次具体讨论一下当前人工智能可以实现的程度及背后的逻辑

*识别（ Recognition）：识别本质上属于感知范畴，人和机器一样，都需要从对环境及客体的识别开始，进而对识别到的东同做出判断，即上升到认知范畴。只不过，人类是通过视觉器官和听觉器官来分别对光学信息和声学信息进行识别的，而计算机则是通过各种复杂的算法实现这个过程的

*理解和推理（ Understanding and Reasoning ）：识别更强调人对于环境感知的分类、打标签、召回数据的能力，而理解和推理更强调明确地区分、深层次地解释和 归纳总结数据的能力 对于人类来说理解一件事要远比识别一件事更复杂一一对信息的处理周期和逻辑更复杂。

*做决策（ Decision Making ）：无论对于人类还是人工智能来说，做决策者基于对外界客体、事物、环境的理解和判断来决定采取什么样的行动，其本质上是一个认知过程，但是侧重点在于寻找那些可供选择的方案，以及应采取什么样的行动。做决策最终都会展现为对待某件 采取某种行为或意见，只不过人类在做决策的过程，会受到人本身的需求和价值观的影响，而机器往往并不具备这样复杂的决策依据。因此，在当前阶段，人工智能大多数以弱人工智能辅助人类做决定，而不是以替代人类独立做决策的形式被应用到各种场景中

5、资源配置统筹的关键环节：系统协调

构建一个完整的人工智能产品体系通常需要多方协作，包括基础设施提供者（包括芯片和平台的软／硬件厂商）、信息提供者、信息处理者等在内的各种公司或公司内部的各种业务部门 这种复杂的协同工作，通常需要公司内部组成一个整体协调小组（至少包括产品经理和系统架构师在内），一起承担系统的协调工作

系统协调者需要在人工智能的不同阶段：需求定义、设计开发、系统优化 、运行保障、售后支持、监控和审计发挥资源协调和统筹作用。由于人工智能是多学科交叉领域，一方面需要系统协调者具备多学科的知识背景，有助于统筹分工；另外一方面，各领域的政策、法规不完全相同，需要系统协调者提供明确的边界要求，以保证产品严格按照合理、合法的方式正常运行。

除内外协调以外，对子系统协调者来说最重要的职责之二，是制定人工智能产品休系的发展规划。

在产品体系发展的不同阶段中 人工智能产品经理把控着从项同到产品化、服务化，最终实现平台化的整个规划和工程落地的节奏 在整个过程中需要考虑企业发展速度、市场规模、技术实现瓶颈及业务本身的业务特殊性等多方面因素，这就需要人工智能产品经理具备成本意识、市场敏锐度、前瞻性和大局观等综合素质

6、不可逾越的红线：安全、隐私、伦理和道德

（1）安全：对于人工智能产品的设计，应在设计之初就考虑人工智能的安全问题

（2）隐私：人工智能，尤其是在机器学习领域里，本质上依赖于大量数据的采集，因此，在人工智能服务于人类的过程中，很容易触犯人们的隐私和数据保护的基本权利。

对于人工智能产品经理来说，为了降低产品和公司的法律风险，应在产品设计之 初就严格审视产品在数据保护方面的问题。GDPR 在第 35 条规定中就给企业明确的建议，如果企业认为产品在设计或运行的过程中有可能对自然人的权利和自由构成侵犯风险，那么企业有责任进行数据保护影响评估。评估内容应至少包括如下四项：

*评估所有产品流程中控告及用户权利（包括隐私权）的风险

*评估产品在设计或运行过程的系统描述，包括产品设计或运行的目的以及它所维护的合理利益

*基于产品设计或运行的目的，评估该过程是否是必要的。例如公司应评估采集的数据维度/数据量与产品给用户带来的价值两者间的比例，即追求最小化的用户隐私数据采集和最大化的产品价值。

*针对识别出的风险，给出有针对性的风险管理措施。

关于企业可以采取的数据隐私保护措施，可以从三个方面进行。尽管有些措施可能在当前技术上较难实现，但也可以作为企业未来研究的方向

*减少对训练数据量的需求：尽管机器学习过程需要大量的训练数据，但是随着技术的发展，有些技术已经可以帮助实现这样的目标了。例如：生成对抗网络、谷歌开始尝试使用联合学习（ Federated Learning ）的方法训练数据、迁移学习（ Transfer Learning ）迁移学习是一种把从一个场景中学到的知识（模型）举一反三迁移到类似的场景中的方法。

*在不减少数据的基础上保护隐私。差分隐私技术（ Differential Privacy, DP ）、同态加密技术 （Homomorphic Encryption ）、提高算法可解释性，避免黑盒子事件的发生

产品经理应从产品设计之初就关注产品可能带来的隐私侵犯问题，并利用以上提到的一些手段，在一定程度上降低用户数据隐私被侵犯的可能性。尤其当产品需要被推广到国外时，应关注当地对于数据隐私权、人权的规定和制度，严格参照这些规定和制度去进行产品设计

（3）伦理和道德：

伦理本质上是关于人性、人伦关系及结构等问题的基本原则的概括。伦理范畴侧重于反映人伦关系以及维持人伦关系所必须遵循的规则，道德范畴侧重干反映道德活动或道德活动主体自身行为的应当；伦理是客观法，是他律的，道德是主观法，是自律的

产品经理在设计人工智能产品的时候应重点关注以下三种人工智能的特殊性所带来的复杂伦理问题

*人工智能产品算法的“可解释性差”“不透明性”使得一旦出现伦理道德事故无法评判。

*当人工智能产品的目标是替代人履行一定社会职能的时候，产品的“不可预见性”有可能会导致伦理道德争议

*另外一个备受争议的人工智能伦理问题是关于人工智能的道德地位

7、运维管理

人工智能运维与传统的 IT 运维，出发点是一致的 ，”运“就是要让业务处于稳定、高效的运行状态，而“维”就是运行过程当中一切和维护系统有关的工作，使业务保持继续运转的能力。人工智能的工程实践应在稳定的基础上，继续追求运维成本最低化和效率最高化。

评价人工智能产品的运维能力有如下评判标准。

系统能否在第一时间发现异常（即异常检测），当异常被发现后能否找出发生异常的原因，从原因是否能定位到具体的问题，这些具体的问题是否能够很快被修复或自动修复，未来再出现这样的问题之前是否可以提前预警。人工智能体系的运维能力和效果主要取决于体系化或平台化的程度是否够高 人工智能的平台化程度可以从如下几个方面进行衡量：模块化、插件化、配置可视化、系统化监控、自动化部署等。正所谓“磨刀不误砍柴工”，完善产品的体系化和平台化是提升运维能力的前提。

系统运维技术从早期工具时代（实现了计算机化，但运维流程尚属摸索阶段，没有规范），到 Pre-DevOps 阶段（ ITIL 体系， DevOps 等理念被提出 ），再到 DevOps阶段（该阶段追求运维流程、运维手段等角度实现完全的自动化，最终实现无人干预的运维过程）， 一直到今天的 AlOps ( Artificial Intelligence for IT Operations ）阶段（人工智能技术与 IT 运维技术相结合）

这样的发展过程在人工智能时代是一种必然，理由如下。

*复杂、多变的软／硬件架构故障本身就难以避免

*人工智能的业务本身对于系统响应速度和安全运转稳定性提出了更高的要求，当出现异常时需要对运维方案进行快速的决策和部署

*由于架构复杂、数据来源多（各类传感器、 IoT 设备等）导致的运维规则复杂、多变，很难依靠人工去维护和升级

*人工智能产品体系中蕴藏了海量、多样、高价值的监控数据

AIOps是Gartner 公司在 2021 年正式提出的概念，是一种结合了机器学习和大数据技术的运维管理软件体系。相比于传统运维体系，它可以提供类人交互、主动决策、理解执行等能力。

首先 AIOps 的两个核心组成元素是机器学习和大数据技术，这就需要去除 IT 数据孤岛，将观测数据（包括应用画像、服务图语、业务指标、应用性能、基础设施性能、日志、调用链、基础设施 ）和在大数据平台中的工单、异常事件中的数据结合起来 然后通过各种机器学习策略去分析。AIOps融合了 IT 服务管理、 IT 性能管理和自动化运维三种不同领域的技术，提供针对运维的改进和修复的决策建议

目前 AIOps 尚处于落地实践的初期，自然语言处理、智能搜索、知识图谱、监督学习、在线学习、深度学习等技术在运维场景下的工程化应用仍旧处于探索阶段。AI Ops 的工程化流程

第1步：来自监控、配置和变更的各种运行数据会给 AIOps 提供训练数据

第2步：AIOps 引擎（包括多个智能运维模型）会接受运维专家（至少对监控、容器技术、 CI/C D、故障诊断等技术非常精通）知识和反馈的不断训练，最终形成一个集异常检测、异常定位、根因分析、异常预测于一体的综合模型。在模型并不成熟之前，整个流程扮演了辅助专家进行运维的角色，即提供警告、预测、止损、修复、规避建议。

第3步，运维专家看到这些警告和建议后可以快速根据已有的预案采取止损和规避操作

第4步，接下来通过执行自动化的脚本完成回卷、动态扩缩容、切流量等目标

随着模型在识别、推理和决策上的逐步完善， AIOps 会实现常规运维工作的智能化操作，包括：运行状况监控、问题定位、业务需求梳理、需求变更、操作指导、数据应用、模块分配、参数设置等

四、人工智能产品经理工作流程

按照标准的产品管理内容编排，从设定产品目标、进行技术预研、需求分析、产品设计、参与研发流程以及持续产品运营六个关键环节对产品经理的标准工作流程进行了定义。

1、设定清晰的目标：以下是在目标定义阶段的检查清单，产品经理需要能够通过调研和分析给出下面这些问题的答案，并在工作过程中积累和总结适合自己产品的检查清单，每次增加新需求时，都要对照清单每项内容评估需求的合理性

*用户／客户痛点分析 一 场景描述（包括应用场景及现有方案）

*用户／客户痛点分析 一 痛点来源

*用户／客户痛点分析一一痛点全方位剖析

*市场分析

经过上面四个方面的分析，产品经理需要对产品／功能进行“一句话“定义，作为所有调研、分析工作的总结，将产品的目标清晰地表达出来，方便评审和组织内部达成共识。例如“该产品或功能面向 ×× 客户，解决客户在 ×× 场景下 ×× 问题，给用户／客户带来 ×× 收益（也可以是效率 、体验方面的优化等）”

2、技术预研

人工智能产品经理必须理解技术实现过程，只不过和研发人员关注的侧重点不同。人工智能产品的竞争是全方位的，计算芯片、算法模型、训练数据，以及各种不同类型的传感器带来的完全不一样的交互形态等，这些构成产品的关键因素都有可能成为取得竞争优势的关键。因此，产品经理不能仅关注用户体验而不关注实现用户体验的方式和过程，因为如果不理解技术原理，产品经理无法提出创造性和颠覆性的产品创意，更没有能力在产品生命周期的不同阶段协助技术人员共同完成产品的研发工作

接下来，我们拿人脸识别（ Face Recognition 产品举例 ，描述一个完整的产品技术预研过程 。从这个案例中，你不仅会理解技术预研是如何与产品竞争力构建联系到一起的，而且会掌握人工智能产品经理是如何与研发团队完成高效协作并共同创造品的

（1）领域技术基本现状和趋势

人脸识别属于计算机视觉（ Computer Vision, CV ）领域中的一种应用 机器视觉领域的整体发展趋势有如下几个： ①从“让机器看”到“让机器看懂、理解并执行”②从看图片到看视频 ③从分类到识别，再到理解

机器视觉的终极目标是实现用户的“喜欢与享受”

人脸识别技术是计算机视觉和深度学习领域在行业应用落地方面,相对成熟的一种技术.人脸识别技术的常见应用类型主要包括:人脸图像预处理、人脸图像检测、人脸图像采集、人脸特征提取、人脸特征识别、表情识别、3D 人脸重建、人脸变形等

常见的人脸识别技术的流程主要包括五个部分，分别为：人脸图像采集 ，人脸检测、人脸图像预处理、 脸图像特征提取以及人脸匹配与识别。

（2）领域前沿技术

市面上比较成熟的深度信息捕捉方案有三种 结构光（ Structured Light ）、 双目视觉（ Binocular Vision ）以及飞行时间法 3D 成像（ Time ofFlight , TOF）

如果产品要参与到类似的前沿技术的研发和竞争中，产品经理一定要提前分析不同技术实现方案在全球范围内的专利所属权，这也成为了人工智能领域立体化竞争战略的部署准备工作

文章标题: 【读书笔记】人工智能产品经理：ai时代pm修炼手册
文章地址: http://www.xdqxjxc.cn/duhougan/128672.html
文章标签：读书笔记  人工智能  产品经理
Top