點選上方“CSDN”，選擇“置頂公眾號”

關鍵時刻，第一時間送達！

從傳統角度來看，一款成功的產品需要擁有穩定的功能，至少要滿足甚至超出使用者的期望，並且能夠為業務的增長作出重大貢獻。產品經理的主要職責包括設定和管理使用者期望，定期收集可量化的反饋資訊，嚴格地與工程師進行溝通，並確保產品能夠應對業務和市場的不斷變化。

AI 產品相比傳統產品來說則有很大的不同。比如，在我擔任產品經理的時候，交付讓客戶感到滿意的“確定性”產品是衡量成功的標準。只要標準一樣，那麼硬體產品的產出結果也幾乎一樣。同樣的，相同的使用者預期使得軟體產品形態也不會有太大差異。但是，一個人工智慧（AI）驅動的產品可能並不總是具有確定的產品形態，實際的結果可能與直覺有所差異，個性化的推薦系統能夠學習不同偏好，因此可能產生不同的結果。

對於產品經理來說，如果想要交付一款成功的 AI 產品，除了履行常規的產品經理職責之外，還需要具備新的思維方式並增強一些其他技能。在本文中，我將圍繞產品構思、原型設計以及早期釋出來介紹一些新的思維方式。 

1.密切跟蹤 AI 技術動態

麥肯錫全球研究院（MGI）對160多個行業的人工智慧使用案例進行了調研，調研發現只有12％的案例突破了實驗階段，並且這些案例侷限在技術部門之外。MGI 報告中提到的最佳案例是一家採用敏捷、測試和學習方法的公司。它建立一個跨職能的人工智慧任務組，該任務組在幾周內完成原型構建以及業務單元測試，然後進行下一次迭代。對 AI 應用具有敏銳洞察力並且能夠把握行業趨勢的產品經理才能在 AI 領域裡脫穎而出。我個人覺得 MGI、Gartner 的 AI 市場報告以及 CB 人工智慧研究欄目內容都非常有見地，我密切關注著它們的 Twitter 來了解 AI 動態。

2. 把握深度學習的研發趨勢

AI 產品經理的核心競爭力並不在於精通多少高深的演算法，他們的主要職責是儘快將這些演算法轉變為產品和服務並推向市場。即便如此，我們仍然需要密切關注演算法的最新研究進展。

AI 領域大多數有影響力的人物（比如谷歌的 Peter Norvig，Facebook AI 研究的 Yann LeCun 以及微軟的 Eric Horvitz）似乎都樂於享他們研究 AI 演算法和體系結構上的突破，你可以在公司網站上找到他們的論文和方法。

除了這些大公司之外，如果想要關注其他公司的深度學習社群動態，我推薦 Andrej Karpathy 網站，這上面總結了在 Arxiv 上釋出的最新機器學習和 AI 研究。

3. 聚焦 AI 實際案例

AI 目前被炒得很熱，有人聲稱它是一種新興的高階技術，威脅著多個傳統領域，也有人說相同概念已經存在多年，AI 不過是新瓶裝舊酒。Peter Norvig 近期在接受採訪時指出，大眾媒體的記者在很多情況下扭曲了AI 的影響力，有的甚至對其瘋狂炒作，並向讀者營造出一種錯失恐懼症的感覺。

AI 產品經理應當具備批判性的思維，以便將炒作資訊與真實情況區別開來，並且深入瞭解 AI 的實際應用案例。產品經理應當瞭解 AI領域的相關技術，儘管這些技術相對於那些仍處於研究階段的產品而言更具商品化，但它們仍然有益於產品路線圖的規劃。此外，對於投資回報率更高的 AI 案例，以及上市時間更短的 AI 案例，產品經理應該能夠明確區分。

4. 關注以客戶為中心的資料

產品經理應當具有“使用者至上”的基本意識，但是在把一個想法成功轉變成產品的過程中，對於 AI 產品經理來說還需要額外的資料讀寫能力。想要做到使用者至上，AI 產品經理除了突出產品功能和優勢之外，還需要理解客戶工作的意義、目的以及他們選擇背後的動機。

資料至上包含兩個方面：（1）能夠量化客戶所關心的問題，做一個數字化的支持者；（2）能夠建立用於構建高質量 AI 模型的綜合資料集。此外，還需要獲取準確反映使用者工作、行為、互動模式和痛點的資料。資料形式可以是畫素、字元、數字或者位元。

如果能夠對資料提取、資料處理以及資料視覺化有基本的瞭解，則有助於建立更具客戶價值的 AI 解決方案。

5. 善用簡單模型快速構建產品

並非所有成功的 AI、ML（機器學習）產品都採用了複雜的模型，實際上，沉迷於複雜 AI 模型的行為並不受推崇。這是因為底層模型的準確性並不能保證良好的使用者體驗。

一些簡單的模型也能夠提供足夠的準確性，增加模型的複雜性遵循二八定律，只會導致邊際改進。但是，在某些情況下，準確性至關重要，模型需要多次迭代。

如前所述，有必要用最簡單的 AI 模型構建出小型管道，從而建立使用者體驗並收集反饋。Jussi Pasanen 的最小可行產品（MVP）金字塔模型可以根據 AI 產品進行調整，如下所示： 

6. 不斷迭代 AI 用例

對於那些提供速驗證學習迴圈從而快速迭代 AI 模型的方法，AI 產品經理都需要熟悉。相比“構建-測量-學習”的方法論來說，基於“假設-設計-測試-學習”的精益產品方法論更適合 AI 領域，AI 產品經理應當能夠通過簡單用例構思業務核心。建立在小型資料集上的用例應當能夠執行敏捷實驗。這些實驗應該被對映到機器學習的基本能力總，比如分類（二元或多分類）、聚類、迴歸以及深度學習的通用逼近能力。將模型對映到業務之後，模型就可以從最簡單的開始迭代了。

用例的終極目標應該是極力為終端使用者創造重要價值，同時提高收益（EBIT），並且應該與一小部分與客戶息息相關的度量標準繫結。同時為多個目標優化端到端的 AI 模型可能頗具挑戰，並且會使得系統難以除錯。因此在實際實施過程中，可以建立一個 AI 模型管道，每個模型都針對特定的度量進行優化。這樣一來系統便可以更好地解釋並且易於維護。 比如，假設要構建一個文字簡化應用程式，我們可以將資料處理系統分為三個 AI 模型： 一個主題分類器、一個句子簡化器和一個一致性檢查器，每個 AI 模型都針對一個獨特的度量進行優化。

7. 構建廣度優先而非深度優先的 AI 模型

AI 產品經理應當熟悉 AI 端到端產品的工具和技術。這樣一來，他們才有能力影響：

• 人工智慧工程師和資料科學家在他們的模型中能夠正確利用複雜性，同時確保自己擁有增加複雜性的能力。

• 資料工程師需要構建健壯的系統並對其進行適當的擴充套件。

• 整個團隊能夠適當利用雲端計算服務和虛擬化架構。

這需要對 API 生態系統有著高度的認識，這些 API 幫助服務於終端使用者，它包括資料攝入工具（比如 Kafka）、資料處理系統（比如 Spark）以及 處理大資料的 NoSQL DBMS（比如 Cassandra）。此外還需要了解 AWS 和 GCP 的商業選擇，同時能夠對其正確權衡。最後，瞭解構建各種元件和使用商業替代方案的成本結構也很重要。

要儘量避免重新發明商業化 AI 技術，最好利用 AWS、GCP、IBM 和 Azure 等流行雲提供商提供的現成服務。

8. 優雅地處理產品故障

大公司有很多優雅的方式來處理低效或者出故障的 AI 產品。一種簡單的方法是為使用者提供一種立即重新標記資料以進一步改進模型的方法。 

舉例來說，iPhone 的語音郵件轉錄服務對其低信度是透明的，併為使用者提供了一個選項來幫助蘋果通過提交語音記錄來改進轉錄。 

在我的文字簡化產品中，我考慮過補充一個連貫性檢查器，用來確定以前模型中簡化句子的連貫性或者語法。如果低於閾值，則系統可以對其置信度變得透明，並給出使用者對結果提供反饋的選項，或者使用與輸出相同的輸入句子。

9. 保證 AI 模型的可解釋性

使用深度學習構建的 AI 模型是一個黑盒子，在涉及法律、醫學和安全等關鍵應用中，產出需要對合規目的作出明確解釋。本文總結了兩種解釋深度學習模型預測的方法，一種是計算預測對輸入變化敏感性的方法，另一種是根據輸入變數有意義地分解決策的方法。產品經理應該利用基於這些方法的工具，並確保模型沒有偏見。SAP 設計中心為消除偏見提出了一些建議。

10. 能夠與研發團隊進行技術層面的溝通

還有一點也很重要，AI 產品經理需要了解 AI 研究人員、資料工程師和資料科學家的語言。只有這樣 AI 產品經理才能提供重要的反饋，來幫助 AI 工程師根據使用者體驗調整模型。 

資料科學需求層級金字塔（源於 Insight 的顧問 Monica Rogati ）很好地呈現了 AI 產品技術堆疊。

此外，AI 工程師和資料科學家通常具有很高的學位（幾乎都是博士）以及強大的學術背景，並從新穎的學術專案中獲得巨大的智力滿足感。產品經理需要調整他們的傾向，以製造出適合市場和使用者的實用產品。

除了強烈的產品意識之外，你需要對各種機器學習演算法和 AI 模型及其上下文具有高層次的理解，才可以成功管理 AI 工程師團隊並推出 AI 產品。

總結

人工智慧目前成果顯著，在未來必將前途無限。當前已有代表性的產品，它們能夠讓顧客滿意，並且明顯提升了現有業務。AI 產品經理是產業發展的催化劑，他們需要不斷掌握新的的思維和技能，才能促使 AI 產業的騰飛。

作者：Prasad Velamur。Prasad 擁有加州大學洛杉磯分校的工商管理碩士學位以及路易斯安那州立大學電氣工程碩士學位。他曾經共同創辦了一家會話式 AI 公司，曾經擔任思科的一條高達10億美元的企業級產品線的軟體產品經理，此外還負責過三星的技術戰略制定，並且在瞻博網路公司編寫過大型電信網路管理軟體。作為“AI 產品洞察”的高階研究員，他元件了一個團隊，該團隊旨在利用 AI 來幫助年輕讀者構建用於文字簡化服務的產品原型。

原文：https://blog.insightdatascience.com/moving-towards-managing-ai-products-5268c5e9ecf2

譯者：安翔

————— 推薦閱讀 —————

點選圖片即可閱讀