AI產品經理從入門到精通
小樂帝之前從事新聞客戶端產品工作，由於業務需要，對推薦系統原理有過粗淺的瞭解，人工智慧又屬於方興未艾的行業，專業人才較少，准入門檻不高。藉著這股風，開始混跡於人工智慧領域通用推薦系統應用，就如喬布斯所說，之前做的事情通過某種方式實現了串聯。現如今人工智慧繼續升溫，人員門檻也在不斷提升，不禁感嘆進入時機恰當。
認知體系
小樂帝一進入企業，便經受了諸如機器學習內容的洗禮，也嘗試利用視覺化建模工具建模，但始終不達要領。推薦系統產品化過程中，對於理解流程和過程更是異常頭痛。
真正開始變被動為主動，是小樂帝在工作之餘補課，逐步建立起了認知體系。《hadoop海量資料處理》、《推薦系統實踐》、《大資料與機器學習》、《為大資料而生》，這幾本書分別介紹了大資料底層技術原理、推薦系統原理、機器學習原理和大資料應用。AI公司更多是大資料公司，本質上做的是資料探勘的事情，只是在表現層獲取的資料型別和挖掘的目標和具體方法不同而已。都遵循確定挖掘目標、收集資料、資料清洗、資料探勘、資料分析五個過程。
推薦系統則是一種資料探勘方法，基於機器學習的推薦系統，則是在傳統推薦系統的召回和生成列表的步驟中，增加了基於使用者行為構建模型對召回內容進行排序的過程。
在以上的認知上，逐步擺脫了AI盲目崇拜的心態，從理性出發，不斷填充認知體系中的細節。這段找尋第一原理的彎路回頭來看，完全可以找同行或同事來快速縮短。
需求來源
剛一入職AI PM小樂帝頗為拘束，做就了發現AI PM本質上跟網際網路PM沒有區別，核心仍然是在使用者（客戶）需求、企業自身商業需求尋求平衡點，即尋找問題最佳解決方案解決最佳投入產出比的問題。
AI產品技術含量高同時當前階段以TO
B企業服務和解決方案為主，這就對AI PM相較於傳統網際網路PM提出了更高的要求：更懂技術的原理和邊界、更懂商業上的訴求。
總的來說，需求來源有三塊：老闆需求、業務方需求、研發人員需求。由於PM不直接與客戶對接，經過業務方和研發人員的需求，更多是帶有主觀色彩的二手需求。處理這些需求，一個是需要深入挖掘，抽象出客戶真實需求；一個是接近需求源，譬如要求類似合作溝通群必須拉產品經理進去。週會各方人員溝通進度也是一個不錯的需求源。老闆的需求更多是淺層客戶需求與企業需求的一種融合與抽象，需要細細考慮。
AI產品化
隨著AI這波浪潮往前發展，AI企業軍備競賽和底層框架的完善，AI技術重要性會逐步降低，產品化過程也會異常漫長。如今AI應用較成熟的行業如：金融、運營商和網際網路可謂資料化程度最高的行業。與其說AI應用或產品化在找場景，不如說AI應用在找資料，哪些資料化程度高的場景可以通過資料探勘提升生產力。這也與小樂帝資料探勘認知構建吻合。
推薦系統的產品化也並非一帆風順，工業界的同事對如何推薦廣告或推薦內容瞭如指掌，但如何將推薦系統通用化賣給客戶還有很長的路要走。
AI產品化核心是開源節流。拿推薦系統為例，推薦系統已經在網際網路行業被證明是行之有效解決資訊過載和個性化需求的解決方案，提供推薦系統服務，就是一種B2B2C服務，最終服務是面向使用者，但首先要有客戶，因此如何保證產品能讓客戶低成本接入就是產品化面臨的首要問題，這是開源問題。節流則是AI工程師太貴了，月薪5w的AI工程師不在少數，如何釋放人力成本，讓高薪的AI人力造更多輪子而不是不斷擰螺絲，這是節流問題。
AI產品化在不斷解決以上的兩個問題，只有將以上核心問題解決好之後，才能再進一步思考如何提供增值服務粘住客戶的問題。
定位與目標
職場人職業生涯每一段都要有所收穫，小樂帝也不希望始終處於給技術打雜的狀態，因此也思考希望從當前工作中的收益問題。首先便是進入AI領域，對機器學習產品化和垂直領域產品化有個認知和推進業務發展經驗，其次是對業務各角色職能和作用有一個認知，知曉其做事套路。朝著這個方向發展，未來則是努力負責某個AI業務，能夠獨當一面。
小樂帝觀察老闆也並非事事胸有成竹，但會表現的胸有成竹，這也許能解釋為什麼人家能做老闆。具體到工作中，其缺少AI產品化經驗也會焦慮，但好在不斷的調整。其調整方式值得借鑑：招各職能懂的人不斷學習和做判斷、不斷的找人表達觀點修正觀點、與高層接觸密切視野更高。勤奮與思考，使其每天並不需要加班就能cover住事情。
小樂帝則會在接下來從輸入和思考層面，邊開車邊造輪子。努力做到非常瞭解人工智慧行業和當前應用階段（懂技術邊界和應用），能夠在產品化過程中有想法和MVP成果（產品業務規劃），在以上基礎上能夠獲得關鍵人員的認可和獲得良好的人際關係（不斷證明能力和正確決策）。
當然離精通還很遠，但在路上。
產品經理讀書會」
專注於愛讀書愛思考的產品人提供讀書推薦、產品思考、以書會友的環境
歡迎愛讀書的產品人分享產品道路上的感悟
投稿郵箱：[email protected]
