该系列是我在读《人工智能产品经理》一书的过程中，梳理的读书笔记。

本文包括我对本书第一章主要内容的梳理和个人在阅读中的产生的碎片化想法（即所有括号内的内容）。后续章节的读书笔记尽量这几天内补完~

本书，应该是国内首本介绍人工智能产品经理（aipm）的书吧，书中内容很有体系，值得一读。

第一章综述：人工智能pm入门

互联网主要是通过优化和创造信息存储和传递的方式重新组合生产要素，即重构商业模式，而ai的主要贡献是升级生产要素，推动产业升级

比如出行领域，互联网的典型产品是出行平台，将线上下的资源整合；而ai产品在该领域就是自动驾驶，更关注产品和服务作为生产要素本身的升级和创新

人工智能产品的特殊性

ai产品分为三类：计算机视觉，自然语言处理与交流，认知和推理。

ai产品在本质上都和概率有关，ai做出的每个推断和预测都伴随着不确定性，而人类对世界的认知也同样是基于概率。

之前ai没有产品化的原因是因为不如传统方式的效果好，并不能大范围满足用户需求（比如之前对话机器人通过规则构建，aiml，现在可以通过检索和生成式构建）。

aipm在设计产品时，需要考虑实现概率和成本的平衡：即需要在具体业务中，判断人工智能可以达到的推断概率能否解决用户的需求，以及这种概率被用户接受的最低标准是什么，能够超出用户预期的标准是啥，并决定产品研发的投入策略。

ai产品分为几个类型：个性化精准服务（例如个性化推荐），替代重复劳动（自动驾驶），提升效率和准确率（在之前传统方法的基础上），提升用户体验（比如某些场景下语音交互），自主创作（前四个方向目前都有很多玩家在做）

ai产品颠覆了过去的产品设计流程，之前是确定交互流程，写详细的prd，而ai产品，很难在设计之初就有明确的交互逻辑，大多数ai产品没有固定形态，ai只是一种将传统服务赋能的手段而已，将各种中间件，融入传统服务的流程中。

构成ai产品的三要素：计算能力，算法，数据（三者构成了ai产品模型，而ai产品架构跟之前并没有区别，仍然是产品模型+运营体系+商业模式）。pm需要在全流程思考在三个东西：算法层面，需要对主流的算法模型和框架有认知，在不同场景下评估模型的使用效果。（比如对话系统有基于规则，基于检索KG，和基于通道的架构，如何根据自身业务选择系统架构）；计算能力层面，需要衡量算法模型需要怎样的系统架构，评估硬件开销（这里主要还是靠工程师评估），比如你是自建还是接第三方，需要买多少GPU等；在数据层面，pm要在全流程考虑数据从哪里来，质量怎么保证（在实际工作中，这点尤为重要，数据是目前制约ai产品竞争力的最重要因素，比如几万数据量，你可以用一个svm分类器，准确率在90%左右，然后数据到几十万，你可以用nn替换他，使准确率达到96%左右。多说一句，数据闭环目前在ai产品的架构中很重要，冷启动后数据的获取要想办法依靠现有用户。aipm也要掌握一些数据处理的思路和方法，至少你看了数据之后，要有一个清晰的认识，无论是基于统计，还是nn的方法，实现效果其实都差不多，主要看数据质量，所以与其各种调模型，不如好好处理数据）。

ai产品成功的必要条件

核心技术，由于ai应用目前还处于早期，所以技术优质可以带来很大的竞争优势，比如iphone用3D人脸识别，就比国内用2D识别吊的多（ai的各种方案和实现途径，在学界和工程界其实大家都懂，但是用的产品架构和跑出来的模型效果就不一定一样了，所以优势其实在产品模型跟业务搭，并且数据量有优势。并不是说牛逼公司可以用高端方案，垃圾公司只会土法炼钢）。

产品化，这里延续iphone人脸识别的例子，由于采用了3D识别，所以初始化的步骤就比2D多一些，这里就增加了用户使用成本，需要pm优化流程，降低门槛，因为很多技术的进步，其实对用户提出了较高的使用门槛。（目前很多ai产品得不到用户满意的一大原因是，用户经过长期的科幻、电影、媒体的影响，对ai产品的期望值太高）（多说一句，产品化是目前探索的重点，并且在各个场景内的方法都不相同，所以目前在各个领域内都有大量ai公司，短期内也很难看到大一统的ai平台）。

商业化：一方面产品研发阶段投入不确定，另一方面效果难以评估。（由于是新兴事物，用户和客户对其效果很难不存疑）所以，pm以往评估产品的成本结构的方法要调整了，要站在用户角度考虑产品策略，深入理解场景和用户痛点。

aipm的价值定位

pm到了ai时代要重新定位，主要是因为：

组织架构变了，ai公司更重视算法组和数据组

新技术手段带来了新的产品生命周期管理方式（移动互联网生命周期的S模型，现在很可能由于新技术的引入而颠覆：互联网产品可以分为冷启动/成长期/成熟期/衰退期，每个阶段的工作重要不一样，比如成熟期重在运营和变现）

aipm需要把控更高的法律和道德分险（比如李厂长说中国用户更愿意拿数据换便利？）

aipm的三种关键角色

拥有市场和技术前瞻性的带头人：大量算法模型和框架仍在理论和实验室中，这时候需要产品经理带着研发人员走，因为产品经理更了解市场和用户

技术赋能创新的驱动者：aipm需要引导研发人员接触用户，了解需求场景，理解产品设计的逻辑和理由，而不是让研发专注技术。需要主动连接研发和市场。

道德准则的守护者：设计ai产品要考虑伦理道德。在设计人机交互产品时，要充分考虑不同身份的用户带有的特殊社会属性。（手机时代的产品设计也需要考虑这些，比如安卓针对盲人的系列功能，只不过国内拿该功能做其他事情了，由于ai还是新生事物，民众对其更为警惕，所以要额外关注这方面，避免导致黑天鹅事件）

（我觉得目前国内的ai环境，aipm对技术的理解较浅，研发对ai应用的理解也较浅。比较出色的几个团队，基本都属于上面提到的第二类型，因此，目前优秀的ai产品设计主要由理解业务，由研发/科学家出身的大牛主导）

aipm需要兼具“软硬”实力

aipm需要懂技术：要在领域内掌握前沿技术的实现原理，明白每种技术实现手段的优劣势，对技术的发展方向和技术如何融合产品有认知。那什么叫做“懂技术”：

aipm不需要亲自参与到调参，特征选取等过程中，但是需要理解研发过程中的每一个技术原理和最佳实践方式，并可以熟练解释说明，比如产品的模型准确性、计算能力及对比其他几种技术实现手段的优劣。

不同于互联网pm，aipm需要融入研发过程，需要为算法团队创造更好的条件来完善模型，比如了解该领域的技术常识和业务背景，分析影响产品效果的关键因素，想办法提高学习数据集的质量等。

掌握前沿技术在产品领域的应用条件和最佳实践。ai产品本质是利用“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，因此产品经理需要找到最佳生产材料的组合，并完成前沿技术的产品化落地方案。

（这里我举个例子，谈一下需要懂到什么程度就够了，比如处理nlp领域内的文本分类问题：）

你要了解这类问题其实就是在解决text→lebal，即输入一段文本，通过模型，输出不同的标签来完成分类任务；

由于无监督和有监督的实现路径完全不同，这里你需要知道如何没有标注好的数据集，可以采用无监督的方式，比如LDA；

你至少需要知道这类问题目前的行业标准方法：用BoW表示句子，然后用SVM做回归，你的方法的效果至少要优于这种最基本的方法。

然后你要知道处理问题的基本流程：即使用某种方法把text→vector，然后把向量输入分类模型来输出结果。实现向量化的一般方法，比如TF-IDF，Word2Vec平均，Word2Vec+Cnn等，而分类模型可以使用，经典的LR,SVM，简单的nn模型，再复杂一点比如RNN和LSTM。

其次，你要了解一些工程化的问题：在跑上述流程之前，会对文本做预处理，比如把所有字母都换成小写。如果你发现产品没法识别大小写，你要知道不是模型有问题，而是预处理的方法造成的。

以上涉及到的方法和模型，你至少要知道它的结构，原理和适用范围，但是如何调参，如何求解，工程化等细节，你不太需要了解。多说一句，我认为了解基本的模型优化方法，比如正则化，dropout等，会对你很有帮助，因为处理过拟合是每个算法团队都会遇到的问题。

会用数字表达和评判

aipm需要投入大量时间和精力将产品的目标数字量化表达。需要定义核心数据，来衡量引入ai产品之后的效果。

沟通和协作

新的团队架构；研发流程需要更多跨部门协作。

aipm入门

人工智能领域在数据分析、软/硬件的技术整合以及团队协作方面对pm提出了更高的要求。

修炼思维模式：资源，解决方案，目标导向：aipm需要具有系统性思维，把问题放在整个系统中进行综合分析（系统成本了解一下）

根据ai时代的特点，产品管理思维分为三种类型

资源管理思维：关注资源的投入和产出，在设计ai产品时需要考虑至少三个方面：算法，数据资源（这里不仅仅是训练集，测试集，还有各种表达字典，语料库等）、硬件资源。首先，算法模型的训练具有更多不确定性，因此在工程中经常出现预先设计好的硬件架构无法满足要求算法需求的局面（比如本来以为asr的模型准确率能到96%，结果由于实际场景太复杂，一测试只能到了85%，那就要考虑更换声音采集的硬件方案，这类因素造成的设计和成本变动在ai产品中很常见，作为aipm一定要提前跟老板和团队打好招呼，别背锅！！！）。总结下，ai产品取决于系统集成的综合表现而非某项单一技术的突破，比如无人驾驶，融合了各种senor、定位与地图构建技术和硬件产品，是一个典型的高集成度产品，各个模块都会影响系统集成效果的因素。

解决方案思维：pm应该有意识去主动寻找产品需求的解决方案。典型的反面案例是：产品经理等待研发人员将产品的硬件架构，数据获取，训练目标都想清楚了才开始干活，即等待开发人员告诉产品经理技术的实现边界，产品经理再依次反推需求。但是有产品经理的都懂，技术团队离市场和用户太远了，而且ai产品的链路太长，算法团队，数据团队，架构团队很难实现自主协同。

目标导向思维：产品经理需要具备前瞻性的视角，才能准确定义一款具有竞争力的产品目标，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。（其他产品也需要有前瞻性，但是aipm更需要，因为ai产品链路和环节太长了，小步快跑基本跑不动，试错的成本大大增加了，做过硬件的产品应该很清楚，跟做app完全两个思路）。

构建知识体系：六大模块

aipm应具备完整的知识体系。

开发ai产品过程中的基础知识，包括领域术语（比如啥是调参、词向量），常见的技术架构（比如对话系统的常见类型），常见数据类型（啥是结构化，非结构化，半结构化），测试方法（新模型如何做ABtest等）；

平台和硬件支撑，包括云计算，大数据，人工智能平台，智能感知与互联，智能芯片，边缘计算（这里具体看业务分类吧，内容太多了，全部了解太难）；

人工智能核心技术：需要了解算法基础常识，理解应用场景和最佳实践（这里看上一部分我举的文本分类例子就行）；

人工智能普通应用产品或服务可分为三大类：语音/文字处理-对话系统，问答系统，ai写新闻稿；图像和视觉-自动驾驶，医疗影像诊断，人脸识别；大数据分析和预测-交互搜索引擎，智能推荐，金融风控；

行业知识体系；

伦理安全法律知识：主要考虑数据安全和法律风险；

除此之外，需要对一些跨界知识，比如心理学，哲学，认知科学等了解。（我是因为喜欢科幻，才去做的aipm）

参与工程实践（有能力的话尽量自己去撸几个模型玩，比如多尝试几种方法去解决手写数字识别，利用现成的mnist数据集；或者多去听听分享，推荐paperweekly）。

（本文的幕布链接：https://mubu.com/doc/2WvSIUtzCM。若阅读不便，可以去幕布看思维导图。）