本书结构

1 人工智能时代重新定义产品经理

1.1 人工智能时代产品的特殊性

构成人工智能产品的三要素

算法、计算能力、数据

产品经理要从产品规划初始阶段开始到最后产品上线后的运营，对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。

1 算法层面：设计的产品要和公司现有的算法研发能力想匹配。产品经理要对主流的算法模型和框架有级别的认知，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 计算能力层面：要从需求出发，衡量产品的功能所需求的算法模型要怎样的系统架构支撑，并能够评估硬件开销。综合考虑利弊后判断采用平台即服务（Paas）还是自建计算平台。

3 数据层面：优质的数据可以帮助企业快速建立门槛，好的数据比算法更重要。因此产品经理要在产品设计之初就考虑产品从哪来、数据质量怎么保证、数据治理工作怎么开展等

人工智能产品成功的必要条件

1 核心技术

2 产品化

宣传产品价值->快速证明价值->交付用户价值->延展价值

3 商业化

需要产品经理能够把场景、痛点分析透彻，并且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，甚至必要的适合进行产品定位调整，最终实现产品变现

1.2 人工智能产品经理的价值定位

重新定位的主要原因

1 新技术的引入导致了全新的组织架构的调整，形成了新的合作分工方式，因此产品经理在团队中的橘色需要随之改变以适应新的协作方式

2 新的技术手段带来完全不同的产品生命周期管理方式，在产品从需求分析到上线运营的整个过程中，由于新技术的引入产生了完全不同的迭代规律，因此产品经理需要重新梳理产品管理流程

3 人工智能技术在给产品带来更大的边界和想象空间的同时，也伴随着更高的法律和道德风险，产品经理作为产品的主人和负责人需要时刻把控风险

可能成为三种关键角色

1 拥有市场和技术前瞻性的带头人

具备市场前瞻性，找到产品的目标市场定位，判断哪些前沿技术可以解决这些用户痛点。兼顾技术和市场的前瞻性

2 技术赋能创新的驱动者

研发者更倾向于使用新技术为自己创造产品。产品经理只顾着带领产品团队创新，故意让研发人员专注于技术工作，时导致上面的根本原因，研发团队不能从用户的满意度和产品功能的价值上获得成就感。

产品经理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原由，在上线后将用户的反馈（无论好坏）第一时间分享给研发人员。这样他们一定会产生巨大的动力和激情。

产品经理应主动连接开发人员和市场反馈，激发团队的创造力，最终实现从技术到创新的快速转化。

3 道德准则的守护者

1.3 人工智能产品经理需要兼具”软硬“实力

人工智能产品经理需要懂技术

1 不需要参与算法模型的选择、调参、特性选取的过程，但需要对所在领域的产品研发过程每一个技术动作的原理和最佳实践有深刻的理解，并可以进行熟练的解释说明，利用公司内部的协调沟通

2 在利用人工智能技术进行产品研发时需要产品经理能够融入研发过程

3 掌握前沿技术在产品所在领域的应用条件和最佳实践

会用数字表达和判断

能够使用明确的量化方式表达自己的设计理念和设计目标

懂得沟通和协作的艺术

1 团队组织架构重新调整

2 日新月异的技术手段需要产品经理快速学习和适应

可以迅速的调取知识，而非死记硬背，如了解算法应用不是推理

从业务需求出发，追本溯源找到知识的源头，带着目的去学习技术。学习之前要明确，为什么要学？为了解决什么样的问题？要带着问题去学习技术而不是盲目的学习。

除了日常的知识积累外，需要经常和公司内部的技术专家交换知识和观点，将自己理解的技术知识将给技术专家，看是否有理解不一直需要调整

3 产品研发需要更多跨部门协作

前端、业务、引擎、算法计算平台等

1.4 人工智能产品经理入门

修炼思维模式：资源、解决方案、目标导向

产品管理三种思维类型：

1 资源管理思维

关注资源的投入和产出

2 解决方案思维

有意识的寻找需求的解决方案，用户要的是解决方案，而不是技术或产品本身。要能够将公司的硬件、数据、算法等不同部门的输出的资源，以最优的方式整合在一起，并形成解决方案。

一般开始技术驱动，研发团队牵着产品团队干活，产品经理等待研发人员将架构、数据、目标等想清楚再开工。但研发比产品经理距离用户和市场更远，需求把控能力有限，而人工智能产品的协作复杂，这时候更需要产品经理协调各种资源输出合理的解决方案。

主动参与协调资源，并最终实现方案落地的思维习惯，具有异与常人的非线性思维和资源优化的能力。

3 目标导向思维

产品经理具有前瞻性的视角，准确定义一款在市场上具备竞争力的产品目标。

从技术角度和公司的资源现状出发，确保目标可以被量化，并细化为每个阶段的多个具体的目标。明确阶段成果、时间节点、标准。同时协调资源，将目标下发到团队成员。

构建知识体系：六大模块

1 基础知识

领域术语、技术架构、数据类型、测试方法

2 平台和硬件支持

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

3 人工智能核心技术

自然语言处理、人机交互、计算机视觉、生物特征识别、语言识别、虚拟现实、增强现实、混合现实

4 常见行业实践应用和原理

语音和文字处理、图像和视觉、大数据分析和预测

5 伦理、安全，法律知识

伦理、数据安全、法律知识

6 跨领域知识

心里学、哲学、数学、认知科学

参与工程实践

快速积累包含需求定义、算法实现、工程管理在内各方面的经验；要将工程实践所学到的经验定期加以整理，并固话到产品工作中。无论在哪都能适用

2 懂行业的产品经理才不会被人工智能淘汰

2.1 人工智能时代将公司重新分类

三大分类

1 行业+人工智能公司

目前大部分是这种类型的公司，依赖自身多年的领域积累，给用户提供人工智能赋能后的产品或服务。

2 应用人工智能公司

通常提供一种基础功能，客户可以通过调用封装好的应用程序编程接口（API）进行对自身产品的武装或填充，而无须自己研发基础功能。例如人脸识别功能可以被应用到各种需要身份验证的产品中。

3 研发核心技术/基础平台的人工智能公司

从人工智能的底层平台需求出发，构建完整的从人工智能计算平台的硬件研发、数据治理、AI建模再到平台部署的人工智能的“基础设施”。

三类公司对产品经理能力的要求

1 对行业的理解离和对行业趋势的洞察力是核心。打磨自己对行业的理解是第一位，然后才是利用人工智能技术提升产品价值

2 商业模式主要to B为主，需要产品经理要有一定的商务技能（如售前、效手技能），同时又要具备项目管理经验。另外不同客户对产品的需求不同，比如需要定制化开发，产品经理要明确区分标准化产品和定制化产品，对产品需求管理能力也提出了较高的要求。to B类产品要考虑产品的CAC（customer acquisition cost，用户获取成本）、产品的LTV（life time value，用户的终身价值）、产品的PBP（payback period，为获得用户而付出的成本的回收周期），产品经理在不断跟踪CAC、LTV、PBP变化的同时，制定适时的市场策略、产品运营策略及产品的战略方向

3 对底层技术框架的理解，需要了解底层通信机制、稀疏参数更新原理等，倾向于寻找从事过研发工作的产品经理

2.2 什么叫做“懂行业”

六种行业分析维度

1 行业特点

历史背景、当下的增长能力、与宏观经济周期的关系、固有风险及该行业在其他国家的发展规律等

2 行业运行趋势

国内外行业发展趋势和方向，包括供应商谈判能力、购买者谈判能力、现有同行竞争的局面、龙头企业目前面临的主要问题、有哪些成功的管理和技术经验，这些经验是否可以借鉴或复制、新进入者的威胁、替代产品和服务威胁等。

同时关注新技术在其他领域的成功应用是否会是本领域的创新机会。人工智能时代行业是行业洗牌的关键时期，过去的规律在今天不一定奏效，因此能够把握趋势、顺势而为切能有一定的预见性是产品经理非常重要的素质。

3 竞争力因素分析

了解行业内价格、品质、质量、分销能力、上游资源、成本、成品差异、技术壁垒、管理水平、地理位置等方面的情况。除此之外，人工智能时代的市场竞争中，公司的数据积累、算法积累、计算能力积累从短期和长期来看，都占据较高的权重，产品经理需要格外重视管理和规划。

4 行业整合

了解行业集中度、外资进入、收购兼并等

5 政府管理

了解行业的准入门槛、国家法规、价格、税收、进出口等

6 商业模式

产品经理不仅是商业模式落地的执行者，也是探索商业模式的先锋，产品经理要关注行业的挣钱手段、产品链逻辑、价值链如何构成。

2.3 如何修炼称为行业产品专家

以“点”切入行业

所谓“点”就是场景，要找到有商业价值的场景，并提炼出场景中可以帮助产品建立优势的关键点。要平衡场景对应的市场价值和你能解决场景问题的能力和投入。尤其对于创业公司来说，场景的选择要与自身情况结合，否则选择正确的场景但没有技术、数据积累或能够快速推广的市场营销策略，也形成不了核心竞争力。或者有技术但找不到好的场景，无法把技术进行商业变现，也是如此。

可从2个方面打磨对“点”的把握能力：

1 产品经理打磨自身对场景的理解和判断力，确保产品在市场中的定位是当下阶段最适合的

首先，确定该行业中的几个主要“价值场景”，如需求强烈切市场需求够大

然后，收集场景中的基本信息：人物、时间、地点、做什么事、达到什么目的、之前的做事方式和解决方案、用户客户期望的方式和解决方案等。

任何场景都不是独立存在的，还需要挖掘与场景有关的干系人和干系场景。

2 产品经理要对行业内的技术发展和趋势有准确的判断，结合公司现状对公司的技术优势和差距有明确的认知

一方面，要了解人工智能技术在行业内的应用现状，现有的技术手段是否已经在本行业或其他行业有被投入生产使用并具备成功案例，另一方面，对内要和技术人员常沟通，了解团队的技术能力和潜力，评估公司在算法、计算能力、数据等方面的积累在行业中的位置

综上两点，产品经理需要在产品定义（包括场景定义）和公司的技术现状之间找到平衡，尽管场景是牵引技术方向的指南针，但也不能脱离对公司的技术“天花板”的评估。对“点”的把握能力决定了产品能否进入一个行业并获得用户的初步认知。

深挖“点”，变成“线”

人工智能行业初期，一定是技术驱动形成单一的场景应用和创新，随着市场同质化日趋严重，企业一点再某个“点”建立起优势竞争后，就需要快速转向“线”，为客户创造更丰富的产品和服务，让客户不断看到新的价值和惊喜，最终积累更多的忠诚客户。

通过深挖场景价值，完善产品链条，形成从“点”到“线”的变化。互联网“流量为王”，人工智能时代“获得更多的超级用户”，获得初始用户并保住这些用户让他们成为忠诚的“超级用户”/

可以从以下几方面：

1 深挖用户再场景中的需求，为用户提供解决方案而不仅仅是产品

2 挖掘用户数据中的价值，为用户创造惊喜（挖掘从两边到质变的潜在机会，实现产品服务链条化，积累更多的忠诚用户）

横向拓展“线”，变成“面”

“面”包括两方面含义，一是通过引入外部资源建立紧密的协同关系并构建更宽广的的产品覆盖度，与用户产生更多联系，二是指通过整合公司内部资源打通各产品线的数据和基础服务，形成公司内部的产品生态。

1 整合外部资源，实现多元化协作

2 布局内部产品生态化

当公司产品线变得丰富后，产品经理应通过构建人工智能统一平台，实现各条产线的优势联合与价值共享。比如公司有三条产品线，每条 产品线有大量的交叉用户，而且都包括搜索引擎、推荐引擎、智能售后机器人等通用功能，这时候可以考虑整合三条产品线的用户数据和算法，统一研发公司级别的搜索平台、个性化推荐引擎、只是图谱等。

随着各平台对基础服务的优化，会增强各条产品线的竞争力，进而产生更多有价值的数据，形成良性循环。

当有新产品线成立时，可以在现有平台基础上快速建立自身优势，快速融入公司的产品生态。

小结

如果你想成为人工智能产品经理，强烈建议你从了解行业开始，而不是一开始就学习语言，研究算法。

养成良好的学习习惯，掌握适合自己的学习技巧，快速获取知识和经验。掌握技巧、善于总结规律，多与行业牛人接触、学习并结合实践。

3 定义人工智能产品需求

3.1 重新定义需求分析

新的趋势和变化

1 产品逻辑化繁为简，用户学习成本降低

2 从用户角度考虑投入产出比

3 算法可解释性差，产品需要逐渐获取用户信任（忌讳大步向前，遭到用户抛弃）

4 传感器技术的愤俗进步，带来多元化的交互行为

5 产品的需求并不一定来源于确定的因果关系

6 产品经理在开始需求定义前应充分了解目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

从微观、宏观两个角度定义功能性需求

宏观：由于人工智能产品体系复杂，对某一个功能进行研发可能“牵一发而动全身”。因此山坡经理要对公司的整体产品架构有清晰的认知，在框架体系内，评估具体场景下业务需求及功能使用场景，是否符合公司的整体战略规划，以及当前功能被满足后是否能为整个产品架构甚至公司带来益处。这样有助于筛选不满足公司整体战略目标的候选功能，并定义出需求的优先级，也有助于得到老板、投资人的认可。

微观：公关校订筛选出优先级较高的功能，微观角度就可以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。量化指标、确认数据和验证方法。有助于帮助团队协调公司资源或外部资源，找到高质量的数据集，有助于统一迭代目标。

越重要，越容易被忽视：定义非功能性需求

1 安全性

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。

私密性：产品存储的数据收到保护，不会被没有授权的人得到。

2 可用性

产品对用户来说有效、易学、高效、好记、少错和令人满意。

易用性、一致性、观感需求

3 可靠性

出错频率、自我恢复速度

4 性能

响应时间、吞吐量、并发用户数、资源利用率

5 可支持性

可扩展性、可维护性（用户行为数据、外部业务系统数据的可维护性；数据、技术平台的可维护性；预测模型的可维护性；包含规则引擎、数据拉去等基础服务的可维护性；推送消息的可安装性）、可安装行（不同环境下部署安全产品所需要付出的代价）

3.2 量化需求分析

为什么需要量化需求分析

用数据说话

怎么量化需求

1 明确需求符合产品愿景

业务需求包括：业务机会、业务目标、成功标准、产品愿景

2 找准需求的场景

确定产品的宏观和微观目标，分析每个目标对应的使用场景

3 定义场景中可量化的标准

考虑内部因素、考虑外部因素、参考同行表现、输出对模型预测精度的合理期望值、根据场景定义算法特殊指标

量化需求不意味着当前人工智能技术和产品能完全替代人的工作和能力，绝大多数场景中只是起到辅助作用。

产品经理需要深入了解自己所在行业的用户特点，并对产品进行合理的包装，产品追求的不是完美，而实商业价值和变现能力，用户的认可才是评判的标砖，如果一味追求模型精度而忽略了成本、市场时机、竞争格局，产品一样会失败。产品经理需要能站在公司的角度思考产品的ROI（return on investment，投入产出比）

4 人工智能产品体系

4.1 人工智能产品实现逻辑

人工智能产品体系：

1 基础设施提供者，为整个产品提供计算能力、产品与外界沟通的工具，并通过基础平台支撑

2 数据提供者，是体系的数据来源，为后续数据处理提供充足的“养料”

3 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

4 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

4.2 基础设施

传感器

生物传感器（biosensor）将各类型的生物响应转换为电信号的分析设备；

光敏传感器，利用光敏原件将信号转换为电信号的传感器，抽象理解为模拟人的视觉能力；

声音传感器，接收声波，显示声音的震动图像，是人工智能的耳朵；

化学传感器，对各种化学物质敏感并将其浓度转换为电信号的传感器，抽象理解为人的鼻子。

目前传感器主要被用于四类人工智能产品：可穿戴应用、高级辅助驾驶系统（Advanced Driver Assistance Systems，ADAS）、健康检测、工业控制。产品经理要掌握技术发展趋势，每种传感器的造价，以及每种环节下的精度和稳定性。

芯片

人工智能芯片按照不同用途可以被分为三类：模拟训练、云端推断、设备端推断。

第一类型主要用在训练环节的芯片，处理海量训练数据和复杂的深度神经网络，如GPU。

第二类性用作云端推断（inference on cloud），目前主流的人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，然后将数据返回终端。

第三类，为终端设备（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的芯片。在和用户的交互过程中快速响应并满足用户需求。   

按照芯片定制化程度，被分为通用芯片、半定制化芯片（FPGA）、全定制化芯片（ASIC）。

CPU、GPU、TPU等相对统一切可以处理几乎所有类型任务的芯片被称为通用芯片，造价贵，不为某种场景定制开发，因此运算效率相对较低。

FPGA（Field Programmable Gate Array，可编程门阵列），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件的连线，从而实现特定的功能。FPGA生产出来后仍然可以进行自由升级和修改，像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错的原型版本，当原型不适合市场需求时，迅速进行修改迭代。对于大量的矩阵运算，GPU优于FPGA，但处理小计算量、大批次时，FPGA性能由于GPU，另外FPGA有低延迟的特点，适合海量用户的实时并发请求。

ASIC（Application Specific Integrated Circuits，应用专用集成电路），为专门目的而设计的集成电路，通常是特定用户要求下配合某种电子系统的要求，而被设计和制造出的。ASIC的缺点是试错成本较高，一旦定版本、开模后就不能再变，再加上芯片周期较长，投资风险较大。好处是可以将算法模型烧到芯片里，运算效率将会非常高。一旦量产，单个芯片的造价会变得极低。由于芯片的面积较小，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，是市场中进行充分的测试和调整，然后再进行ASIC生产。

基础平台

1 大数据技术

大数据技术支撑人工智能，人工智能牵引大数据技术的发展（数据存储、数据处理、数据分析）

通过数据驱动的思维指导产品设计，让机器从大量的数据中进行学习，然后将学习和训练好的模型直接用于产品。大数据爆炸性的增长驱动人类去建立各种看似不想干的数据之间的关联需求。

2 云计算技术

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。

4.3 数据采集（data acquisition）

数据来源

1 直接购买行业数据（有些可免费获得），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

ICPSR，社会和行为学研究数据，www.icpsr.umich.edu

美国政府开放数据：www.data.gov

加州大学欧文分校（UCI）创立的机器学习社区：archive.ics.uci.edu/ml

数据堂 www.datatang.com

2 自行采集，同过自身行业积累直接获取用户数据，通过爬虫采集合法的互联网数据。

自行采集的好处是按需定制，可以自定义采集的指标、字段、频率等。

数据质量

衡量数据质量的四个R原则：关联度（Relevancy）、时效性（Recency）、范围（Range）、可信性（Reliability）

4.4 数据处理

通过一种从数据反推规则的方法进行建模，这种解决问题的思路刚好与专家系统相反，即自下而上的思路

4.5 机器“大脑”处理过程：理解、推理和决策

1 识别（recognition）

模式识别（pattern recognition）是机器学习的一个分支，侧重于识别数据中的模式和规律。

用于计算机视觉、自然语言处理（语音识别、手写识别）、生物特征识别（人脸、指纹、虹膜识别）等

2 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的区分、深层次的解释和归纳总结数据的能力。

3 做决策（decision making）

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。

4.6 资源配置统筹的关键环节：系统协调

构建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（包括芯片和平台软、硬件厂商）、信息提供者、信息处理者在内的各种公司内外的业务部门。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，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。

人工智能体系发展路线图

4.7 不可逾越的红线：安全、隐私、伦理和道德

安全隐患：第一种，被认为设定或创造为不安全的产品，如自主武器（autonomous weapons），第二种，径一开始被设定或创造为有益于社会的产品，但为了实现目标，人工智能再有些适合会不择手段，忽视设定过程中造成的各种安全隐患，如自动驾驶。因此产品经理还需要考虑到实现目标的手段（往往需要过程透明化）

隐私评估：

1 评估所有产品流程中涉及用户权力（包括隐私权）的风险

2 评估产品在涉及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

3 基于产品设计或运行的母的，评估该过程是否有必要。追求最小化的用户隐私数据采集和最大化的产品价值

4 针对识别出的风险，给出针对性的风险管理措施

隐私保护：

1 减少对训练数据量的需求

生成对抗网络（generative adversarial networks，GAN），GAN通过轮流训练判别器（discriminator）和生成器（generator），令其互相对抗，从复杂概率分布中采样。

谷歌开始尝试使用联合学习（federated learning）的方法训练数据，该技术可以实现将部分训练过程放到用户的手机端，使用手机的处理器进行数据训练，从而取代传统流程中需要将所有数据先上传到云端在进行训练的方式。

迁移学习（transfer learning），把一个场景中学到的只是（模型）举一反三迁移到类似的场景中的方法。适合从小数据中学习知识，尤其没有足够的数据作为训练资源时，在之前训练好的模型基础上加上小数据并迁移到一个不同但类似的场景当中去。

2 在不减少数据的基础上保护隐私

差分隐私技术（differential privacy，dp），当在数据库中检索某条信息时，在搜索结果中加入满足某种分布的“噪音”，使查询结果随机化。差分隐私是密码学中一种隐私保护技术。

同态加密技术（homomorphic encryption），允许在密文上进行计算，生成加密结果，解密后的结果与明文进行同样的运算得到的结果时一样的。

3 提高算法可解释性，避免黑盒子事件发生

4.8 运维管理

“运”让业务处于稳定、高效的运行状态，而“维”就是运行过程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

人工智能产品运维能力判断标准

1 系统能否在第一次时间发现异常

2 能否找出发生异常的原因

3 从原因是否能定位到具体的问题

4 问题是否能够被很快修复或自动修复

5 未来在出现这样的问题之前是否可以提前预警

运维技术的发展历程

工具时代（实现计算机化，但运维流程尚属摸索阶段，没有规范）

pre-devOps阶段（ITIL体系，DevOps等理念被提出）

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）

AIOps（Artificial Intelligence for IT Operations）阶段，人工智能技术与IT运维技术相结合

发展的必然：

1 复杂、多变的软硬件架构故障本身就难以避免

2 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

3 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

4 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：

Gartner在2016年提出的概念，结果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，可以提供类人交互、主动决策、理解执行等能力。

核心元素：机器学习和大数据技术

工程化流程：

1 来自监控、配置和变更各种运行数据会给AIOps引擎提供训练数据。

2 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/CD、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。模型不成熟前，辅助专家扮演运维的角色，提供警告、预测、止损、修复、规避建议。

3 运维专家看到这些警告和建议后可以快速根据已有预案采取止损和规避操作

4 执行自动化脚本完成回卷、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成，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。

5 机器学习

产品经理至少要掌握：1 机器学习流程，2 机器学习可以解决的问题分类，3 算法的基本原理，4 工程实践中算法、数据和计算资源间的依赖关系等。

5.1 什么是机器学习

常见概念

深度学习->表示学习->机器学习->人工智能

人工智能：概念广泛，目标让机器像人一样思考

机器学习：专门研究计算机怎么模拟或实现人类的学习行为，通过各种算法训练模型，并且这些模型对新问题进行识别和预测。

表示学习：机器学习算法的性能，很大程度依赖于人为给定数据的表示或特征（representation），特征选取的结果决定了最终的学习效果。但很多场景，特征的选取会随场景的变化而变化，依靠人工为一个复杂的场景设计特征需要耗费大量的人工和时间，为了解决使用机器学习来挖掘出表示本身，而不仅仅是把表示映射到深入。

深度学习：属于表示学习的一种，具有强大的灵活性，可以将复杂的场景表示为嵌套的层级概念体系。试图从多重非线性变化构成的多个处理层，对数据进行高层抽象的算法。

强化学习：让计算机不断尝试，从错误（反馈）中学习如何在特定的情境下，选择可以得到最大的回报的行动，最后找到规律、达到目标的方法。

迁移学习（transfer learning）：把以及训练好的模型参数，迁移到新的模型上来帮助新模型训练的学习方法

5.2 机器学习的流程拆解

数据预处理：数据清洗、数据集成、数据转换、数据削减、数据离散化、数据归一化（样本尺度归一化、逐样本的均值相减、标准化）和数据白化。训练集（training set）、调参（parameter tuning）、验证集（validation set）、测试集（test set）

模型评估：过拟合（overfitting）

调参：超参（hyperparameter）在训练之前手动设置的参数；参数（parameter）通常不需要手动设置、在训练过程中可被自动调整的参数。如权重w就是参数，层数就是超参数。调参的过程是基于数据集、模型和训练过程细节的实证过程。

推断（inference）

5.3 人工智能产品经理必备的算法常识

人工智能三大基石：算法、数据、计算能力

模型和算法

专有名词：

人工神经网络模型（Artificial Neural network, ANN)

隐藏层（Hidden Layer）

激励值（Activities of the Neurons）

反向传播算法（Back propagation)

Adam（Adaptive Moment Estimation）算法、RMSProp 算法、梯度下降算法（SGD）

语音识别（ASR）、语音合成（TTS)、机器视觉（CV）、自然语言处理（NLP）、文本/语义理解（NLU）、即时定位与地图构建（SLAM）

算法分类：

按照训练方式不同：监督学习（supervised learning）、无监督学习（unsupervised learning）、半监督学习（semi-supervised learning）、强化学习（reinforcement learning）

按照解决任务不同：二分类算法（Two-class classification）、多分类算法（multi-class classification）、回归算法（regression）、聚类算法（clustering）、异常检测（anomaly detection）

了解算法有助于：1 建立必要的知识体系以与研发人员进行良好的交流， 2 在团队需要的时候提供不要的帮助，3 识别和评估产品迭代过程中的风险、成本、预期效果等

算法介绍（略）

算法的适用场景

选择之前分析一些因素，尽量缩小算法选择的范围，这些因素包括以下：

1 数据量的大小、数据质量和数据本身的特性

2 机器学习要解决的具体业务场景中问题本质是什么

3 可以接受的计算时间是什么

4 算法精度要求有多高

不同算法各有优缺点，要权衡训练目标的优先级，开发人员要对业务需求有比较清晰的理解，能抓住本质，对每种算法的适用场景有明确的认知。算法介绍（略）

5.4 机器学习的常见开发平台

Caffe、CNTK、DMTK、DL4J、MXNet、OpenAIGym、Paddle、Tensorflow、Theano、Torchnet

建议产品经理对各类机器学习开发平台有所了解，并熟悉开发平台的常见功能，能亲自参与一些简单的工程实践。机器学习开发平台的适用门槛不断降低时必然的发展趋势，产品经理可以自主适用类似的工具把评审的一些想法快速验证。

6 人工智能产品经理工作流程

6.1 设定清晰的目标

1 用户/客户痛点分析-场景描述

说明用户、客户的业务或需求场景时什么？

如果产品、功能投入使用，用户将在该场景中哪个流程环节里使用它们？

当产品没有问世之前，用户、客户都使用什么样的替代方案？

替代方案在多大程度上满足了用户、客户的需求？

2 用户/客户通电分析-痛点来源

用户、客户的痛点来源是自身还是源于外界的某种压力（例如来自于更高管理者的压力和关注）？为什么存在这种压力？痛苦链条式什么？

用户、客户的痛点是否来自于人性？如贪嗔痴

3 用户、客户的痛点分析-痛点全方位剖析

该痛点涉及的面有多广，是普遍问题还是个别问题？

该痛点是否符合政策导向或者是否合规？

该痛点涉及的需求是否是高频应用？

用户、客户愿意为此痛点买单吗？他们愿意付出什么样的代价来解决这个问题？

感觉到痛的人是否有采购决策权？

4 市场分析

产品、功能在市场上的主要竞争对手都有谁？各自的竞争优势是什么？市场占有率如何？

是否已经有占有率比较高或比较被认可的产品？其有什么样的优势？

相比于竞争对手，我们的优势是什么？用户、客户选择我们的理由是什么？

总之，将产品的目标清晰的表达出来，方便评审和组织内达成共识，如：该产品、功能面向XX客户，解决客户在XX场景下XX问题，给用户、客户带来XX收益（也可以是效率、体验方面的优化等）。

6.2 技术预研

人工智能的竞争是全方位的，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称为取得竞争优势的关键。以人脸识别（face recognition）产品举例。

从领域技术基本现状和趋势、领域前沿技术、常见技术逻辑、判断技术切入点（软件或软硬件） ，四点来看。

产品经理进行技术预研，重点关注技术的趋势、领先性、主流算法框架的优劣，而且需要横向比较竞争对手之间的的技术实现手段和重点产品参数，从中提炼出自身产品的优势。如果在某一技术环节中没有优势，那么就需要扬长避短，用产品其他方面弥补，如用户体验、产品价格或其他附加值等。

6.3 需求分析和产品分析

成功的产品设计各不相同，失败的产品设计却相似，以下归纳几种失败的常见原因。

失败常见原因

1 技术驱动产品设计，即我有什么样的技术就做什么样的产品

产品只有当切实地为用户解决场景中的具体问题时，用户才愿意买单

2 忽略用户期望管理，华而不实的产品功能造成用户失望

用户期望过高，但实际只解决了用户在整个体验流程中某一个细小的环节，对于整体的效率和体验的提升极其有限，结果以失望告终。导致用户对品牌信任度降低

3 单点突破带来的价值受限，与产品价格或需要用户付出的代价不成正比

如家庭机器人，使用场景单一，没有形成刚需，仅依靠语音识别取代触碰式接触远不能满足用户的负责需求，即便成功的宣传了价值，但很难传递价值和被用户持续认可

4 一味追求底层技术，而忽略了用户体验的优化

复杂的或用户意料之外的糟糕体验反而低调新技术给产品带来的优化，如语音识别输入法虽然技术先进，但是错误率高、标点断句不准，用户还要常切换输入法。

人工智能产品常见设计原则

1 “少即是多”原则（如，极简的交互设计）

2 从微观到宏观逐步深入（逐步满足用户的需求，当某个功能得到用户普遍的认可后再继续第二个功能）

3 放宽眼界，有效整合资源

具备宽阔的视野，不仅要学会找到算法和用户需求的交叉点，而且要有意识的修炼自己的软硬技术整合能力、跨行业技术融合能力、交叉文化理解和创新能力。整合新资源和新技术，并将之融入到产品设计理念中，使用以用户为中心的设计方法，挖掘用户最自然的行为习惯，并以此设计人工智能产品。

4 同理心

EQ理论的专有名词，指正确的了解他人的感受和情绪，进而做到相互理解、关怀和情感的融洽。很多失败的案例都是执着于追求自己认为正确的需求，忽略了用户真实的需求。

认知共鸣、情感共鸣、身体感受共鸣

合理制定产品需求优先级

1 价值 vs 复杂度矩阵

高价值低复杂度->高价值高复杂度->低价值低复杂度->低价值高复杂度

2 卡诺模型（kano model）

功能和用户愉悦度的关系，基础功能->性能功能->尖叫（兴奋）功能

3 相似组分类法（affinity grouping）

3 加权得分法

6.4 充分参与研发过程

目的

1 帮助研发工程师快速实现产品目标

如通过产品需求的准确表达，缩短研发工程师找到最佳技术方案的时间；通过设定产品短期和长期努比奥，帮助研发经理制定准确的研发计划；帮助研发确认优先级、获取高质量数据等。

2 能够用非技术语音，将研发过程中的技术原理以及出现的问题及时与公司领导或客户进行沟通，以及获得支持和认可

如机器学习模型中，由于技术的复杂性会导致很多计划外的工作量和效果，当老板提出质疑时，需要产品经理主动解是当前状况，并结合其对市场竞争状况、用户需求的理解说服老板投入更多资源，为研发获得更多支持；当算法精确度不是特别高时，产品经理还应学会与客户进行技巧性沟通，为产品争取更多时间

事情

1 提供优质数据

根据产品短期和长期的目标，判断需要什么样质量的数据，如何获取（如传感器、数据对接、网络爬虫、商务采购等），每轮迭代都需要重复上述流程，以保证数据集能偶更主权虐的模拟出应用场景。同数据分析师、算法工程师一同完成数据获取、清洗、转换以及一些特殊的数据预处理工作。产品经理扮演部分数据工程师角色，需要掌握一些基本的数据库语言，并熟悉公司所使用的数据分析系统、数据阐述系统以及数据仓库的基础使用方法。

2 模型训练

和算法工程师共同完成模型训练、模型调参后的效果校验，协助达到模型训练的目标要求（精确度、灵敏度、F值、AUC等），所需要训练周期、训练数据的质量和数量等。

3 测试调优

和测试团队共同制定测试标准，并在上线前依据产品设定的目标进行产品交付质量的确认。

模块拆分（可测试模块最小化）->制定清晰测试标准（需对行业有深入的理解并尽量成为行业专家，才能制定可量化的精确度或误差范围）->引入“第三方”数据（多样化的数据维度进行测试可能带来意想不到的效果）

4 目标管控

工程实践中可能存在拍奶茶和变化，产品经理要关注实际开发出产品表现和产品再规划设计阶段设定目标之间的距离。同时要考虑市场形式的变化，在必要的时候进行随机应变的目标调整，如观察竞争对手的产品进展，为在市场上取得更强竞争力，提高对模型精确性的要求，或为了抢夺先机，决定更快将产品投放市场，因此上线时间提前，降低期望。

5 持续的产品运营

产品上线后的包装、宣传，内部培训文档的撰写

7 方法论、沟通和CEO视角

方法论：

高手可以通过学习相对少量却有效的关键知识建立起自己的方法论，并将未来遇到的问题通过事先总结好的方法论进行归类和解决。而普通人则表现为看起来非常忙碌，可能没总结出可以解决新问题的方法论，或者学习和总结的不够深入。

产品管理实践：

优秀的产品团队会快速总结规律并形成自身团队的管理方法论，而普通产品团队只知道闷头干活。想做高手，就需要根据公司的现状和领域背景创建自己的产品管理模式和方法论，需要产品经理以一种主动、刻意的态度去寻找规律。

7.1 端到端产品管理

一种方法论或者思维模式，前提产品经理在公司的定位：润滑剂的角色，就像汽车的润滑剂一样，每个零件再好，也没法保证长时间的快速运转。

重点

1 把握流程中的关键环节

”敏捷、小步快跑、快速迭代”，不是一味的追求产品管理的灵活机动，不是随机应变、不遵循流程、赶鸭子上架。

产品管理流程很重要，流程中的关键点一般包括：产品定义、产品设计、UI设计、开发、测试、预发布、实验局、发布、持续运营

明确流程，根据公司实际情况及产品属性做针对性修改，明确各个环节的角色、职责、环节关键点

2 评审阶段成果

认真挑选评审委员会成员，不同环节的评审对评审委员会要求不同；

通过制定各环节成果物标准模板提升评审效率，为保证评审会高效进行，需要将各环节模板固化，从而形成模板化的评审流程，通过模板来规范各环节的成果物，逐渐形成各环节的检查清单。不但效率提升了，也有利于新人融入公司流程、建立公司自己的产品文档体系；

明确责任、不推诿，如产品上线延期、质量问题、产品上线后能否满足用户的需求，产品运营和售卖成果由明确的责任方，没有人可以推脱自己的责任，公司可以通过透明、边界清晰的流程管理制度对每个环节责任人进行考核，并在实践中制定评价标准。

3 复盘

回顾目标，评估结果；分析原因；总结经验，指导实践，将原因进行归类并提出可以改善流程的行动建议

总之，

端到端产品管理是公司的知识资本，也是实现产品管理的有效手段。新成员加入可以通过流程快速融入团队协作，另外还可以打通各部门的协作，从上至下的完成整个团队的工作流程梳理，在保证产品敏捷性（Agility）的同时实现了流程透明化，帮助领导随时随地的掌握产品和团队的状态和进展。

7.2 跨部门沟通

四种能力（横向领导力）

1 良好的人际网络（需要对公司内外的人员建立广泛的关系网络，以支持其开展产品管理工作）

2 紧密的联盟关系（联盟关系不是公司内部的政治斗争，而是一种互相认可并可以互利的关系，尤其是跨部门的盟友可以帮助你获得产品管理流程各环节的支持，也是你最好的智囊团）

3 说服别人的能力（说服别人是在理解对方立场和利益诉求的前提下取得对方支持的技巧）

4 谈判能力

沟通技巧

1 无私助人（积累自己的“社交货币”，你能提供别人的资源或帮助越多，你自然就能和越多部门的人建立更好的关系网络）

2 沟通方式投其所好

对方更喜欢正式的交流还是非正式的交流方式；

对方更喜欢面对面的沟通还是喜欢通过手机或电子邮件沟通；

对方更喜欢将事件的上下文了解完整还是更喜欢直接说重点；

对方更喜欢听到以数据支撑为手段，客观谨慎地表达自身观点，还是希望通过主观的判断来表达；

对方更喜欢听到细节还是概括；

产品经理应该了解公司各部门的运行机制、工作内容、分工情况以及历史背景信息，并结合对方立场来选择最恰当的沟通方式。把握人性、以最真诚的态度进行沟通。

3 从公司利益出发

将诉求和沟通目标与公司的利益结合，比较容易获得别人的支持。

7.3 用CEO视角进行产品管理

1 创造令人信服的团队愿景

产品经理应向CEO一样，不厌其烦的和设计、研发团队描述并确认产品愿景，并尽量将产品的愿景印在团队每个人的心中

2 主动承担责任并以身作则

团队需要精神支柱，需要能够带着大家一起干活的人。当产品陷入低潮或不被认可时，要能够依然保持积极乐观的心态，无论何时对自己的产品保持着浓厚的热情，这些行为和心态会潜移默化的影响团队中的其他人。

3 主动争取一切资源并对结果负责

CEO要为整个公司的业绩负责，风险与机遇并存。产品经理也时如此，在产品管理过程，一开始往往得不到足够的资源（人、钱、数据等），需要主动承担风险去争取资源。主动争取资源意味着对结果负责，但如果不去承担这个风险，空拍未来也不会赋予更重要的使命，从而失去更多机会。

发现资源不足，以非技术性的、可量化的方式汇报给老板，同时告知资源不到位的后果，同时也要站在老板的角度考虑成本、投资风险、商业回报等问题。

产品经理要常以这种思维去工作和思考，一方面有助于构建完整的信息体系，通过充足的理由说服公司领导争取资源，另一方面有助于构建大局观。

从不向自己汇报甚至级别高于自己的人身上争取到支持和认同绝非易事，这对沟通能力、资源管理能力、谈判能力、表达能力、人格魅力、专业能力等综合的考验。

坚信“你想变成什么人物，就站在他的角度想问题、做事，终有一日你会变成那个人”。

写在后面的话

人工智能时代，技术、商业模式、创新规律以飞快的速度发展和演变，产品经理从这种变化中提升认知能力和创新意识，需吸收大量的知识，并不断的从工程实践中提炼经验。

掌握一定技巧并持续的学习和自我迭代，称为优秀的产品经理并不遥远。