《人工智能产品经理》读书笔记

随着人工智能热潮的兴起,企业对人工智能领域产品经理的人才需求也就越来越大。这些年个人也在渐渐关注用户体验及产品定义,人工智能的市场给产品经理提出了更高的要求,也是未来的发展方向。不管技术还是运营,只要在IT圈子里,我觉得都应该关注,正所谓“人人都是产品经理”,特别是人工智能的产品经理。



一、作者简介 & 推荐

《人工智能产品经理》一书作者,张竞宇,墨尔本大学信息系统硕士、全球金融工程委员会委员、“Back & Forth” 思维模式发明者,现任世界 500 强公司人工智能产品总监。擅长机器学习产品设计、大数据分析以及人工智能技术商用化。

1.1 著名产品人 梁宁

人工智能时代的产品经理应在全新的知识图谱中构建自身的认知框架。本书回归人工智能产品的本质,通过对产品的体系架构和设计流程进行提炼和概括,定义了人工智能产品经理这个岗位所需要的能力和素质模型,在人工智能迅速发展、充满未知的今天给产品经理们提供了一些“确定性”,值得一读。

1.2 人人都是产品经理社区、起点学院创始人兼 CEO 老曹

AI 技术正处于高速发展时期,未来充满了不确定性,而产品经理的认知则在很大程度上影响产品未来的发展方向。面对新技术和新场景,作为产品经理应该积极地学习、建立自己的认知体系、融入时代,才能不被时代淘汰,甚至推动时代发展。在本书中,作者通过描述人工智能产品的体系架构和设计流程,系统总结了 AI 产品管理理论和思维模式,并结合大量的人工智能产品的工程实践案例,帮助你建立 AI 产品经理的知识体系。

1.3 PMCAFF 产品社区 CEO 阿德

新的技术发展会不断地颠覆产品行业,目前 AI、VR、AR、区块链等技术在不断改造整个互联网。AI 技术尤其如此,已经改造了业务本身。本书将作者在人工智能产品经理领域的知识与经验娓娓道来,对于行业来说非常有价值,希望更多的产品经理通过本书了解 AI,利用 AI 去创造更多更有意义的产品。

1.4 首都科技领军人才、海航科技首席科学家 谢耘

人工智能领域的人才大体可以被分为两类:一类是实现人工智能技术的工程师,另一类是将人工智能技术和行业知识相结合,从而实现最终商业目标的人。如果你想成为第二类人才,这本书你不能错过。

1.5 《人人都是产品经理》作者、良仓孵化器创始合伙人 苏杰

产品经理这个岗位发展到今天,已经进入了专业化时代。AI 已经是公认的下一个大浪潮,目前还是相对早期,如果你想抓住其中的机会,相信这本书能给你提供助力。


二、人工智能时代产品经理的新定义

2.1 人工智能的本质–概率

人工智能的本质是:实现推断的概率可以无限逼近 100%,最终代替人类做判断,完成任务,甚至超越人类的思维和判断能力。

人工智能产品经理的角色:实现概率最优和成本投入(可能包含资金投入、技术投入、时间周期选择)之间的平衡者。

2.2 构成人工智能产品的三要素

  • 算法:符合场景、符合研发能力、可量化评估
  • 计算能力:满足算法要求、硬件开销合理可控、根据需要考虑采用云平台/自建平台
  • 数据:数据从哪里来、数据质量如何保证、数据治理工作怎么展开

2.3 人工智能产品成功的必要条件

  • 核心技术:将用户学习成三降到最低
  • 产品化:有效传递价值,解决用户需求
  • 商业变现:站在用户角度考虑定价,理解用户痛点

2.4 产品经理思维模式

  • 资源管理思维:算法、数据资源、硬件资源(芯片、存储),要衡量投入和产出;
  • 解决方案思维:不被其他团队牵着走,用技术/非技术资源生成解决方案(不一定非要用算法模型来解决);
  • 目标导向思维:明确项目每个阶段的成果,明确项目中每个节点的责任划分,保证每个节点的输入和输出,以及最终项目输出。

2.5 人工智能产品经理需要“软硬”实力

懂技术

深刻理解原理、融入研发过程、掌握所在领域的应用条件和最佳实践;

  • 了解产品的技术手段,能够量化产品表现(模型、算力、数据等),能够量化和竞品对比的优劣势。懂得在 A/B 测试中设置合理的考核指标,从而明确算法的优化方向;
  • 了解行业、业务,根据业务的技术历史、现状、趋势,整理需求。懂得影响产品表现的因素(算法、算力、数据)。了解所用的技术如何组合,成本多少,风险点在哪里;
  • 快速学习知识、获取信息,降低和市场、研发(软件、硬件)、测试、设计(UI、结构、电气)的沟通壁垒,并将这种经验沉淀下来,让新人更快上手。
懂得沟通和协作艺术
  • 团队组织架构重新调整
  • 需要跨部门协作

2.6 人工智能产品经理的知识体系

2.7 小结

产品经理所掌握的技术知识、行业/业务知识、产品管理知识等,都是在为人工智能产品的本质服务,提高推断的概率,来代替/提升原有的产品或人。那么提高推断的概率所需要用到的算法、数据、算力资源,是人工智能产品经理要衡量的投入,而代替或提升原有产品或人所带来的价值就是人工智能产品经理最终负责的东西。


三、人工智能产品经理如何懂行业

3.1 六种行业分析维度



  • 行业特点:行业的历史背景、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;
  • 行业运行趋势:产品经理应该去主动了解国内外的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(不应该只限定一家)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、新进入者威胁、替代产品和服务威胁等。同时,产品经理应关注新技术在其他领域的成功应用是否会是本領城的创机会。把趋势、顺势而为且能有一定预见性是产品经理非常重要的素质。
  • 竟争力因素分析:产品经理需要了解行业内价格、品质、质量、分销能力、上游资源、成本、产品差异,技术壁垒、管理水平、地理位置等方面的情况。公司的数据积累、算法积累、计算能力积累三方面无论是从短期还是长期来看,都占据较高的权重,在这方面产品经理需要格外重视管理和规划。
  • 行业整合:了解行业集中度、外资进入、收购兼并等。
  • 政府管制:了解行业的准人门槛、国家法规、价格、税收、进出口等。各国旧有的法律法规和行业标准显然在迭代速度上已经无法适应人工智能技术的迅猛发展。
  • 商业模式:产品经理不仅是将商业模式落地的执行者,同时也是探索商业模式的先锋。因此产品经理需要关注行业的挣钱手段,产业链逻辑是怎样的、价值链是如何构成的。

3.2 人工智能的公司类别

AI 时代的公司分为 3 类:

  • 应用人工智能公司 :提供人工智能的 SaaS 服务,其他公司可以直接调用 API 来增男足 CV 和 NLP 的功能。ToB 业务居多,要求产品经理有一定商务技能,项目管理技能,需要参与制定市场策略。

  • 研发核心技术/基础平台的人工智能公司:人工智能基础设备,例如 AI 芯片,PaaS 形态的基础计算/算法平台,要求产品经理了解底层技术,有研发经验。

  • 行业 + 人工智能公司 :依赖原有行业,使用 AI 技术升级 产品和服务; 考察 PM 对行业和业务的理解力和洞察力。

3.3 如何成为行业专家

构建产品竞争力思路:

以 “点” 切入行业

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
– 方法1 :
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。

  • 确定“价值场景”(需求强烈且市场需求够大等);
  • 收集场景中的基本信息(任务、地点、时间、什么事、达到什么目的等)
  • 深挖和场景有关的干系人和干系场景;

  • 方法2 :
    对行业内技术的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。

  • 了解AI在行业中的应用现状;

  • 对内和技术人员经常沟通,了解团队能力和潜力,评估公司在算法、计算能力和数据等方面的积累在行业中的位置;
深挖“点”,变成“线” 完善产品链条

【产品服务链条化】【量变到质变】 — 为客户创造更加丰富的产品和服务

  • 方法1 :
    深挖用户在场景中的需求,为用户提供解决方案而不仅仅是产品;
  • 方法2:
    挖掘用户数据中方的价值,为用户创造惊喜。
横向拓展“线”,变成“面” 建立产品生态
  • 通过引入外部资源建立紧密的协同关系并构建宽广的产品覆盖度,与用户产生更多的联系;
  • 通过整合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。

四、人工智能产品经理需求分析和传统的有哪些不同

AI:技术创新驱动下的产业升级,本质上是关注产品本身的价值。

4.1 人工智能产品的趋势



  • 产品逻辑化简为繁,用户学习成本降低(PM : 尝试用“颠覆式思维”设计产品);
  • 从用户角度考虑投入产出比(PM : 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);
  • 算法可解释性差,产品需要逐渐获得用户的信任(PM:技术经过验证之后上市,树立了与专业形象,赢得用户信任);
  • 技术的飞速发展,带来了多元化的交互行为(PM:学会合理利用多种床设备,创造更多交互方式来满足用户需求);
  • 产品的需求不一定来源于确定的因果关系(PM:输出的未必是确定的页面内容,可能是一对规则和策略)
  • PM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

4.2 人工智能产品定义功能性需求

从微观、宏观两个角度:定义功能性需求

宏观

首先对公司的整体产品架构有清晰的认识,评估具体场景下的业务需求寄给能够使用场景是否符合公司的整体战略规划,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好处。
总结:判断当前版本中的需求是属于公司哪个层面的,并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(可以保证需求的目标明确性及合理性)。

微观

从宏观挑选出优先级较高的功能,从微观角度定义具体等鞥描述。(尽量给出明确的业务背景和业务目标,并将目标进行量化)

定义非功能性需求
  • 安全性:可得性 & 私密性
  • 可用性:易用性 & 一致性 & 观感需求
  • 可靠性:出错率 & 自我恢复速度
  • 性能:响应时间 & 吞吐量 & 并发用户数 & 资源利用率
  • 可支持性:可扩展性 & 可维护性 & 可安装性

4.3 量化需求

为什么要量化需求

基于概率 –> 需求量化 –> 技术可行性预研 –> 得出结论 –> 开发、测试、上线 –> 复盘

在产品开始之前提出量化标准,方便对工作成果进行衡量; 一般有三种结果:

  • 存在“小数据”或若标注的情况 –> 保持上线时间不变,需求更改:在算法精度上进行妥协【尽量避免】;
  • 存在“小数据”或若标注的情况 –> 保持量化标准不变:申请更多的资源【尽量避免】;
  • 基于现有资源在规定时间内可以实现量化要求;
需要考虑的点

预研期间:衡量数据质量、算力资源、上线时间,在算法精度上给出合理量化标准,或者要求增加资源投入;
开发、测试、上线后:对量化的目标进行精准地验证,进行 A/B 测试时可以比较 A、B 两个方案的效果;
复盘期间:总结量化评估经验,和研发团队沟通,了解团队技术实力和算法能力边界。争取量化更靠谱,减少需求变更和额外申请资源。


五、人工智能产品体系

5.1 人工智能产品的实现逻辑

通常的一款人工智能产品涉及了很多技术,包括语音识别、语音合成、机器视觉、自然语言处理、文本/语义理解等多项技术等交互集成。人工智能的目标是模拟和延伸人的感知、理解、决策、学习、交流、移动和操作物体的能力。感知是人工智能实现的第一步,目前已经有了实质性的进展。理解和决策需要机器学习和人类指导相结合的方式才能实现。

目前阶段的人工智能还是弱人工智能,产品的流程可以概括为:海量数据训练和学习,从中识别规律和经验,新数据通过得到的经验用接近人的思维处理。

通过对角色分工、处理过程、功能价值三个不同的角度,一个人工智能产品的体系包含四个重要角色:

  • 基础设施提供者
  • 数据提供者
  • 数据处理者
  • 系统协调者

我们从数据流开始说起,人工智能的产品体系是一个动态流程,本质上是围绕数据采集、存储、计算展开的。

  • 数据提供者使用各种手段获得原始数据。
  • 数据处理者对数据进行加工。
  • 数据处理者进行模型训练,获得可以使用对模型。
  • 用模型对新数据进行预测。

“数据–信息–知识–智慧”的过程,再随着动态循环,就是“训练–推断–再训练–再推断”的过程。产品经理需要完成系统集成、需求定义、资源协调、解决方案封装的保障工作。

5.2 基础设施

传感器

对信号模式进行转换。主要应用于可穿戴应用、高级辅助驾驶、健康监测、工业控制。例如,无人车对传感器有激光、毫米波、超声波、红外线等,产品经理需要对不同对传感器有自己对了解。

芯片

完成训练和推断的强大计算能力的计算核心。模型训练:对神经网络和海量数据计算对核心部件应该有充足对了解。云端推断:服务器对 CPU、GPU、TPU 等计算单元。终端设备:手机、摄像头等。

按照定制化程度,芯片又分为:

  • 通用芯片:CPU、GPU、TPU 等,可以处理通用任务类型。
  • FPGA 半定制化芯片:延时低,用硬件实现软件算法。
  • ASIC:算法模型可以烧到芯片中,运行效率高。理论上先用 FPGA 在市场中试错,之后用 ASIC 量产。
基础平台

大数据技术:算法虽好,数据决胜。
云计算技术:降低了研发成本。

5.3 数据收集

数据收集类似于人类对各种感觉,没有感觉就无法判断。

数据来源

直接购买行业数据和免费的数据源;自行采集和爬取;第三方合作。

数据质量
  • 关联度;
  • 时效性;
  • 范围;
  • 可信性。

5.4 数据处理

对原始数据对加工。可以概括为:数据  —  机器学习给出规则  —  新数据通过规则得到结果  —  伴随着输入/输出的过程自我优化

5.5 机器“大脑”处理过程

机器“大脑”处理过程有三个:识别、理解和推理、决策

  • 识别:大量大量的数据存在计算机中计算得到一个模型,对于新数据判断。
  • 理解和推理:识别侧重于人对环境的感知,理解和推理强电深层次的理解和归纳能力,是对识别之后的数据的再次处理过程。
  • 决策:通过对外界客观事物、环境、推理和理解来判断采取怎样的行动。

5.6 关键环节

构建一个人工智能系统需要多方协调:包括基础设施提供者、信息提供者、信息处理者在内的各种公司或公司内部各个部门。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、监控和审计发回资源协调和统筹作用。

人工智能产品体系最常见的发展规律是:一开始以项目交付解决单个场景的具体需求为主,看重个性化;当项目的技术和产品需求验证完毕后,就可以使产品走向千人千面的产品化;接下来是服务化,通过对外开放和输出各种服务能力,逐渐与终端用户具体业务解耦,统一数据中心和算法平台;最终实现平台化,帮助用户实现根据自身需求完成各种功能模块的在线快速封装和灵活配置。

考虑到企业的发展速度、市场规模、技术实现瓶颈及业务特殊性多方面因素,需要人工智能产品经理具有成本意识、市场敏锐度、前瞻性和大局观等综合素质。

5.7 不可逾越的红线

安全

人工智能产品认为可控;人工智能产品不会影响公共安全。

隐私

人工智能产品经理至少要评估一下四项:

  • 评估所有产品流程中涉及用户权利的风险。
  • 评估产品在设计或运行过程中的系统描述。
  • 基于产品设计或运行的目的,评估过程是否是必要的。
  • 针对识别出的风险,给出针对风险的管理措施。

减少对训练数据量的需求:

生成对抗网络(GAN):通过轮流训练判别器和生成器,令其互相对抗,从复杂概率分布中取样,生成文字、图片、语音等。
联合学习(Federal Learning):部分训练过程放到用户手机,将模型传回服务器,不涉及用户敏感数据。
迁移学习(Transfer Learning):把一个场景学习到的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(Different Privacy):在数据库检索时,加入满足某种分布的噪声,使查询结果随机化。
 同态加密技术(Homomorphic Encryption):在密文上进行计算,生成加密结果,解密后的结果与对明文进行相同操作产生的结果一致。核心在于,支持在加密的数据上进行查询操作,解决数据委托给第三方如云计算公司时的安全问题。
 提高算法可解释性,避免黑盒子事件的发生。
伦理道德

在产品设计时,主要从以下三个方面重点关注人工智能的特殊性所带来的伦理问题:

  • 人工智能产品算法的“可解释性差”、“不透明”,使得一旦发生伦理道德事故无法评判。
  • 人工智能代替人履行社会职能的时候,产品的“不可预见性”有可能导致伦理道德争议。
  • 人工智能产品的道德地位值得思考。

5.8 运维管理

人工智能产品的运维和传统IT运维的出发点都是让业务高效稳定的运行。评价标准:

  • 系统能否第一时间发现异常。
  • 发现异常后能否第一时间找出原因。
  • 从原因能否定义到具体问题。
  • 问题能否自动修复或者自我修复。
  • 未来出现类似问题能否提前预警。

六、机器学习技术部分

6.1 概念

人工智能产品经理应该掌握的内容:

  • 机器学习流程;
  • ML 可以解决的问题分类;
  • 算法基本原理;
  • 工程实践中算法、数据和计算资源之间的依赖关系;

6.2 机器学习流程拆解

原始数据采集–>数据预处理–>模型训练–>模型评估–>调参–>推断

数据挖掘中的预处理方法:数据清洗、数据集成、数据转换、数据削减、数据离散化等;
深度学习中的预处理方法:归一化、数据白白化等;

6.3 人工智能产品经理(AI PM)必备算法常识

算法分类

模型训练方式 :监督学习、无监督学习、半监督信息、强化学习;

任务分类 :二分类、多分类、回归、聚类、异常检测;

算法适用场景

需要分析的因素:

  • 数据量的大小、数据质量和数据本身的特性。
  • 机器学习要解决的具体业务场景中问题本质是什么?
  • 可以接受的计算时间是什么?
  • 算法精度要求有多高?

实际中应根据算法的擅长点选取不同的算法!


七、人工智能产品经理的工作流程

产品管理一般需要固定的工作流程,我们从设定产品目标、进行技术预研、需求分析、产品设计、参与研发流程、产品运营六个环节来展开。

7.1 设定清晰的产品目标

设定设计目标是任何新功能/产品的第一步,是团队统一目标的重要前提。清晰合理的目标是产品经理争取资源投入的重要前提。产品目标设定过程中需要充分考虑前提条件和准备工作,通过严谨的分析得出合理的产品目标。

目标定义阶段的检查清单(需要产品经理不断的完善和积累):

用户/客户痛点分析 —- 场景描述

说明用户/客户具体业务或需求场景?
如果产品或功能投入使用,用户在场景中的哪个流程环节中使用?
没有该产品或功能的时候,用户或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?

用户/客户痛点分析 —- 痛点来源

用户的痛点来自自身还是外界?
痛点是否来自任性?(贪、嗔、痴)

用户/客户痛点分析 —- 痛点剖析

痛点是个体合适普遍?
痛点的需求是否符合政策导向,是否合规?
痛点的需求是否高频应用?
用户是否愿意为痛点买单?愿意付出多大代价?
感受到痛点的用户是不是具有采购决策权?

市场分析

产品在市场上都有哪些竞争对手?各自优劣势?市场占有率?
是否有类似产品市场占有率较高?它有什么优势?
我们有什么优势?用户为什么要选择我们?

产品经理需要的是对产品进行最简单的概括来对调研和分析作总结,将产品目标清晰的表达出来,以便内部评审和达成共识。举个例子:“该产品面向XXX客户,解决客户在XXX场景下的XXX问题,给客户带来XXX收益、改进”。

7.2 技术预研

当产品目标从宏观到微观都有明确的定义后,产品经理就可以开始:技术预研。人工智能产品经理要理解技术的实现过程,这就要求产品经理在关注用户体验的同时要关注这些体验的实现方式和过程。如果不懂技术原理,产品经理可能无法提出创造性和颠覆性产品创意,同时产品经理需要给研发团队提供研发阶段的帮助也需要懂技术。

领域技术基本现状和趋势

用人脸识别来举例:
计算机视觉的整体发展趋势:

  • 从“让机器看”到“让机器看懂、理解、执行”
  • 从看图片到看视频
  • 从分类到识别,再到理解

最终就是 图像分割 —-> 特征提取 —-> 行为识别 的整个过程。

常见的人脸识别应用: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。

一般的人脸识别主要有五部分:

  • 图像采集:使用被检测物体的重要特征显现,同时过滤掉不重要特征
  • 人脸检测
  • 人脸图像预处理
  • 人脸图像特征提取
  • 人脸匹配与识别
领域前沿技术

在深度学习、传感器技术、芯片的发展的当下,深度摄像头(3D传感器)成为近来机器视觉方面的投资和创业热点。通过深度相机就可以构建人脸的三位信息,在人体跟踪,人机交互,AR等领域运用广泛。
目前,比较成熟的深度方案有:

  • 结构光:通过发射特定图形的散斑或者点阵激光红外图案,摄像头捕捉反射回来的图案,比较散斑和原始的大小测算物体和摄像头之间的距离。多用于近距离场景。
  • 双目视觉:通过两个摄像头的视差来获得深度信息,运算量大、实时性差。适用于手势识别。
  • 飞行时间法3D成像:通过红外光反射回来的时间差或相位差来获得深度信息。
常见技术逻辑

以人脸识别在安防中的逻辑为例。
人脸图像采集:图像体积、图像分辨率、图像外部采集环境

人脸检测:人脸检测的目的是从图像中确定人脸的位置和大小。常见的算法有:Viola-Jones、Haar+AdaBoost、CascadeCNN等,产品经理需要有一套量化标准。

  • 检测率:存在人脸且被检测出的图像在所有人脸图像中的比例。
  • 漏检率:存在人脸且没有被检测出来的图像在所有存在人脸的图像中的比例。
  • 误检率:不存在人脸但是检测存在人脸的图像在所有不存在人脸图像中的比例。

产品经理需要了解行业内对产品质量的衡量标准,在产品需求阶段衡量产品需求描述,量化产品目标。项目验收中用数据量化产品质量。

图像预处理:图像预处理的目的是提高图片质量,去噪,使得图像特征表现出来。主要技术手段有:人脸图像的几何校正,光照补偿、尺寸归一化、灰度变换、去噪、边界增强、提高对比度、直方图均衡化、中值滤波以及锐化。产品经理需要了解行业中特有的数据治理技术,包括不同类型数据的治理周期、需要投入的成本、数据治理过程中的阻碍等。

人脸图像特征提取:特征提取的目的是针对数据的原始特征的缺陷,降低特征维度,提高分类器的设计和性能。人工智能产品经理需要理解不同框架的逻辑以及区别,对前沿技术保持敏感度,不断优化功能和产品体验。

人脸匹配与识别:对提取的人脸数据与数据库中的特征模板进行匹配,设定一个阈值,超过该阈值即可判定为某一个人。

  • 人脸识别:计算两张脸的相似度。主要有身份验证等。
  • 人脸检索:给定一张脸,找出同一张脸的图片。活体检测检索,通过眨眼等动作。主要用于签到考勤、门禁闸机、安防监控。
判断技术切入点

在充足的产品预研后,接下来是选择合理的技术方向。目前主要有软件为切入点和自研“软件+硬件”切入点。

产品经理的技术预研和研发人员不同,重点关注技术的趋势、领先性、主流算法框架的优劣,横向对比竞争对手之间的技术实现手段和重点商品的参数,从中提炼自身产品的优势。
产品经理需要将产品的技术底层实现的方式,作为量化产品需求的依据和前提。

7.3 需求分析和产品设计

造成人工智能产品设计失败的常见原因

技术驱动产品设计。产品应该从需求出发而非从技术出发。
忽略用户期望管理,华而不实的产品使用户失望。
单点突破带来的价值有限,产品价格与用户付出代价不成正比。
一味追求技术,忽略用户体验。

人工智能产品的设计原则

“少即是多”原则:个性化精准服务、提升效率和准确率、提升用户体验,在底层复杂的基础上需要产品经理在设计产品的时候尽量简化产品的功能模块、交互流程、界面元素、配色字体等。
从微观到宏观逐步深入:产品应该逐步满足用户需求,当某一部分功能用户认可后再进行其他功能。
放宽眼界,有效整合资源:产品经理不仅要找到算法和用户需求的交叉点,还需要跨行业技术融合能力、交叉文化理解和创新能力。
同理心:正确了解他人的感受和情绪,与用户产生共鸣。

合理制定产品需求优先级

每个产品的输出都有一个优先级,尤其是功能较多的迭代,产品经理需要明确每一个需求的优先级并解释其合理性。
优先级排序法:

价值vs负责度矩阵:根据需求的价值和研发/部署的复杂程度对每个需求进行评估,把结果放在二维矩阵中,价值大且研发复杂度低的需求优先级高;价值大,研发复杂度高的第二位,以此类推。
卡诺模型:在不同阶段按照产品目标倒推优先级。

基础功能:继续投入研发不会明显提高竞争性,优先级低。
性能功能:提升和优化产品性能而需要开发的产品需求。一定程度上投入研发能提升用户满意度。
尖叫功能:给用户创作兴奋和喜悦的功能。

相似组分类法:是一种让团队成员把能想出来的需求写在卡片上,把每个卡片按照内容分组,打分,选出最高得分的组和其中的最高分卡片。

加权得分法:对不同需求进行多维度打分,横向对比综合加权得分并将得分最高作为第一优先级。

7.4 充分参与研发过程

参与研发,产品经理基于对需求和业务的理解,配合研发人员进行数据的准备、模型训练、测试调优以及在研发过程中进行目标调整和优化。主要目的:

  • 帮助研发工程师快速实现产品目标。准确传达产品需求,缩短研发工程师找到最佳技术方案的时间;设定明确的产品目标,帮助研发经理制定研发计划;通过与公司内外数据拥有者合作,为研发提供好的数据;制定明确的产品测试标准,对测试结果评估并反馈。
  • 用非技术语言将技术原理与领导和客户沟通。
7.5 持续的产品运营

上线、包装、宣传,产品经理尽量评估产品的商业化和产品化效果,动态调整算法模型的研发投入量。


八、人工智能产品经理的方法论、沟通能力、CEO视角

8.1 产品管理方法论–端到端的产品管理

目的:平衡多方诉求和目标,实现整个产品管理流程效率最大化,具备产品全生命周期的管理和落地实现能力。

把握流程中的关键节点

注意要点:

  • 建立人员梯队储备
  • 灵活把握迭代内容(时间、质量)
  • 最重要环节“产品定义”和“产品设计”,和研发人员充分沟通协调保证产品按时按量完成;

基础补充:
产品管理流程分为:产品定义、产品设计、UI 设计、开发、测试、预发布、实验局、发布、持续运营这 9 个环节;

评审阶段结果

产品设计和产品定义两个环节的成果物决定了整个迭代的目标和设计方案。评审非常重要!!!

注意要点:

认真挑选评选人员。
通过制定各环节成果物标准模板提升评审效率,且利于新人快速融入团队协作;
明确职责、不推诿(每个环节职责明确);

基础补充:
常规的评审内容:产品定义、场景描述、通电分析、尖叫点设计、体验设计、竞争分析、技术优势分析等模块。

复盘

价值:回顾流程中遇到的问题,用全局视角审视每个环节做得好的地方和相对较差的地方,分析原因并加以改进,总结经验建立自己的方法论。

复盘环节:

  • 回归目标,评审结果;
  • 分析原因;
  • 总结经验,指导实践。

8.2 沟通方式—跨部门沟通

不利用任何公司全力去影响他人并得到积极的响应。其实也不一样,如果是正面的效应,偶尔举下大旗也没事。

概念:横向领导力Lateral Leadership
  • 良好的人际关系
  • 紧密的联盟关系
  • 说服别人的能力(理解对方立场和利益诉求额的前提下取得对方支持)
  • 谈判能力
技巧

无私助人
沟通方式要投其所好;{正式 or 非正式交流?面对面 or 手机邮箱沟通?了解原委 or 说重点?数据支撑 or 观点?细节 or 概括?}
从公司利益出发

8.3 产品管理视角 — CEO 视角

创造令人信服的团队愿景;
主动承担责任并以身作则;
主动争取一切资源并对结果负责;

(评估后发现团队的研发资源不足,PM需要主动评估团队目前的资源状况,量化老板的目标,并通过对市场状况、竞争对手分析、将结论以一种非技术性、可量化的方式汇报给老板,同时说明如果资源不到位,将面临怎样的后果,不仅要站在产品本身的角度思考问题,还需要站在老板的角度替他考虑成本、投资风险、商业回报等问题)