人工智能产品经理——AI产品经理真的很香！

工作需要，这两天读了一本《人工智能产品经理 - AI 时代 PM 修炼手册》这本书，总体来讲还是有一些收获的，但很多地方需要更多的书籍作为相应知识的补充，很多地方都是相对粗浅的概括。这两天比较忙，就先把自己记的提纲摘录下来，有空再慢慢完善之后的读书笔记好啦ww人工智能人才。

LLand520

918人浏览 · 2024-05-24 11:42:07

LLand520 · 2024-05-24 11:42:07 发布

工作需要，这两天读了一本《人工智能产品经理 - AI 时代 PM 修炼手册》这本书，总体来讲还是有一些收获的，但很多地方需要更多的书籍作为相应知识的补充，很多地方都是相对粗浅的概括。

这两天比较忙，就先把自己记的提纲摘录下来，有空再慢慢完善之后的读书笔记好啦ww
在这里插入图片描述

人工智能人才

可以实现人工智能技术的工程师
将人工智能与行业知识结合的人工智能产品经理

第1章：逻辑基础和背景前提

人工智能产品：颠覆性策略

互联网：对生产要素和资源配置方式的优化 eg:滴滴
人工智能：直接形式的颠覆：自动驾驶

主流研究方向

计算机视觉
自然语言理解
认知与推理

理论基础是概率论 - 判断与预判本质是实现概率和成本之间的平衡

主流研究类别

个性化精准服务 eg: 金融产品个性化推荐
简单或重复劳动 eg: 自动驾驶
提升效率和准确率 eg: 反金融欺诈
提升用户体验 eg: 智能语音
自主创作 eg: 绘画，剧本，诗歌

三要素：算法，计算能力，数据必要条件：核心技术，产品化，商业化

主要思维

资源管理思维
目标导向思维
解决方案思维

第2章：行业知识，方法论

人工智能公司分类

行业+人工智能公司：梅赛德斯奔驰
- 核心要求：行业趋势的洞察力
应用人工智能公司：基础能力
- 商务技能 & 项目管理能力
- CAC customer acquisition cost 用户获取成本
- LTV Live Time Value 用户终身价值
- PBP Payback Period 回收周期
平台类人工智能公司
- 对底层技术的理解

行业分析维度

行业特点：历史背景，增长能力
行业运行趋势
竞争力因素分析：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
行业整合：行业集中度，外资进入，收购兼并
政府管制：准入门槛
商业模式

切入行业

确定价值场景
收集场景基本信息：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，客户期望的方式和解决方案
场景有关的干系人和干系场景：上下游企业在场景中的角色
- 定义干系人
- 判断干系人的重要性
- 判断干系人的利益
- 描述干系人的利益
- 描述干系人对产品的期望/要求
- 干系人的痛点和快点分析

第3章：基础技能

优化信息存储和互通的方式

AI对需求的重塑

降低用户的使用门槛，减少用户的交互流程，降低使用难度，让产品使用接近用户的自然行为
从用户角度考虑投入产出比
算法的可解释性差
传感器技术进步
产出需求的真正多样
应当充分了解当前技术局限

功能性需求

宏观：符合公司整体战略
微观：尽可能明确业务背景与业务目标，将目标量化

非功能性需求

建议架构师尽早参与到需求分析中，尽早考虑非功能需求
安全性
- 可得性：权限控制
- 私密性：数据隐私
可用性
- 用户是否用产品完成任务，效率如何，感受如何
- 与 UI/UX 直接相关
- 易用性
- 一致性：设计目标一致性，外观元素一致性，交互行为一致性
- 观感需求
可靠性
- 条件：系统的状态和输入条件
- 时间：软件的具体运行时间段
- 功能：提供服务是产品的功能
- 出错频率
- 自我恢复速度
性能
- 响应时间：2/5/10 原则
- 吞吐量：系统在单位时间内处理请求的数量
- 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

量化需求分析

明确产品的业务需求：业务机会，业务目标，成功标准，产品愿景
- 自动驾驶的SAE分级
- 不智能 -> 驾驶辅助 -> 半智能 -> 条件智能 -> 高度智能 -> 完全智能
明确产品的需求场景
定义场景中的可量化标准
- 内部因素：已有的数据集
- 外部因素：医生的技术水平
- 同行业表现
- 输出对模型预测的精度期望
根据具体的场景定义算法的指标

思考 ROI

第4章：人工智能产品的原理和组成部分

产品实现逻辑

感知 -> 认知 -> 识别 -> 理解 -> 决策

基础设施提供者
- 传感器
  - 生物传感器，光敏传感器，声音传感器，化学传感器
  - 应用：可穿戴应用，高级辅助驾驶系统，健康监测，工业控制
- 芯片
  - 模型训练，云端推断，设备端推断
  - 通用芯片，半定制化芯片FPGA，定制化芯片ASIC
- 大数据技术：从海量数据中挖掘价值
- 云计算技术：按使用量付费，提供可用的，便捷的网络访问和计算资源共享池
数据提供者
- 数据的质：Relevncy Recency Reliability Range
数据处理者
- 识别
- 理解与推理
- 决策
系统协调者
- 项目 -> 产品化 -> 服务化 -> 平台化

第5章：机器学习工程实践对人工智能产品经理的需求

机器学习流程

原始数据采集
数据预处理
模型训练
模型评估
调参（超参数和参数）

机器学习分类

监督学习，无监督学习，半监督学习，强化学习
- 监督学习：人工神经网络类，贝叶斯类，决策树类，线性分类器
- 无监督学习：人工神经网络类，关联规则学习类，分层聚类，聚类分析，异常检测类
- 半监督学习：生成模型，低密度分类，基于图形的方法，联合训练
- 强化学习：Q学习，状态-行动-奖励-状态-行动 SARSA，DQN，策略梯度，基于模型强化学习，时序差分学习
- 深度学习：深度信念学习，深度卷积神经网络，深度递归神经网络，分层时间记忆，生成对抗网络
- 迁移学习:归纳式，直推式，无监督式，传递式
二分类算法，多分类算法，回归算法，聚类算法，异常检测

第6章：人工智能产品经理的工作流程

设定产品目标
- 用户/客户痛点分析：场景描述
  - 说明用户/客户具体的业务或需求场景
  - 如果产品/功能投入使用，用户/客户将在该场景中的哪些流程环节中使用他们
  - 在产品没有问世前，用户/客户都是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/客户的痛点来源是自身还是外界的压力，为什么存在这种压力，痛苦链条是什么
  - 用户/客户的痛点是否来自于人性
- 用户/客户痛点分析：痛点全方位剖析
  - 痛点涉及的面有多广，是普遍问题还是个别问题
  - 痛点是否符合政策导向或是否合规
  - 用户/客户愿意为此痛点买单吗？他们愿意付出怎样的代价来解决这个问题
  - 感觉到痛的人是否有采购选择权
- 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者比较被认可的产品，其有怎样的优势
  - 相比于竞争对手，我们的优势是什么，用户选择我们的理由是什么
进行技术预研
- 人脸图像采集
- 人脸检测
- 数据预处理
- 人脸图像特征提取
- 人脸匹配与识别
需求分析与产品设计
- 常见失败原因
  - 技术驱动产品设计——应当从需求出发
  - 忽略用户期望管理——用户期望过高而产品华而不实
  - 单点突破带来的价值有限，与产品价格或用户付出的代价不成正比
  - 追求底层技术而忽视用户体验
- 常见设计原则
  - less is more
  - 微观到宏观——先做个性化信息流，在做商品推荐
  - 整合资源
  - 同理心：认知，情感，身体感受
- 定制产品需求优先级
  - 价值-复杂度矩ac阵
  - 卡诺模型：用户愉悦度 vs 功能完善度
  - 相似组分类法
  - 加权得分法
参与研发流程
- 提供优质数据
- 训练模型
- 测试调优
- 目标管理
持续产品运营