人工智能之PM

我不懂技术，可能更多的是从产品经理的角度去探讨人工智能的可能性，即把真正思想转化为产品的落地能力。AI产品经理的水平决定了技术到产品化的距离。

人工智能应用分类

近几年来人工智能的快速发展离不开深度学习（Deep Learning）在图像识别、语音识别、自然语言处理、信息检索、机器翻译、社交网络过滤、生物信息学和药物设计等方面的成功应用。

人工智能商业3大派系

1）Core AI Companies：研究核心人工智能，主要针对人工智能基础设施的搭建；

2）Application AI Companies：通常的表现形式是提供一种基础功能，客户可以通过调用封装好的API进行对自身产品的武装或填充，而无需自己研究基础功能；

人工智能的核心还是数据吧，对于一些中小型公司，当拥有的数据量有限，是无法通过机器学习技术完成对每一个基础功能的建模（算法模型）和应用部署，因此需要借助这样公司提供的开放API能力，然后自身做垂直应用。

3）Industry AI Companies：直接提供垂直领域的AI服务，帮助用户解决具体场景中的具体问题；

人工智能——需求

一定要明确的一点是产品永远是需求驱动，而非技术驱动，身边很多项目，做出来都是在炫技，想方设法和最新的技术搭上边儿。在应用人工智能的时候，要考虑人工智能技术可能会给你的产品带来多大价值？再前沿的技术，从理论到产品落地是有巨大投入的。

虽然上述截图问题是针对ar的，但同时也可应用在ai上：

1. 产品是需求驱动，而非技术驱动的， 用户的需求是真实的么？产品能给用户带来价值么？ 技术体系的构建离不开需求，而需求离不开行业理解和商业模式的价值观导向。
2. 人工智能技术真的满足用户需求么？或利用其它技术能更好得帮助用户解决问题？
3. 用户的用户体验如何？有足够的互动么？
4. 应用场景是什么？应用媒介是什么？
5. 人工智能技术可能会给你的产品带来多大价值？再前沿的技术，从理论到产品落地是有巨大投入的，产品或者功能的商业价值是什么？

人工智能——产品

在设计机器学习产品的时候产品经理应该转变传统产品设计的思路和逻辑。 产品最终的效果，很大程度上依赖于算法团队是否能获得足够优质的数据并训练比较精准的模型进行预测分析。

【困难】

• 产品在研发阶段投入的成本具有不确定性；
• 技术的预期效果也比较难评估。

【建议】

1）在描述需求的时候要回归场景，对这些核心的关键业务需求进行定义之后，技术就可以有导向性的进行框架设计和技术调研。

2）产品经理应该明确所设计的功能目标是否明确且容易判断和量化。

越明确就越容易被自动标记 。越容易被自动标记就越容易帮助机器快速在闭环里进行学习和建模，即功能的实现成本较低且比较容易实现较好的效果。

3）产品经理应该判断是否有质量足够好的数据作为训练集来完成对模型的训练。

数据的质量决定了模型的训练效果能否满足用户需求，甚至决定了产品经理对产品设定的目标是否能够实现。

一款成功的人工智能产品，核心技术、产品化、商业化三要素缺一不可。

核心技术

本质上只是解决用户需求的一种手段。如果技术先进却对用户提出了较高的使用门槛，或很难直接的传递价值，产品一样无法成功。

产品化

用户开始使用产品后可以有效的传递价值并为用户解决实际需求；当用户使用产品一段时间后通过延展价值并形成用户持续的消费。

商业化

如果说产品化决定了产品的价值空间，商业化则决定了产品将价值变现的能力 。 人工智能产品的商业化需要产品经理能够把场景、痛点分析透彻，并在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 。甚至在必要的时候进行产品定位调整，最终实现产品变现。

人工智能——技术

刚刚是从产品的角度提了五个问题，接下来，从技术的角度提几个问题：

1. 从技术角度，将人工智能技术应用到产品中需要哪些资源或准备？
2. 需要更多的数据？任何一个机器学习功能的上线都需要占用研发80%或更多的时间来完成对数据的准备
3. 更完善的算法模型？机器学习对数据的准备更占用时间
4. 所需的技术在人工智能领域中成熟度。是否已有成功的案例？

【机器学习】

算法：

当年网站设计还需要会写代码，但是现在即使不会写代码，也可以用各种design system做出精美的网站了。同理，Google的Tensorflow将算法迅速应用到产品中的门槛大幅度降低。Tensorflow可以让应用型研究者将想法迅速运用到产品中，也可以让学术性研究者更直接地彼此分享代码，从而提高科研产出率。

计算能力：

强大的云计算能力为提供人工智能计算能力，小公司利用大公司提供的现成的云平台，即实现了可以用很少的硬件投入就可以进行深度学习产品的开发。

数据：

好的数据通常要比好的算法更重要 ，而且数据本身的属性决定了应用的机器学习算法是否合适。假设你的数据集够大，那么不管你使用哪种算法可能对分类性能都没太大影响。机器学习只是数据挖掘的工具中的一种。