本週閱讀的是黃釗團長在 AI PM 行業非常有名的《人工智慧產品經理的新起點》PPT，作為入門小白通讀下來受益匪淺，特將重點內容梳理成幕布（未來閱讀筆記均為次格式），供後期回顧。
- 時代背景
- 網際網路+，物聯網
- 機器人：商用、民用
- 人工智慧：目前處於AI週期的上升期，未來會有瓶頸/低谷
- 人工智慧產品發展的瓶頸
- AI 人才：技術、PM等資源稀缺
- 實際產品的落地
- 團隊升級：舊的團隊需提升能力、適應技術變革
- 人工智慧的產業結構
- 應用層：AI PM 主戰場
- 解決方案層：智慧客服/助理、無人車、機器人等
- 應用平臺層：行業應用分發與運營、機器人運營等
- 技術層
- 通用技術層：語音識別(ASR)、語音合成(TTS)、計算機視覺(CV)、自然語言處理(NLP)、即時定位與地圖構建(SLAM)等
- 演算法層：機器學習、深度學習等演算法
- 框架層：TensorFlow、Caffe等框架或系統
- 基礎層
- 資料層：各行業/場景第一手資料
- 計算能力層：雲端計算、神經網路晶片等
- 應用層：AI PM 主戰場
- 7個維度選擇行業方向
- ToB or ToC
- ToB：針對行業需求提供 ToB 服務
- ToC：通過軟硬體結合提供 AI 產品
- 目前來看 ToB 的機會大於 ToC
- ToB or ToC
- 頭部 or 尾部
- 頭部：與場景深度結合，解決特定場景需求，如車載
- 尾部：長尾需求，如語音助手類
- 關鍵性應用 or 非關鍵性應用
- 大部分都是關鍵性應用
- 頂級科學家、週期長、投資大
- 端的價值
- 對 AI 的理解不能太偏向“軟”
- 機器人端
- 端的價值，不僅僅是資料
- 離變現近
- 產品能快速實現
- 變現快
- 同時嘗試2個方向
- 具備“AI + 垂直”兩個領域的深度背景
- 自身具備或互補合夥人
- 知主線（能做什麼），知邊界（不能做什麼）
- 未來 AI 行業預測
- ToB
- 智慧客服
- 垂直行業 AI 助手：金融、體育、法律、設計
- 自動駕駛
- BI、政務醫療等行業、AI平臺、聊天機器人
- ToC
- 機器人
- AR/VR
- 個人助手、安防
- ToB
- 如何找 AI 應用層場景痛點
- ToB
- 方法1：從行業當前痛點入手
- 方法2：切入垂直行業，更要細分垂直場景
- 衡量指標：場景邊界明顯、有產品及商業閉環
- ToC
- 一個原則：AI 輔助人工
- 保證更容易落地產品，而不是直接服務於 C 使用者
- ToB
- 對話聊天類產品
- 設計難點
- 無行業評判標準
- 實際效果不穩定：訓練結果對不上、不可預測性
- 投入產出比：後期優化投入大、資料時效性強、效果不一定能變好
- 解決難點的三個維度
- 開始對話：解決基礎互動問題
- 持續對話：解決資料和架構問題
- 長期對話：解決需求問題
- 解決難點的十個方法
- 開始對話
- Q/A 或 正則：20%問題覆蓋80%對話
- 限定語句模式：疑問句
- 限定對話邏輯：避免多輪對話過於發散
- 持續對話
- AI + 人工：對於無法回答或答案質量差的對話人工可以自定義
- 主動互動
- 架構設計：讓每個問題都能回答，例如萬能答案
- 資料驅動微創新：避免模板式回答、多用語氣詞、轉移話題
- 長期對話
- 問答決策樹：提高互動頻率，刺激 AI 發現使用者需求，問答對話引出意圖
- 帶入情感：文字、語氣、動作、表情等
- 內容/IP：實時熱點
- 開始對話
- 設計難點
- 網際網路 PM 能力模型
- 素質
- 基本：學習/提煉能力、專業知識關聯能力、辦公技能、執行力
- 關鍵：溝通能力、基礎理解、AQ/EQ、行業融入感
- 知識技能
- 市場：對外商務溝通
- 產品：行業認知、專業設計能力
- 運營：運營資料分析、營銷與推⼴策略、危機預測與控制
- 客戶導向
- 市場：市場/使用者調研分析
- 產品：使用者需求理解、產品規劃
- 運營：渠道管理
- 領導力
- 專案管理
- 知識傳遞：帶新人
- 素質
- AI PM 能力模型
- PM：輸出核心價值
- 邏輯能力、溝通能力
- 快速學習能力
- 其他網際網路 PM 能力
- AI
- AI 技術理解力
- L1：理清基本概念
- L2：瞭解技術邊界
- L3：引導技術流程/架構/方向
- 類機器學習思維方式
- 多感官人機互動設計
- AI 技術理解力
- X
- 垂直場景認知
- 跨領域協作
- 人文素養和靈魂境界：高維 + 突變
- 一定要站到行業最前沿
- 市場型產品經理
- 重點不是細節，而是認知，解決60分的問題
- PM：輸出核心價值
- 理清 AI 相關概念
- 機器學習（ML）：對能通過經驗自動改進的計算機演算法的研究
- 本質
- 總結過去，預測未來
- 對空間搜尋和函式的泛化
- 是計算的逆運算
- 學習方式
- 全監督學習：如迴歸演算法、SVM等
- 半監督學習
- 無監督學習：如聚類演算法、降維演算法
- 強化學習
- 遷移學習
- 神經網路——深度學習
- 本質
- 自然語言處理（NLP）：將人類語言形式轉化為機器可理解的、結構化的、完整的語義表示
- NLP 是 AI 的核心瓶頸
- NLP 包含了 NLU（自然語言理解）
- 計算機視覺（CV）：通過演算法對影像進行識別分析
- 技術現狀：真實場景不太可用
- 訓練資料集遠少於現實資料集
- 訓練標準遠易於現實標準
- 訓練效果遠不足以滿足現實效果
- 不滿足非配合場景
- 實時效能要求更高
- 技術半衰期只有6個月
- 評價演算法效能的四個維度
- 準確率
- 誤報率
- 計算成本及響應速度
- 通用性/特異性
- 技術現狀：真實場景不太可用
- 機器學習（ML）：對能通過經驗自動改進的計算機演算法的研究
- 如何轉型到 AI PM
- 培養興趣
- 閱讀相關書籍/公眾號/知乎精華/論壇/電影等
- 參加線上/線下課程
- 體驗各種 AI 產品
- 與相關前輩交流
- 整理自己的獨到見解
- 選擇方向
- 平臺網站類
- 垂直場景類
- 對話聊天類：最難、最前沿
- 實施轉型
- 降低姿態和收入預期，從基礎做起
- 實際設計 AI 產品
- 接觸同行/不同行牛人
- 培養興趣
- AI 的破局方向
- 將效率最優升級為情感最優
- 強調人機互動
- 研究最接地氣的公司
- 對圖靈停機問題的深入理解：判斷任意一個程式能否能在有限的時間之內結束執行