隨著科技的快速發展，近幾年人工智慧（AI，Artificial Intelligence）掀起了一陣陣新浪潮。人類從未停止過對人工智慧的預想，從1950年圖靈發表論文預言創造智慧機器人的可能性開始，人類就在人工智慧的道路上越走越遠。隨著計算機效能的提升，人工智慧技術將會廣泛運用於各行各業，人工智慧產品終將會由各種預想慢慢變成現實。

我們逐步經歷了PC網際網路時代、移動網際網路時代，人工智慧時代。傳統網際網路對人類的主要貢獻是透過最佳化和創造資訊儲存和傳遞的方式重新組合各種生產要素（即重構了已有商業模式），人工智慧的主要貢獻是升級生產要素，進而推動產業升級。

來到人工智慧時代，傳統網際網路產品將面臨巨大的挑戰，那麼如何提升自己轉型成為AI產品經理呢？

一、瞭解AI，尋找切入點

1. AI是什麼

AI就是利用技術對人的能力和意識進行模仿和超越。

AI產品經理不僅需要像傳統產品經理一樣設計產品互動和邏輯流程，還需要改變傳統產品流程上能用到人工智慧技術的能力範圍，實現讓技術為產品賦能，為企業賦能。AI技術已經廣泛運用於多個領域，如自動駕駛、機器人、電商、語音與影像識別、人機互動、智慧控制、醫療診斷等。

人工智慧產品沒有固定的形態，只是一種將傳統產品和服務賦能的一種手段，有了人工智慧技術，將會使產品邏輯化繁為簡，降低使用者學習成本，提升產業的商業價值。

無人駕駛汽車透過運用感測器、高精度地圖、高階輔助駕駛系統和車聯網等關鍵技術實現無人駕駛，與傳統汽車相比，使用者不再需要全程關注路面情況手動駕駛而是僅僅需要輸入目的地即可。

語音互動產品與傳統的滑鼠、鍵盤、觸控式螢幕等互動方式不同，使用者透過與產品進行語音對話即可完成喚醒、查詢、訂購等一系列複雜的人機語音互動操作。

人臉識別身份驗證與傳統登入需要輸入賬號、密碼、驗證碼不同，它只需要使用者在攝像頭前露個臉即可實現快速登入。

2. AI的三要素有哪些

人工智慧在影像識別、語音識別、自然語言處理、資訊檢索、機器翻譯、社交網路過濾、精準推薦、智慧醫療等方便的廣泛應用離不開深度學習。

深度學習在每個應用場景中的落地離不開“演算法”“算力”“資料”三要素：

1）AI第一個核心要素：算力

算力就是支撐需求實現的系統架構支撐，可以簡單理解為計算能力。評估某個需求的算力需要著重從硬軟體多方面去衡量。算力不是瓶頸，因為現在有云計算，但是有成本的考慮因素在裡面，算力的成本在整個AI模型中佔到了10-20%。

2）AI第二個核心要素：演算法

AI常用的演算法有：自然語言生成演算法（NLG）、語音識別演算法、虛擬現實演算法、決策管理技術、深度學習、生物特徵識別技術、識別圖譜、機器學習……

雖然演算法在AI行業裡大部分是開源的，想拿到什麼樣的資源都可以拿到，深度學習、多層次神經網路演算法目前也都已經比較成熟，但是AI產品經理在做產品設計時，還需要結合公司演算法研發能力避擴音出過於超前和落後的產品功能。

3）AI第三個核心要素：資料

在機器學習領域，好的資料通常比演算法更重要，有些時候沒有資料的話，AI模型是不可能成熟落地的。更有演算法工程師揚言“資料秒殺一切演算法”。既然資料如此重要，產品經理在設計之初就得考慮資料從哪來、數量質量怎麼保證、資料治理的工作怎麼開展等問題。

3. 尋找適合自己的切入點

應用AI的公司主要有三類：純AI公司、AI+公司、+AI公司

1）純AI公司

純AI公司是做AI的基礎層，主要做晶片、雲端計算、框架等方向。

這類公司從人工智慧的底層平臺需求出發，構建完整的從人工智慧計算平臺的硬體單元研發、資料治理、AI建模再到平臺部署的人工智慧的“基礎設施”。這類公司佈局一些PaaS形態的基礎計算平臺和演算法平臺供其他公司直接呼叫，減少其他公司的人工智慧研發成本和週期。

2）AI+公司

AI+公司是做AI的技術層，主要研究通用技術，如影像識別、語音識別、文字識別等。

3）+AI公司

+AI公司是做“場景行業+AI”，如智慧醫療、智慧安防等。

傳統產品經理需要根據自己擅長的領域和興趣去有針對性的強化學習，將自己擅長的點發揮到最大。

如果你擅長場景，那麼你著重學習一下演算法方面，你在應用層+AI企業中，將自己負責的產品賦能上人工智慧將實現更大的價值。

如果你是技術出生，機器演算法、機器視覺等都懂，則適合去技術層公司或基礎層公司發展自己的才能。

除上所述，還有像BAT這些公司，在基礎層、技術層、應用層都有企業佈局。

二、轉變思維模式

傳統產品經理的工作協同方式是最佳化和創造資訊儲存和傳遞的方式重新組合各種生產要素。

比如：滴滴叫車，傳統思維模式是將古老的路邊招手即停的叫車方式合理的規劃讓資訊準確傳遞，使使用者和司機雙方都能進行資訊互通，司機可以接自己想接的單子，乘客可以選擇自己要打的車型。

人工智慧產品經理的工作協同方式是在傳統產品經理的基礎上實現變革與創新，升級各種生產要素，而不僅僅是生產要素之間重新組合。比如：無人駕駛，不管是半智慧、條件智慧、高度智慧、完全智慧，均改變了“司機”這一生產要素，讓必須“人類駕駛員全程監控行駛環境”升級為“汽車自動智慧監控駕駛環境”。

故要想成為人工智慧產品經理並在產品管理工作中變得優秀，就應該改變自己的思維模式。

傳統產品經理會將很大一部分經歷分配到功能邏輯、流程推敲、頁面設計等等事情上，而人工智慧產品經理不僅要懂得傳統產品經理的功能梳理和互動設計，更需要懂得硬體運算架構、演算法模型、資料分析、有效訓練資料等綜合能力。

所以，人工智慧產品經理應該具備系統性思維，把問題放在整個系統中綜合分析，權衡利弊，得到最佳解決方案。

1. 資源管理思維

產品經理的工作離不開資源管理，但人工智慧產品經理管理的資源將在傳統產品經理的基礎上進行升級。人工智慧產品經理不僅要關注開發人員、時間、成本，還要應該關注演算法、資料資源、硬體資源。確保資源的投入產出比最優。

演算法：人工智慧產品需要進行演算法模型的訓練和調優時，可能出現預先設計好的硬體架構無法滿足演算法需求的情況。所以，產品經理需要大致瞭解演算法，學會預估和評測，並且理解開發人員對專案所要求功能的技術複雜性，而不需開發部門投入人力物力與最終的結果產出不匹配。

資料資源：資料資源包括訓練集、研發集、測試集等，優質的資料資源是當前機器學習產品中重中之重的一種資源。但是，人工智慧產品經理也不用改用追求完美的資料的眼光去獲取該資源，而應該在資料獲取成本和訓練模型效果之前做相應的權衡最終取得一個最優平衡點。

硬體資源：硬體資源包括計算機晶片、儲存和構成產品的各種硬體組合。產品經理應該明白各個硬體、系統整合在人工智慧產品上的綜合表現，而不能出現單項突破而其他必須資源跟不上的情況。

2. 解決方案思維

人工智慧時代，使用者需要的是一套解決方案，而不是產品本身。產品經理是離市場和運營最近的人，也是最能從使用者的角度換位思考的人。所以，產品經理應該具有解決方案思維，把控需求，讓人工智慧產品整體實踐起來更合理最優。

3. 目標導向思維

人工智慧產品經理需要培養自己的目標導向思維，人工智慧產品大多使用到複雜的演算法模型，所以產品對於使用者來說大多屬於“黑盒產品”。

這種產品的如果沒有提前設定量化的目標，然後讓架構師按照目標去設計的話，將很難被定義優劣。所以，產品經理應該將目標量化並具有目標導向的思維，嚴格把控產品從需求調研、產品設計、技術預研、產品研發、測試、上線等全流程。每個流程需要設定明確的成果物、時間節點、標準。

除此之外，還應該有上帝視角，對公司整理的產品架構有清晰的認知，讓自己負責的產品的目標不偏離公司的整體戰略規劃。

三、瞭解演算法並熟悉演算法邊界

1. 人工智慧演算法中，機器“大腦”的處理過程

人工智慧是讓計算機模擬和延伸人的感知（識別）、理解、推理、角色、學習、交流、移動和操作物體的能力。

人工智慧產品的實現邏輯都遵循由感知到認知，由識別到理解、決策的邏輯過程。目前人工智慧的研究還處於弱人工智慧階段，它僅能透過海量資料的訓練和學習，從中識別規律，當新的資料輸入時，機器可以根據訓練的結果將新資料按照具體的規律進行分類。

所以，目前人工智慧產品還是依賴於機器學習，且僅能在某一特定領域的某一特定事務上實現智慧。

2. 機器學習的本質

機器學習就如同模擬人類學習一樣，只是人類是透過經驗積累，而機器是透過大量資料輸入演算法模型進行學習。

機器學習階段有：

訓練機器階段：輸入海量資料，讓計算機模型對資料進行分類，找到規律。
測試階段：和訓練機器階段中的同質資料集，輸入模型，測試每個輸出結果是否正確。

3. 演算法相關常識

機器學習演算法按照不同的訓練方式可以分為：監督學習、無監督學習、半監督學習、強化學習四大類。

按照解決任務的不同來分類，大約可以分為：二分類演算法、多分類演算法、迴歸演算法、聚類演算法、異常檢測演算法五大類。

監督學習：就像教小孩一樣，預先訓練機器，告訴他這是行人，那是障礙物。透過海量學習後，機器就能將新輸入的資料分到對應的類目中。故監督學習的訓練集中，所有資料必須有標籤，標籤正確率越高資料量越大，則訓練的效果就越好。
半監督學習：所有資料都標註的成本比較高，有時候將訓練資料中混入一部分沒有標籤的資料，這種學習方式叫半監督學習。
無監督學習：所有資料都沒有標籤，這種學習沒有人為標註，讓機器自行從資料中抽取資訊，從分佈中取樣、去噪、尋找資料分佈的聚類的學習方式叫無監督學習。
強化學習：讓機器透過不斷的嘗試，試錯，從中選擇可以得到最大的回報的行動，然後找到規律達成目標的一種學習方法。強化學習與無監督的學習不同在於強化學習有反饋，機器根據反饋不斷嘗試。
二分類演算法：做很多二分類問題時，讓機器二選一的演算法，如好評還是差評，男還是女……
多分類演算法：當問題的答案有多個選項，讓機器做多選一的演算法。
迴歸演算法：這類演算法一般都是定量輸出或者連續變數預測。
聚類演算法：描述和衡量不同資料來源間的相似性，並把資料來源分類到不同類中。
異常檢測：對樣本的標籤進行預測，將資料中存在不正常或者非典型的資料進行檢測和標註。

四、重視需求，合理規劃工作流程

1. 熟悉常用技術邏輯

人工智慧產品經理應該熟悉常用的人工智慧技術邏輯，關注技術的趨勢，領先性，主流演算法框架。橫向對比競爭對手之間的技術實現手段和重點產品引數，從而提煉自身產品優勢，揚長避短。

如語音互動技術：

圖片來自diangon.com

人臉識別技術：

圖片來自Adaboost

2. 需求分析與產品設計

當前人工智慧市場產品中，技術領先但產品認可度較低的情況屢見不鮮，很多使用者對新技術的採用並沒有強烈的感知，企業在新技術的投入與實現的商業價值不成正比。

造成此類原因為人工智慧產品的設計理念和方式落後於技術革新，因此人工智慧產品需要從以下方面多考慮：

產品設計應從需求出發而不應該從技術出發。技術驅動的產品，容易脫離市場，偏離使用者需求，最終導致使用者不買單。
忽略使用者期望，華而不實造成使用者失望，如索尼Xperia Touch，投影鍵盤華而不實。
不能在單一方面做的足夠好而忽略了整體流程的體驗，導致整體解決方案無法讓使用者滿意。
一味追求底層技術而忽略了使用者體驗的最佳化。例如視覺體驗差，產品互動不流暢，錯誤率高，隱私保護不全。

人工智慧行業常用的設計原則有：

少即是多：站在使用者的角度減輕使用者的使用門檻，提升互動效率，讓使用者不動聲響的解決問題而沒有複雜的功能模組、互動流程、介面元素、配色字型等。
從微觀到宏觀逐步深入：採用循序漸進的方式，讓產品功能迭代逐步讓使用者接受。
有效整合資源：整合新的資源和技術，將其融入產品設計理念中，讓更多的互動方式成為可能，比如語音互動、手勢和表情識別等，挖掘使用者最自然最習慣的行為方式來設計人工智慧產品。
同理心：學會換位思考，與使用者產生共鳴並感同身受。如設計老年人產品時，不能讓老年人用這個產品感覺到自己已經老了不中用了，產生自卑感從而拋棄購買該人工智慧商品。

3. 參與研發過程

參與專案管理：讓架構師專案經理等人員按照需求目標設計產品架構並按時完成子任務。
把控資料質量：聯合資料分析師，演算法工程師一起完成資料獲取、清洗、轉換、預處理工作，為模型提供優質的資料。
模型訓練：緊密配合演算法工程師，讓模型出現擬合過的時候有針對性的訓練資料方面的改良，並隨時對模型效果預期做合適的調整。
測試調優：產品經理需要對技術邊界和需求量化有比較深的理解，協助測試團隊制定測試標準，讓產品在上線前按照設定的目標進行交付。
目標管控：在實際研發過程中出現無法達成目標的情況時，需要實時按照實際情況對目標進行調優，降低產品期望。

4. 持續的產品運營

產品上線後，產品經理應當協助運營團隊和市場團隊對產品做線上的包裝、宣傳，讓產品正常合理的推向市場。

總結

人工智慧產品經理的職責還是和傳統產品經理一樣，負責產品的始終。但是，人工智慧時代技術的變革導致人工智慧產品發生了顛覆性的變化，產品經理不僅懂得傳統產品經理相關知識技能，更應該瞭解具體行業中人工智慧技術在行業中的運用，讓人工智慧新技術新演算法的作用在自己負責的人工智慧產品中發揮最優的價值。

所以，產品經理需要積極的學習AI，建立自己的認知體系。讓自己融入時代，不被時代淘汰，並讓自己成為推動時代發展的巨人。

人工智慧時代，傳統PM如何快速轉型成AI產品經理？