隨著科技的發(fā)展，AI技術(shù)也滲透進(jìn)各個行業(yè)里邊，要跟上時代發(fā)展的步伐，作為產(chǎn)品經(jīng)理，也必須了解AI相關(guān)知識，對AI技能也要有所了解，大家一起往下看一下筆者整理分享的這一篇文章吧！

不管是我們在進(jìn)行網(wǎng)上購物時的feed流推薦，還是一句：嗨，小愛同學(xué)幫我關(guān)一下燈等，AI技術(shù)已經(jīng)融入我們生活的方方面面。

隨著人工智能的火熱，越來越多的產(chǎn)品經(jīng)理開始關(guān)注AI這個領(lǐng)域，希望借著這次風(fēng)口進(jìn)而擴(kuò)寬自己的職業(yè)道路，讓自己的產(chǎn)品之路走的更遠(yuǎn)。

AI一詞（全稱人工智能（Artificial Intelligence）），從出現(xiàn)開始，在網(wǎng)絡(luò)中的定義也是鋪天蓋地，如果讓筆者概況一下，筆者認(rèn)為：如果一個系統(tǒng)能像人一樣具備理性的思考和行為，那么我們就可以認(rèn)為這個系統(tǒng)是人工智能。我們既然生活在人工智能時代，AI技術(shù)也在不斷地發(fā)揮它的價值，對產(chǎn)品經(jīng)經(jīng)理而言，我們要抓住這次機(jī)會，將AI技術(shù)融入到思維模式中，以便更好的創(chuàng)造其價值。

相比之前傳統(tǒng)的產(chǎn)品設(shè)計理念，筆者認(rèn)為，產(chǎn)品經(jīng)理除了核心職責(zé)和底層能力之外，還需要注重人工智能行業(yè)、算法場景以及驗收評估標(biāo)準(zhǔn)等方面的知識。并且這里注意的是：我們未必一定要轉(zhuǎn)型成一名AI產(chǎn)品經(jīng)理，關(guān)鍵是需要具備用AI解決問題能力。

假如你是一名剛接觸AI方向的產(chǎn)品經(jīng)理，筆者給與以下幾點建議：

一、掌握的必要概念和行業(yè)術(shù)語

1. 必要理解的基本概念

在人工智能領(lǐng)域，有兩個最基本概念首先是要清晰的，那就是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。

首先，我們先來看機(jī)器學(xué)習(xí)（Machine Learning）。機(jī)器學(xué)習(xí)的核心是讓機(jī)器有能力從數(shù)據(jù)中發(fā)現(xiàn)復(fù)雜的規(guī)律，并且通過這些規(guī)律對未來某些時刻的某些狀況進(jìn)行預(yù)測。為了更好的理解，筆者舉一個簡單的例子：

比如，以私域營銷里面常見的客戶流失為例，企業(yè)需要通過機(jī)器學(xué)習(xí)在大量的歷史客戶數(shù)據(jù)和銷售數(shù)據(jù)中找出規(guī)律，以便確定和理解為什么會失去客戶。然后，企業(yè)就可以利用機(jī)器學(xué)習(xí)能力來分析現(xiàn)有客戶的行為，以提醒業(yè)務(wù)人員哪些客戶面臨著將業(yè)務(wù)轉(zhuǎn)移到別處的風(fēng)險，從而找出這些客戶離開的原因，然后決定企業(yè)應(yīng)該采取什么措施留住他們。

我們再來看第二個概念，深度學(xué)習(xí)（Deep Learning）。深度學(xué)習(xí)（Deep Learning）是一種特殊的機(jī)器學(xué)習(xí)，是借鑒了人腦由很多神經(jīng)元組成的特性而形成的一個框架。

它相對于普通的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)在海量數(shù)據(jù)情況下的效果要比機(jī)器學(xué)習(xí)更為出色。但它也有它的局限性，就是深度學(xué)習(xí)對機(jī)器的性能要求會高，算法模型訓(xùn)練時間相對也更長。

因此，我們需要根據(jù)自身業(yè)務(wù)實際場景判斷是否選擇深度學(xué)習(xí)的相關(guān)算法。常見的深度學(xué)習(xí)算法，如：卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、自動編碼器、強(qiáng)化學(xué)習(xí)算法等，作為產(chǎn)品經(jīng)理，了解即可。

2. 需要了解的行業(yè)基本術(shù)語

二、必備的AI技能

在AI領(lǐng)域，產(chǎn)品經(jīng)理雖然不需要像技術(shù)人員了解的那么深入，但需要了解幾個方面的技術(shù)知識，以便在產(chǎn)品開發(fā)過程中更好的與算法工程師同頻共振。筆者推薦：數(shù)學(xué)統(tǒng)計學(xué)相關(guān)知識、模型構(gòu)建流程、常見的算法3個方向的相關(guān)知識。

1.數(shù)學(xué)統(tǒng)計學(xué)相關(guān)知識

因AI技術(shù)建立在數(shù)學(xué)模型基礎(chǔ)之上，必備的數(shù)學(xué)統(tǒng)計學(xué)知識是理解人工智能的基礎(chǔ)，所以數(shù)學(xué)相關(guān)的基礎(chǔ)知識是產(chǎn)品經(jīng)理必須要了解的。

我們可以不需要具體了解每一個數(shù)學(xué)公式以及公式背后的邏輯，但我們需要知道數(shù)據(jù)統(tǒng)計學(xué)的基本概念以及概念的落地應(yīng)用。比如了解線性代數(shù)中標(biāo)量、向量、矩陣、張量概念以及概率統(tǒng)計中的常見分布，如：伯努利分布、正態(tài)分布等。（掌握邊界：知道、了解）

2. 模型構(gòu)建流程

模型構(gòu)建的過程實際上就是應(yīng)用某個算法技術(shù)來實現(xiàn)一個模型的過程，產(chǎn)品經(jīng)理需要知道模型的建模流程都有哪些節(jié)點，這些節(jié)點都牽扯了哪些角色，每個角色又承擔(dān)了什么工作，每個節(jié)點的產(chǎn)出物是什么，以及每個節(jié)點合理的工作周期又應(yīng)該是多長時間。

一般來講，模型構(gòu)建大致包括4個階段，分別是模型設(shè)計和選擇階段、特征工程階段、模型訓(xùn)練與驗證階段和模型部署階段。

下面我們看一下模型構(gòu)建各個階段需要做的事情以及產(chǎn)品經(jīng)理在其中要做的事情：

1) 模型設(shè)計和選擇階段

在模型設(shè)計階段，最重要的就是定義模型的目標(biāo)變量以及抽取的數(shù)據(jù)樣本。在這個環(huán)節(jié)，對于產(chǎn)品經(jīng)理而言，產(chǎn)品經(jīng)理需要基于當(dāng)下業(yè)務(wù)，去思考這個模型該不該做，我們有沒有能力去完成要做的模型以及目標(biāo)變量應(yīng)該如何設(shè)置、我們的數(shù)據(jù)源有哪些、數(shù)據(jù)樣本如何獲取等。

比如：以私域營銷為例，我們要通過AI實現(xiàn)企業(yè)應(yīng)該采取什么措施留住流失客戶。在這個案例里面，流失客戶便是目標(biāo)變量，大量的歷史客戶數(shù)據(jù)和銷售數(shù)據(jù)便是我們現(xiàn)有的數(shù)據(jù)源。

我們再來看模型設(shè)計階段數(shù)據(jù)樣本的抽取。因為模型是根據(jù)我們的樣本進(jìn)行訓(xùn)練的，所以數(shù)據(jù)樣本抽取決定了模型的最終效果。這里我們需要注意的是，作為產(chǎn)品經(jīng)理我們在選取樣本的時候要根據(jù)業(yè)務(wù)的常用場景去抽取，盡量規(guī)避一些特殊場景，如：雙11、雙12等場景數(shù)據(jù)等。

2) 特征工程階段

當(dāng)我們完成模型設(shè)計階段，有了目標(biāo)變量和數(shù)據(jù)樣本，我們就可以進(jìn)入到第二個階段：特征工程階段。首先我們先看一下什么是特征工程？特征工程是AI學(xué)習(xí)中的一個重要環(huán)節(jié)，它涉及到對原始數(shù)據(jù)進(jìn)行處理和轉(zhuǎn)換，以便更好地適應(yīng)機(jī)器學(xué)習(xí)模型的訓(xùn)練和預(yù)測。

特征工程的目標(biāo)是提取有意義的特征，以便提高模型的性能和準(zhǔn)確性。因此，在特征工程環(huán)節(jié)，特別考驗產(chǎn)品經(jīng)理對自己業(yè)務(wù)以及業(yè)務(wù)目標(biāo)的理解程度，假如產(chǎn)品經(jīng)理根據(jù)自身對業(yè)務(wù)的理解創(chuàng)建出超級特征值，可以說對模型的性能有極大的提升，將會減少很多工作內(nèi)容。

一般情況在特征工程階段，包括特征使用方案、特征獲取方案、特征處理、特征監(jiān)控等環(huán)節(jié)，并且特征工程階段也是占據(jù)AI模型開發(fā)時間周期最長的階段，所以產(chǎn)品經(jīng)理需要了解特征工程的核心步驟，尤其是是數(shù)據(jù)清洗和特征提取兩個環(huán)節(jié)。

為什么這么說？其一，因為數(shù)據(jù)和特征的質(zhì)量決定了模型最后的效果表現(xiàn)；其二，在模型訓(xùn)練過程中，由于技術(shù)的復(fù)雜性和模型效果的不確定性，會出現(xiàn)很多計劃之外的工作和問題。

作為產(chǎn)品經(jīng)理，只有對各環(huán)節(jié)有足夠多的了解，才能更好的理解算法本身以及算法工程師團(tuán)隊，便于說服老板理解問題，確保投入更多的資源以及包括更好的與客戶進(jìn)行溝通。

3) 模型訓(xùn)練與驗證階段

模擬訓(xùn)練與驗證階段，其實就是通過不斷訓(xùn)練、驗證和調(diào)優(yōu)，讓模型達(dá)到最優(yōu)的一個過程。在這個將階段，不得不提到?jīng)Q策邊界概念。

決策邊界通俗理解就好比：你看上一款筆記本電腦，當(dāng)筆記本降價到3500RMB就會夠買，超過3500就不會購買。那么3500就是決策邊界。

并且不同算法的決策邊界也不一樣，比如線性回歸和邏輯回歸這樣的線性算法，它們的決策邊界也是線性的，而對于決策樹和隨機(jī)森林這樣的非線性算法，它們的決策邊界也是非線性是一條曲線。因此，決策邊界是判斷一個算法是線性還是非線性最重要的標(biāo)準(zhǔn)。

4) 模型部署階段

一般情況下，因為算法團(tuán)隊和工程團(tuán)隊是分開的兩個組織架構(gòu)，所以一個模型訓(xùn)練完成并通過評估后，算法工程師就要考慮怎么把它部署到線上，并應(yīng)用到業(yè)務(wù)場景中。雖然模型部署不屬于模型構(gòu)建中的環(huán)節(jié)，但它卻是 AI 產(chǎn)品上線中必不可少的一環(huán)。

3. 知曉常見的算法知識

在算法這個領(lǐng)域，作為產(chǎn)品經(jīng)理不需要深入，但需要知道常用算法的實現(xiàn)邏輯和應(yīng)用場景，以便更好的與算法工程師進(jìn)行溝通，減少溝通成本，并且當(dāng)產(chǎn)品與算法工程師之間因結(jié)果產(chǎn)生爭執(zhí)時，也有一定理論做支撐。

（這里并不是懷疑算法團(tuán)隊的結(jié)果，而是更好的推動事情的發(fā)展），經(jīng)筆者查閱資料，建議了解一下算法：

總之，在這個AI技術(shù)融入各行各業(yè)的時代，作為一名產(chǎn)品經(jīng)理，無論是否是AI產(chǎn)品轉(zhuǎn)崗，除了產(chǎn)品經(jīng)理核心職責(zé)和底層能力外，還要有AI領(lǐng)域的知識儲備。畢竟新的產(chǎn)品時代已經(jīng)開啟！