在与工程领导的一次会议上，我被告知，“我们稍后会研究人工智能。”


在与 β 客户进行人种学测试时，有人问我人工智能是否会学习，然后完美地完成所有事情。

在与工程部门的讨论中，我不清楚我们将如何训练 400 维的句子嵌入。

这些是产品经理在使用人工智能时可能面临的一些挑战示例。

作为一个已经实践了几十年的人（我创立了一家公司，该公司构建了一个与人工智能相关的算法产品，现在在 PARC 为施乐负责应用人工智能的产品管理），我想分享一些关于产品管理的独特之处的想法为人工智能。产品管理基于 AI 的应用程序仍然是产品管理，但它需要一些额外的专业知识，甚至可能需要一些魔法尘埃。

产品管理基线
虽然产品经理的角色自上世纪 30 年代就已经存在，但工作职能（“迷你 CEO”）的具体细节通常是模糊的。然而，近年来，产品管理职业的受欢迎程度飙升。自上世纪 50 年代以来，人工智能也一直存在，但对人工智能的兴趣最近变得平流层。因此，现在是研究 AI 领域产品管理的好时机。

为了在开始讨论 AI 之前对讨论进行框架化，Marty Cagan 的书 Inspired 中的这个定义既清晰又包罗万象，是我听过的最好的：

产品经理有两个关键职责：评估产品机会和定义要构建的产品。

评估机会 包括研究市场、与潜在客户交谈以确定他们的痛点、研究竞争对手和替代品，以及至关重要的是，了解将要开发产品的组织的能力。 定义产品 就是描述应该构建什么、产品应该做什么以及需要交付什么特性以满足甚至超越用户需求的过程。

无论是什么产品，这两个责任都不会改变；然而，有效交付所需的技术和技能会有很大差异。对于人工智能驱动的产品，这些技能要求可能特别苛刻。将您的门票打入超级快乐魔法森林（我最喜欢的 100 英里儿童读物，由 Matty Long 撰写）涉及的不仅仅是在您的 PowerPoint 中添加一些人工智能。所以让我们开始吧。

人工智能产品管理的特殊技能、技术、态度和责任
产品经理的工具包由产生想法、验证问题、定义解决方案、验证解决方案、定位产品以及以其他方式组合整体产品愿景和路线图的方法组成。尽管在非常高的水平上，无论产品如何，所有这些都保持一致，但当应用程序具有大量 AI 组件时，许多方法需要更新或修改，并且产品经理需要一组特定的基本构建块才能能够有效执行。需要一点人工智能的产品管理魔法尘埃。

根据个人经验、研究和与他人的对话，以下是需要考虑的一些重要事项：

了解技术 ——不了解 AI 模型的功能和局限性将使评估机会和定义 AI 驱动的产品变得特别具有挑战性。模型是什么，数据来自哪里？是否有足够数量的数据，是否足够“结构化”并标记用于训练？需要多少清洁和预处理？输入和输出是什么，确定关系的算法是什么？当产品“学习”时，将使用哪些数据来进一步增强产品，当数据随时间和环境发生变化时，这些数据将如何工作？如果你不明白这些问题是关于什么的，我的下一篇文章将为你准备。
传达价值主张 – 与每个产品一样，产品经理需要描述正在解决的问题，但对于人工智能，您还需要解释您是在消除人类还是在增强人类。您的产品或解决方案将如何适应现有的工作流程，您能否可靠地谈论技术（见上文）以将解决方案“推销”给潜在的 β 客户？对于客户和内部管理利益相关者来说，您必须管理围绕人工智能的“炒作”，以便在不悲观的情况下控制预期。您将如何确定指标以表明产品交付价值的程度？用户是否需要理解并接受“概率”结果或功能，从而使“这东西有效吗？” 一个难以回答的问题？用户会盲目相信结果吗？这会带来什么危险？
定义 MVP  – 定义产品，可能是任何产品经理工作中最棘手的元素，在处理 AI 时会变得更加复杂。在花费大量时间和精力优化更复杂的架构之前，有没有办法先构建快速的、端到端的系统？如果是这样，那些简单的系统是什么？假设您获得牵引力，您最终将如何切换到更强大的系统？此外，虽然产品可能会随着时间的推移“学习”，最终产生卓越的结果，但初始输出是否满足最低质量阈值，以便人们使用产品，以便它可以学习？研究级 AI 是否足以用于商业发布，或者现实世界的商业实施是否会令人失望？
不要忘记非 AI 的东西 ——所有前沿的 AI 东西都是令人兴奋的，但即使你抓住了 AI 相关的元素，你也不能忽视它周围的非 AI 东西。自动驾驶汽车仍然需要饮料架。这可能不那么性感，但如果没有得到应有的关注，围绕你的 AI 核心的糟糕功能可能会毁掉一个产品。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选