主页 > 产品中心 >

AI 产品经理如何练就?一文了解十大必备技能

文章来源:未知 2018-08-04 20:37

  从传统角度来看,一款成功的产品需要拥有稳定的功能,至少要满足甚至超出用户的期望,并且能够为业务的增长作出重大贡献。产品经理的主要职责包括设定和管理用户期望,定期收集可量化的反馈信息,严格地与工程师进行沟通,并确保产品能够应对业务和市场的不断变化。

  AI 产品相比传统产品来说则有很大的不同。比如,在我担任产品经理的时候,交付让客户感到满意的确定性产品是衡量成功的标准。只要标准一样,那么硬件产品的产出结果也几乎一样。同样的,相同的用户预期使得软件产品形态也不会有太大差异。但是,一个人工智能(AI)驱动的产品可能并不总是具有确定的产品形态,实际的结果可能与直觉有所差异,个性化的推荐系统能够学习不同偏好,因此可能产生不同的结果。

  对于产品经理来说,如果想要交付一款成功的 AI 产品,除了履行常规的产品经理职责之外,还需要具备新的思维方式并增强一些其他技能。在本文中,我将围绕产品构思、原型设计以及早期发布来介绍一些新的思维方式。

  麦肯锡全球研究院(MGI)对160多个行业的人工智能使用案例进行了调研,调研发现只有12%的案例突破了实验阶段,并且这些案例局限在技术部门之外。MGI 报告中提到的最佳案例是一家采用敏捷、测试和学习方法的公司。它建立一个跨职能的人工智能任务组,该任务组在几周内完成原型构建以及业务单元测试,然后进行下一次迭代。对 AI 应用具有敏锐洞察力并且能够把握行业趋势的产品经理才能在 AI 领域里脱颖而出。我个人觉得 MGI、Gartner 的 AI 市场报告以及 CB 人工智能研究栏目内容都非常有见地,我密切关注着它们的 Twitter 来了解 AI 动态。

  AI 领域大多数有影响力的人物(比如谷歌的 Peter Norvig,Facebook AI 研究的 Yann LeCun 以及微软的 Eric Horvitz)似乎都乐于享他们研究 AI 算法和体系结构上的突破,你可以在公司网站上找到他们的论文和方法。

  AI 目前被炒得很热,有人声称它是一种新兴的高级技术,威胁着多个传统领域,也有人说相同概念已经存在多年,AI 不过是新瓶装旧酒。Peter Norvig 近期在接受采访时指出,大众媒体的记者在很多情况下扭曲了AI 的影响力,有的甚至对其疯狂炒作,并向读者营造出一种错失恐惧症的感觉。

  AI 产品经理应当具备批判性的思维,以便将炒作信息与真实情况区别开来,并且深入了解 AI 的实际应用案例。产品经理应当了解 AI领域的相关技术,尽管这些技术相对于那些仍处于研究阶段的产品而言更具商品化,但它们仍然有益于产品路线图的规划。此外,对于投资回报率更高的 AI 案例,以及上市时间更短的 AI 案例,产品经理应该能够明确区分。

  产品经理应当具有用户至上的基本意识,但是在把一个想法成功转变成产品的过程中,对于 AI 产品经理来说还需要额外的数据读写能力。想要做到用户至上,AI 产品经理除了突出产品功能和优势之外,还需要理解客户工作的意义、目的以及他们选择背后的动机。

  数据至上包含两个方面:(1)能够量化客户所关心的问题,做一个数字化的支持者;(2)能够建立用于构建高质量 AI 模型的综合数据集。此外,还需要获取准确反映用户工作、行为、交互模式和痛点的数据。数据形式可以是像素、字符、数字或者比特。

  对于那些提供速验证学习循环从而快速迭代 AI 模型的方法,AI 产品经理都需要熟悉。相比构建-测量-学习的方法论来说,基于假设-设计-测试-学习的精益产品方法论更适合 AI 领域,AI 产品经理应当能够通过简单用例构思业务核心。建立在小型数据集上的用例应当能够运行敏捷实验。这些实验应该被映射到机器学习的基本能力总,比如分类(二元或多分类)、聚类、回归以及深度学习的通用逼近能力。将模型映射到业务之后,模型就可以从最简单的开始迭代了。

  用例的终极目标应该是极力为最终用户创造重要价值,同时提高收益(EBIT),并且应该与一小部分与客户息息相关的度量标准绑定。同时为多个目标优化端到端的 AI 模型可能颇具挑战,并且会使得系统难以调试。因此在实际实施过程中,可以建立一个 AI 模型管道,每个模型都针对特定的度量进行优化。这样一来系统便可以更好地解释并且易于维护。 比如,假设要构建一个文本简化应用程序,我们可以将数据处理系统分为三个 AI 模型: 一个主题分类器、一个句子简化器和一个一致性检查器,每个 AI 模型都针对一个独特的度量进行优化。

  这需要对 API 生态系统有着高度的认识,这些 API 帮助服务于最终用户,它包括数据摄入工具(比如 Kafka)、数据处理系统(比如 Spark)以及 处理大数据的 NoSQL DBMS(比如 Cassandra)。此外还需要了解 AWS 和 GCP 的商业选择,同时能够对其正确权衡。最后,了解构建各种组件和使用商业替代方案的成本结构也很重要。

  在我的文本简化产品中,我考虑过补充一个连贯性检查器,用来确定以前模型中简化句子的连贯性或者语法。如果低于阈值,则系统可以对其置信度变得透明,并给出用户对结果提供反馈的选项,或者使用与输出相同的输入句子。

  使用深度学习构建的 AI 模型是一个黑盒子,在涉及法律、医学和安全等关键应用中,产出需要对合规目的作出明确解释。本文总结了两种解释深度学习模型预测的方法,一种是计算预测对输入变化敏感性的方法,另一种是根据输入变量有意义地分解决策的方法。产品经理应该利用基于这些方法的工具,并确保模型没有偏见。SAP 设计中心为消除偏见提出了一些建议。

  此外,AI 工程师和数据科学家通常具有很高的学位(几乎都是博士)以及强大的学术背景,并从新颖的学术项目中获得巨大的智力满足感。产品经理需要调整他们的倾向,以制造出适合市场和用户的实用产品。

  人工智能目前成果显著,在未来必将前途无限。当前已有代表性的产品,它们能够让顾客满意,并且明显提升了现有业务。AI 产品经理是产业发展的催化剂,他们需要不断掌握新的的思维和技能,才能促使 AI 产业的腾飞。

  作者:Prasad Velamur。Prasad 拥有加州大学洛杉矶分校的工商管理硕士学位以及路易斯安那州立大学电气工程硕士学位。他曾经共同创办了一家会话式 AI 公司,曾经担任思科的一条高达10亿美元的企业级产品线的软件产品经理,此外还负责过三星的技术战略制定,并且在瞻博网络公司编写过大型电信网络管理软件。作为AI 产品洞察的高级研究员,他组件了一个团队,该团队旨在利用 AI 来帮助年轻读者构建用于文本简化服务的产品原型。

作者:admin