從傳統(tǒng)角度來看，一款成功的產(chǎn)品需要擁有穩(wěn)定的功能，至少要滿足甚至超出用戶的期望，并且能夠為業(yè)務的增長作出重大貢獻。產(chǎn)品經(jīng)理的主要職責包括設定和管理用戶期望，定期收集可量化的反饋信息，嚴格地與工程師進行溝通，并確保產(chǎn)品能夠應對業(yè)務和市場的不斷變化。
AI 產(chǎn)品相比傳統(tǒng)產(chǎn)品來說則有很大的不同。比如，在我擔任產(chǎn)品經(jīng)理的時候，交付讓客戶感到滿意的“確定性”產(chǎn)品是衡量成功的標準。只要標準一樣，那么硬件產(chǎn)品的產(chǎn)出結果也幾乎一樣。同樣的，相同的用戶預期使得軟件產(chǎn)品形態(tài)也不會有太大差異。但是，一個人工智能(AI)驅動的產(chǎn)品可能并不總是具有確定的產(chǎn)品形態(tài)，實際的結果可能與直覺有所差異，個性化的推薦系統(tǒng)能夠學習不同偏好，因此可能產(chǎn)生不同的結果。
對于產(chǎn)品經(jīng)理來說，如果想要交付一款成功的 AI 產(chǎn)品，除了履行常規(guī)的產(chǎn)品經(jīng)理職責之外，還需要具備新的思維方式并增強一些其他技能。在本文中，我將圍繞產(chǎn)品構思、原型設計以及早期發(fā)布來介紹一些新的思維方式。
1.密切跟蹤 AI 技術動態(tài)
麥肯錫全球研究院(MGI)對160多個行業(yè)的人工智能使用案例進行了調(diào)研，調(diào)研發(fā)現(xiàn)只有12%的案例突破了實驗階段，并且這些案例局限在技術部門之外。MGI 報告中提到的最佳案例是一家采用敏捷、測試和學習方法的公司。它建立一個跨職能的人工智能任務組，該任務組在幾周內(nèi)完成原型構建以及業(yè)務單元測試，然后進行下一次迭代。對 AI 應用具有敏銳洞察力并且能夠把握行業(yè)趨勢的產(chǎn)品經(jīng)理才能在 AI 領域里脫穎而出。我個人覺得 MGI、Gartner 的 AI 市場報告以及 CB 人工智能研究欄目內(nèi)容都非常有見地，我密切關注著它們的 Twitter 來了解 AI 動態(tài)。
2. 把握深度學習的研發(fā)趨勢
AI 產(chǎn)品經(jīng)理的核心競爭力并不在于精通多少高深的算法，他們的主要職責是盡快將這些算法轉變?yōu)楫a(chǎn)品和服務并推向市場。即便如此，我們?nèi)匀恍枰芮嘘P注算法的最新研究進展。
AI 領域大多數(shù)有影響力的人物(比如谷歌的 Peter Norvig，F(xiàn)acebook AI 研究的 Yann LeCun 以及微軟的 Eric Horvitz)似乎都樂于享他們研究 AI 算法和體系結構上的突破，你可以在公司網(wǎng)站上找到他們的論文和方法。
除了這些大公司之外，如果想要關注其他公司的深度學習社區(qū)動態(tài)，我推薦 Andrej Karpathy 網(wǎng)站，這上面總結了在 Arxiv 上發(fā)布的最新機器學習和 AI 研究。
3. 聚焦 AI 實際案例
AI 目前被炒得很熱，有人聲稱它是一種新興的高級技術，威脅著多個傳統(tǒng)領域，也有人說相同概念已經(jīng)存在多年，AI 不過是新瓶裝舊酒。Peter Norvig 近期在接受采訪時指出，大眾媒體的記者在很多情況下扭曲了AI 的影響力，有的甚至對其瘋狂炒作，并向讀者營造出一種錯失恐懼癥的感覺。
AI 產(chǎn)品經(jīng)理應當具備批判性的思維，以便將炒作信息與真實情況區(qū)別開來，并且深入了解 AI 的實際應用案例。產(chǎn)品經(jīng)理應當了解 AI領域的相關技術，盡管這些技術相對于那些仍處于研究階段的產(chǎn)品而言更具商品化，但它們?nèi)匀挥幸嬗诋a(chǎn)品路線圖的規(guī)劃。此外，對于投資回報率更高的 AI 案例，以及上市時間更短的 AI 案例，產(chǎn)品經(jīng)理應該能夠明確區(qū)分。
4. 關注以客戶為中心的數(shù)據(jù)
產(chǎn)品經(jīng)理應當具有“用戶至上”的基本意識，但是在把一個想法成功轉變成產(chǎn)品的過程中，對于 AI 產(chǎn)品經(jīng)理來說還需要額外的數(shù)據(jù)讀寫能力。想要做到用戶至上，AI 產(chǎn)品經(jīng)理除了突出產(chǎn)品功能和優(yōu)勢之外，還需要理解客戶工作的意義、目的以及他們選擇背后的動機。
數(shù)據(jù)至上包含兩個方面：(1)能夠量化客戶所關心的問題，做一個數(shù)字化的支持者;(2)能夠建立用于構建高質(zhì)量 AI 模型的綜合數(shù)據(jù)集。此外，還需要獲取準確反映用戶工作、行為、交互模式和痛點的數(shù)據(jù)。數(shù)據(jù)形式可以是像素、字符、數(shù)字或者比特。
如果能夠對數(shù)據(jù)提取、數(shù)據(jù)處理以及數(shù)據(jù)可視化有基本的了解，則有助于創(chuàng)建更具客戶價值的 AI 解決方案。
5. 善用簡單模型快速構建產(chǎn)品
并非所有成功的 AI、ML(機器學習)產(chǎn)品都采用了復雜的模型，實際上，沉迷于復雜 AI 模型的行為并不受推崇。這是因為底層模型的準確性并不能保證良好的用戶體驗。
一些簡單的模型也能夠提供足夠的準確性，增加模型的復雜性遵循二八定律，只會導致邊際改進。但是，在某些情況下，準確性至關重要，模型需要多次迭代。
如前所述，有必要用最簡單的 AI 模型構建出小型管道，從而創(chuàng)建用戶體驗并收集反饋。Jussi Pasanen 的最小可行產(chǎn)品(MVP)金字塔模型可以根據(jù) AI 產(chǎn)品進行調(diào)整，如下所示：
7. 構建廣度優(yōu)先而非深度優(yōu)先的 AI 模型
AI 產(chǎn)品經(jīng)理應當熟悉 AI 端到端產(chǎn)品的工具和技術。這樣一來，他們才有能力影響：
人工智能工程師和數(shù)據(jù)科學家在他們的模型中能夠正確利用復雜性，同時確保自己擁有增加復雜性的能力。
數(shù)據(jù)工程師需要構建健壯的系統(tǒng)并對其進行適當?shù)臄U展。
整個團隊能夠適當利用云計算服務和虛擬化架構。
舉例來說，iPhone 的語音郵件轉錄服務對其低信度是透明的，并為用戶提供了一個選項來幫助蘋果通過提交語音記錄來改進轉錄。
數(shù)據(jù)科學需求層級金字塔(源于 Insight 的顧問 Monica Rogati )很好地呈現(xiàn)了 AI 產(chǎn)品技術堆棧。
此外，AI 工程師和數(shù)據(jù)科學家通常具有很高的學位(幾乎都是博士)以及強大的學術背景，并從新穎的學術項目中獲得巨大的智力滿足感。產(chǎn)品經(jīng)理需要調(diào)整他們的傾向，以制造出適合市場和用戶的實用產(chǎn)品。
除了強烈的產(chǎn)品意識之外，你需要對各種機器學習算法和 AI 模型及其上下文具有高層次的理解，才可以成功管理 AI 工程師團隊并推出 AI 產(chǎn)品。
總結
人工智能目前成果顯著，在未來必將前途無限。當前已有代表性的產(chǎn)品，它們能夠讓顧客滿意，并且明顯提升了現(xiàn)有業(yè)務。AI 產(chǎn)品經(jīng)理是產(chǎn)業(yè)發(fā)展的催化劑，他們需要不斷掌握新的的思維和技能，才能促使 AI 產(chǎn)業(yè)的騰飛。
下載文檔
