记得很久以前,程序员就叫程序员,需求就叫需求,美工就叫美工,测试就叫测试,只有管事管人的叫做经理。后来,慢慢衍生出了一个新的角色——一个叫做产品经理但不是经理的角色。
于是乎,江湖上便开始有了产品经理的传说。
微信的张小龙让产品经理抵达了一个别人无法企及的高度,网上各种关于产品经理的段子也层出不穷,先来两副对联:
上联:这个其实很简单;下联:原理细节我不管。
横批:明天上线
上联:没啥需求实现不了;下联:有你这样设计的吗?
横批:u can u up
AI产品经理竟然有这种操作?
有人会问:“你是人工智能产品经理,为什么不爬虫弄一大堆招聘数据下来,然后机器学习做一个聚类算法呢?”
人工智能产品经理 ≠ 人工智能科学家
产品经理只是提需求并保证需求落地。
比如说,AI-PM 告诉AI-Scientist:
“我需要了解人工智能产品经理这个职位,我们要把智联招聘、猎聘网、拉勾网、秒聘网四个网站中和人工智能产品经理有关的数据跑下来,做个分析对比,产出一份职位描述,作为我今后努力的方向。”
在 PM 和Scientist 做完充分的沟通后,确认他理解你的需求,询问他是否需要外部支持,阶段性地验收成果或查看进度,确保项目落地。
AI产品经理职位描述案例如下:
人工智能产品整体规划、阶段目标、产品设计和推进实现产品上线后,分析使用数据,提炼使用场景,找到产品改进点和突破点,用丰富的交互场景推动AI创新对用户的交互使用体验负责有效地横向串联产品的所有功能模块,与产品、算法、工程、编辑、团队充分沟通协作,保证产品功能落地负责行业市场分析、用户需求调研和竞品分析工作
Andrew Ng 吴恩达在 NIPS 2016 上谈到AI产品经理时指出:
"一个人工智能产品经理的工作流:”
“一个人工智能产品经理扮演的角色:”
“一个人工智能产品经理的职责:”
谁说产品经理不能懂技术?
作为一名产品经理,似乎总是常年备受大家“不懂技术”的“冤屈”,网上关于此类的段子也不少:
“师兄,我们这款产品的核心功能是要达到XXX,可以采用XX技术来实现,这样可能会比较好”
“切,你管我用什么技术,我能给你实现就好了,你又不懂技术,瞎扯什么蛋呢?瓜兮兮嘞……”
“帅哥,运营的过程中网络要保证到XX的速度”
“靠,你懂完了,你来撒!”
可是产品经理就活该背这个黑锅吗?
当然不是!
AI来袭,产品经理自然也不能落后潮流。
今天我们就来用人工智能中最火的机器学习给大家举个例,看看机器学习与产品经理能擦出怎样的火花。
我能读懂你的心
作为一名产品经理的关键是什么?
读懂用户的需求!
可是通常,人们会习惯性地认为机器学习是以某种方式从根本上改变了产品经理的技能组合。
这是个常见的认知错误!
机器学习本身并不是目的,它只是解决用户真实需求的一种工具。很多公司都有很棒的人工智能技术,并且已经在许多实际应用中验证了这些技术的实用性。如果你开发了一个很酷的新技术,想在现实中应用它,那么你需要考虑的是这项技术能够解决什么问题,或者通过这项技术可以增强哪些方面的经验。
作为一个产品经理,如果你尝试构建一些机器学习产品来服务于用户,那么用户的问题及需求应该是你需要关注的焦点。
对复杂数据 say no!
是不是心疼自己在海量数据中眼花缭乱找不着北?
有了机器学习,我们将对纷繁复杂的数据say no!
使用各种机器学习算法来为用户搜索提供最佳结果。
例如,当你搜索食谱时,搜索引擎会自动学习你的搜索模式,以及与你类似的搜索和点击行为的模式,并为你自动筛选出最贴近的食谱作为第一个结果。
不仅如此,分类问题也能够利用机器学习来解决。如果你希望将数百万篇教育类的帖子进行分类,并且已经利用一些教育类的文档训练好一个机器学习模型,那么这个模型可以帮助你自动分类这些帖子。
机智的我早已看穿一切你是不是经历过各种购物网站、视频网站等等的花式推荐?在这个过程中,机器学习再一次登场。
现实中,最常见的一类问题是预测用户的喜好,如用户是否喜欢新闻中的某个故事,是否会喜欢 Dropbox 中的内容等。
同样,如果你想预测 2018 年 12 月的销售情况 (前提是业务基础没有大幅改变) ,只需要提供过去几年的历史销售数据,一个机器学习模型就可以成功地预测未来的销售情况,即使考虑到季节性问题也是如此。机器学习模型不仅可以用于销售情况的预测,对于其他问题,如库存的使用情况也可以解决。
过来人侃侃产品经理面试那点事
腾讯
腾讯的简历相对比较容易通过,笔试通过率也较高。顺利的话后面有一次群面,三次单面。
BAT中腾讯是最看重产品的(马化腾先生本身就是名人堂级别的PM),从网上收集的结果及我个人相关的经历来看,腾讯在招产品的时候并没有对专业做太多偏好——有一定计算机背景的自然好,但也只是加分项。事实上,拿到腾讯产品offer的同学专业五花八门,从电影到经管,从自动化到计算机。
我个人参加过的三次腾讯应聘都是IEG事业群的招聘组,可以说是我面试的最自然最舒服的经历之一。可能是公司的气质所致,腾讯的产品专业面面试官都很和蔼,很少会像其他公司为你设定压力,也几乎不会否定你的一些观点(但是最后HR面例外)。我非常喜欢实习面试时的面试官,除了一般的关于互联网产品的认知外,我们花了很多时间聊了喜欢看的书,摄影用的器材,做过的比较“疯狂”的事儿……结束前,我介绍了曾经自己做的调查,而他推荐了最近在看的书。
腾讯的所有环节中,最容易被淘汰的是靠人品的群面,因为参加人数太多,通常一组(10—12人)只会留下1、2个。两轮专业面试内容比较宽泛,更关注你对产品的理解以及对这个行业的了解度;不仅要能指出现有一些产品的问题,还要能够提出修改方案;不仅要有想法,而且要有持续不断的想法。
腾讯的HR面经常会刷人,我和我的诸多小伙伴都曾跪在这个环节,有的技术大牛在这里跪过两次。但无论怎样,腾讯的几次面试过程加深了我对这个公司的好感,毕竟找工作一部分意义上是在找以后工作的伙伴,兴趣相投再好不过。
阿里巴巴
对于阿里巴巴产品经理的认识,最早来自于苏杰先生的那本《人人都是产品经理》。其实回顾下阿里的整个发展过程,一直以来都是强在运营方面,后来对技术的重视以及高额的薪水使得其在技术领域也较为强大。但是,即便到今天,单纯从产品角度来看,阿里还是没有特别惊艳的作品。Fenng曾在微博上吐槽阿里的“来往”有17个产品经理,最终还是做成那样。
但无论怎样,阿里在招聘时还是非常认真的。阿里将产品经理与运营设为两个职位,而且在产品经理职位要求中明确提出了希望应聘者有一定的技术背景。从后面在上海碰到的小伙伴情况来看,基本都是与信息技术有点关系的专业,硕士居多,也有比较出色的本科生。
阿里的面试比较关注个人的做过的东西,如果你是学计算机相关的,还有可能问到你这些年的代码量。朋友遇到的一个问题我觉得很有意思,也是情景假设类型的,倘若腾讯成功集合了其他的垂直电商,那么阿里该如何应对。
百度
最开始还是在百度的招聘官网上进行网申,据说百度的网申很简单,直接上传简历就可以了。但是我的那个同事错过了网申,所以他直接霸面参加的是笔试,当时和他一样霸面笔试的有很多,百度很开放,基本上对霸面的也一视同仁。
笔试通过后,会通知面试,但是百度的面试没有群面,都是单面,有时甚至会多面一,所以对于百度校招而言,笔试通过后就相当于胜利了一半。
在专业面试的时候,主要是三道简答题,会给纸笔,时间大概2个小时。当时我的第一个问题是如何统计某个城市的加油站?第二个问题是针对百度的一款产品并指出它的优缺点与改进措施?第三个问题是如果你是百度产品经理,如何设计一款针对2岁儿童的餐具?
我们以第三个问题为例,如果你是百度的产品经理,如何设计一款针对2岁儿童的餐具?
考虑到目标群体的特殊性,年龄比较小,所以要考虑到餐具的安全性;接受能力比较差,所以餐具要简单。从这两点出发去设计餐具,最重要的一点是要注意前提是百度的产品经理,所以一定要有百度的烙印。
百度以科技著称,要联想到它现在比较火的人工智能、物联网等,比如做一个智能餐具,手机上的APP与之关联,通过APP可以查看餐具接触食物的卡路里、维生素、脂肪等的含量,从而可以确定儿童每天营养的摄入率。
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/234a36150ed901b26f264a281a41c0b1.png)
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/234a36150ed901b26f264a281a41c0b1.png)