AI产品经理，到底要做什么？

因为技术的风口浪尖也代表了某个时代的暗潮涌动。尤其作为产品经理，更需要明白趋势的重要性。那我们继续来了解三个核心点：

1. AI产品经理的工作职责和能力

2. AI产品经理必懂的算法技术和边界

3. AI产品经理的转型途径

01

AI产品经理的工作职责和能力

AI 产品经理需要知道在什么场景下，可以通过什么样的算法技术来解决问题，解决到什么程度。

比如，在智能客服场景，你可以通过自然语言理解技术让机器去回复一些标准的问答，来减轻人工客服的压力，但对于强个性化的用户问题，还是需要人工介入来解决。

环顾整个流程，AI产品经理需要主导的流程节点主要有四个：

1. 定义产品方向

2. 设计产品方案

3. 跟进产品开发

4. 产品验收评估

（一）定义产品方向

在我们要做一个AI产品之前，不论处于“三层楼”基础层、技术层还是应用层， 都需要搞明白要解决什么问题？

工作职责： 搞清楚这个行业的方向，这个行业通过 AI 技术可以解决的问题，这个 AI 产品具体的应用场景，需要的成本和它能产生的价值。

能力要求： AI 产品经理更多的是需要对业务背后的数据逻辑需要很敏感，在定义产品的过程中基本可以确定它的可行性。

（二）设计产品方案

定义产品方向后，就会产生一个产品的基本框架，包括数据层、中间层、应用层等等。

工作职责： 需要根据产品形态的不同，应用场景的特殊性，做不同的产品设计，比如硬件和软件结合的 AI 产品，会包括外观结构的设计；机器学习平台的产品需要包括大量的交互设计；模型类的产品（推荐系统、用户画像）更多的是对于模型上线的业务指标的要求。

能力要求： 基础的技术知识，包括现在市场主流算法都有哪些，不同的算法应用场景是什么，算法的技术边界在哪里。

（三）协助产品开发

产品方案完成后，这个需求基本已经定型，接下来需要帮助开发取数、用数和选数，贯穿了模型构建的全过程。

工作职责： 有时需要承担一些项目经理的职责，去跟进项目的上线进度，协调项目资源。

能力要求： 要知道模型的构建过程是怎么样的，还需要知道模型构建过程中，每个节点的产出物，以及它的上下游关系。

（四）产品验收评估

模型构建完成后，更重要的就是验收该模型是否符合需求，而这里也是与互联网产品经理有极大不同，需要用到很多评估指标。

你的算法工程师告诉你，这个模型的区分度是 40，那你至少要知道区分度是怎么计算的，40 是不是一个合理的数字。

工作职责： 验收模型是否符合设定要求，并对不符合的模型能给出优化方案。

能力要求： 灵活掌握分类、聚类和回归算法的评估计算方式。

02

AI产品经理必懂的算法技术和边界

算法对于AI产品经理来说，是一把实用的工具，可以帮助他们设计出优秀的产品。虽然他们不需要深入到编码级别，但对算法的原理和应用场景的了解是必不可少的。

具体来说，AI产品经理需要知道五方面的技术知识：

1. 数学统计学相关的基本概念

2. 模型构建的整个流程

3. 常见算法的原理和应用场景

4. 模型验收的具体指标和方法

5. 模型相关的技术名词

第一，数学统计学相关的基本概念

主要需要掌握两类：

第一类：线性代数中的基础名词， 如标量、向量和矩阵量。

我们在本子上画上一个个小圆点，每个这样的点可以代表一个整数、实数或者复数。这样一个单独的数，如{x1 , x2 , x3 ,…, xn}，在线性代数中我们叫它标量（Scalar）。给标量增加一个维度，它就变成了向量（数组形式），再给向量基础上增加维度就会扩展为一个矩阵。

第二类：概率分布，常见的分布有：正态分布、伯努利分布、二项分布、指数分布等等。目的是为了观察当前数据的分布情况，间接来看预测结果的质量。

第二，模型构建的流程

简单来说，就是模型设计、特征工程、模型训练、模型验证、模型融合及部署。虽然产品经理不需要深入参与每个细节，但需要了解每个环节所要做的事情。

第三，常见算法的原理和应用场景

需要熟悉常见的机器学习和深度学习算法，如决策树、支持向量机、神经网络等，并了解它们在不同场景下的应用。

第四，模型验收的具体指标和方法

需要了解如何通过各种指标（如准确率、召回率、F1分数等）来评估分类算法、聚类算法和回归算法模型的性能，以及如何通过交叉验证、A/B测试等方法来验证模型的最终效果。

第五，模型相关的技术名词

需要了解一些与模型相关的技术名词，如过拟合、欠拟合、正则化、梯度下降等，以便与算法工程师交流时能够准确表达自己的意思。

比如工程师给你反馈验证结果是模型欠拟合了，那你脑海里需要灵光一闪：哦，原来是预测值与实际偏差太大，结果不准，那我帮他看看特征的选择如何，兴许加几个特征数据就可以解决。

03

AI产品经理的转型途径

如果企业内部有AI项目的可以从简单的需求做起，慢慢磨合出AI项目经验，如果没有的话可以尝试自己学习，模拟实战或者寻求外部。总的来说有两种途径。

第一种：内部转岗

原则：从下到上，由点及面

核心：从底层知识和细节问题入手，去拓展学习整个知识体系和相关知识点。

具体做法：

在项目周会上，大家介绍项目进展的时候，算法同学经常会提到：“我们本周做了洗数工作，或者我们在筛选特征”。那就可以带着具体的问题去进行补课，像是 “洗数怎么做的， 筛选特征怎么做的，等到有拿不准的问题再去请教算法同学，基本上他们都会倾囊相授。这样一来，慢慢地就形成了一个相对完整的知识体系。

第二种：外部求职

原则：从上到下，从面到点

核心：要先了解全局，从全局中挑出一条线，再抓住这条线的一端，一点点地深入到具体细节的知识点。

具体做法：

首先需要我们站在一定的高度上去看整个行业，了解整个行业的全景，产业链条，商业模式，人才结构，甚至是每个方向的头部公司情况。

其次，你要分析自己的兴趣偏好，更倾向于商业化去做 ToB 服务，还是更倾向于底层的技术或技术上层的应用，通过自己的兴趣偏好选出自己心仪的行业和公司。

最后，不足技术短板，如果你倾向于去做机器学习平台的产品经理，就去重点学习模型建模的过程，甚至要自己尝试去使用一些公共的机器学习平台，去创建一个算法模型。

最后的话

技术的优势在于它可以让理想变为现实的可能性，技术越强，就越超“现实”，而产品的优势则在于它可以灵活运用这些技术将其“嫁接”到某个场景和领域，变成最终的现实。

产品+技术 = 无限的可能

希望带给你一点启发，加油。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓