放弃吧！你招不到优秀AI产品经理；大模型训练10条黄金法则

黑客-雨

于 2024-07-14 15:00:00 发布

阅读量380

点赞数 8

文章标签：人工智能产品经理 AI大模型大模型语言模型

本文链接：https://blog.csdn.net/2401_84204207/article/details/140395700

版权

1. 5亿条国内招聘信息，洞察 1639 种人类职业被AI替代的风险

2023年，OpenAI 发布了一篇论文 GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models，研究AI技术对劳动力市场的影响。这引发了全社会的积极参与讨论，很多研究方法和分析理论都很有启发性 (日报也一直在收录)。

不过，这些研究是面向美国社会和劳动力市场的，只有一小部分研究把视野拓展到了全球。国内这样一个超级巨大且与美国截然不同的劳动力市场，同时经受着人口老龄化和劳资矛盾的挑战，在生成式人工智能 (GenAI) 的冲击下，会有怎样的变化呢？

作者团队借鉴 OpenAI 论文思路，基于中国的招聘数据，计算出了 1639 种职业被AI替代的可能性 👇 （左侧是「高替代率」职业，程序员榜上有名 😭 右侧是「低替代率」职业，受到AI的冲击更小、更安全 🙌）

进一步分析可以得到，工资高低与AI替代率之间不存在显著正相关关系 (👇左图)，但是，岗位年龄越高被替代的风险越高 (右图)😱 我们可以理解为，大语言模型轻松抹平了人类通过工作带来的技能提升。

2. 精益副业 | 程序员如何优雅地做副业：超完备的解决方案合集

上条看到，AI对人类职业发展的影响已经难以避免。不如早早行动起来，搞好副业以求有备无患 🧐 那 @Easy 这本《精益副业：程序员如何优雅地做副业》手册，就属于必看级别了！！

@Easy 本人就是一名独立开发者，应用开发和知识付费搞得有声有色 🎉 他把自己的副业经营心得，梳理成了一本体系化的手册，然后免费开源了！书籍完稿是 2020 年底，目前 GitHub 已经收获了 8.7K Star，足见其受欢迎程度~

以下是这本手册的大纲，可以看到内容非常丰富，尤其难得的是，整理了很多常见问题的解决方案。喊一声赛博菩萨不过分吧！！

1 精益副业

2 为什么副业特别重要

2.1 职业可能性

职业的四大象限
没有副业的职业
副业带来的可能性

2.2 职业自由度

从中指备用金说起
PlanB 和反脆弱
全新的工作自由度

2.3 职业成长性

新技术练兵场
业务敏感度

3 如何优雅地做副业

3.1 想明白核心资源和核心优势

副业的核心资源
副业的核心优势

3.2 时间片

时间片的销售
时间片的优化
突破时间片限制

3.3 资产和被动收入

什么是资产
资产的获得方式
资产的量化评估

4 优选资产

4.1 知识和人脉的变现

付费视频课
付费专栏
付费社群
图书出版

4.2 自有产品和服务

应用市场卖 APP

5 精益副业

5.1 精益副业流程

商业模式画布
最小可行产品和产品市场契合

5.2 精益独立开发实践

独立开发的精益流程
福利单词项目简介
福利单词的商业模式画布
通过用户画像细化客户
画像 → 场景 → 功能和分期
什么是好的商业设计
人人能用的四大原则
独特 Logo 解决方案
使用 AdobeXD 设计界面
个人支付解决方案
使用「兔小巢」处理用户反馈
2A3R 漏斗和增长优化

5.3 精益网课变现实践

大纲的注意点
通过预售验证销量
常见的课程片段类型
文稿讲义类课程片段的制作
屏幕录制类课程片段的制作
真人出镜类课程片段的制作
虚拟形象类课程片段的制作
最常用的视频剪辑操作
最常用的音频处理操作
字幕的制作和自动生成
流量池和二次购买
如何有效地反盗版

5.4 进一步提升副业的鲁棒性

网课+独立开发的双引擎副业模式

3. 一人企业方法论 (第2版)：从螺丝钉到超级个体，历时2年的6万字完整方法论

最近比较流行「一人企业」这个概念。

大背景是，大模型技术越来越强且调用成本越来越低，个人逐渐被赋能为「超级个体」，成长为一个独立的业务体。上条作者 @Easy 还有一本开源小册，于当下非常应景——《一人企业方法论》。

这是 @Easy 绘制的「从螺丝钉到超级个体」的成长路径图，漫长且不易。不过，作者也再三提醒，这本手册仅能解决第一阶段的问题，各位要合理控制期待 ⚠

@Easy 写这本手册，前前后后用了两年的时间，最终完稿 6 万字，给出了一套完整的「一人企业方法论」，帮助技术/非技术读者创作数字商品，或者基于 NoCode / 开源项目+AI辅助构建在线服务。

首先厘清两个重要概念：

一人企业：以个体或个人品牌为主导的业务体
一人企业方法论：为个体优化的创业方法论，从副业开始构建双线收入，低风险地实现从螺丝钉到超级个体的蜕变

以下是手册的内容大纲，可以前往网站查看完整图文内容：

1 定义一人企业

1.1 新版方法论概述

1.2 一人企业的定义

2 规划一人企业

2.1 底层逻辑

为什么以小博大是可能的
为什么规模化是可能的
资产和被动收入
滚雪球和链式传播

2.2 赛道选择

一人企业如何选择赛道

2.3 竞争策略

不竞争策略
结构化优势

2.4 思考工具

《一人企业画布》和《一人企业月报》

3 构建一人业务

3.1 一人企业≠一人业务

3.2 优势发现

副产品优势

3.3 风险评控

从副业开始
管理和利用不确定性

而且！作者基于手册内容，绘制了一张成长路线图 👇 非常棒！值得收藏~

4. 放弃吧！你招不到「优秀的AI产品经理」！因为这种全能人才 (几乎) 不存在

这轮AI技术爆发后，另一个「水深火热」的岗位是——AI产品经理。太多创业团队和业务负责人抱怨，合适的AI产品经理很难招，有些岗位甚至已经空了半年时间。

这里下个暴论：别等了！你想要的那种「来了就能砍瓜切菜解决业务问题」的AI产品经理，极大概率压根不存在 💔

沉下心来仔细盘点，你期待的AI产品经理需要同时具备以下能力项：

技术：熟悉现有大模型方案的能力，知道每种需求的实现成本和实现路径。并能展望技术未来2年的发展。
产品：熟悉客户，知道什么需求和什么程度的需求满足度能够让客户付费。
数据：知道如何寻找能够正对于目标场景的数据集，并能够构建量化的效果评估方式。
运营：熟悉触达这些客户的方式，知道如何运营客户的生态社区。

这种顶尖水准的优秀人才，市场上极其稀缺，你找不到或者根本雇不起。不要执拗地在这个方向上浪费时间了。

不如换个思维方式：组建一个 AI产品核心设计团队，由至少2个岗位协同完成上述任务。这个团队最小配置 (2人) 可以这样分工：① 技术+(部分) 数据，② 产品 +(部分) 运营。当然，这样的最小配置，也只能保证以合适的成本做出一个合适的产品，不能保证销售成本是低的。

42章经有期播客时间采访了 前光年之外产品负责人@Hidecloud，对谈「AI 产品经理需要的素质」。

Hidecloud 对这个话题比较乐观和开放。他认为当下处于行业初期，AI产品经理具备技术视野，更有助于了解技术边界。但随着行业发展，很多技术知识将沉淀为常识，那时技术将不再是 AI产品经理必须具备的前提。

5. 创新者的窘境理论，在 AIGC 领域并不 work：这是小创业公司的灾难

The Innovator’s Dilemma 是一本全球知名的商业必读书籍，中译名是《创新者的窘境》，探讨了一个尖锐的话题：为什么管理良好的大企业会遭遇失败？许多曾经叱咤风云的大公司，在市场变化和新技术挑战面前败下阵来，一步步惨遭淘汰。

书籍作者 Clayton M.Christensen 给出的答案是：这些管理良好的企业之所以失败，是因为推动其发展成为行业龙头的管理方法，同时也严重阻碍了它们发展「破坏性技术 (创新技术)」；而正是失之交臂的这些「破坏性技术」，最终主导了市场，吞噬了大企业原有的生存空间。

书中有详细的阐述、论证和例证，很多企业发展的路径也印证了这一观察的有效性：

第一部分为什么大企业会失败

第1章大企业为什么会失败？从硬盘行业获得的启示
第2章价值网络和创新推动力
第3章挖掘机行业的破坏性技术变革
第4章回不去的低端市场

第二部分管理破坏性技术变革

第5章把开发破坏性技术的职责赋予存在客户需求的机构
第6章如何使机构与市场的规模相匹配
第7章发现新的市场
第8章如何评估机构的能力与缺陷
第9章产品性能、市场需求和生命周期
第10章管理破坏性技术变革：案例研究

但是！最近看到一篇文章说，「创新者的窘境」理论在AI领域并不适用，这对创业者来说无疑是个坏消息，意味着机会更少了。感觉文章言之有理，与大家分享 🔊

没有「窘境」：大企业和初创公司目标一致 & 行为一致，没有构成所谓的「窘境」。双方追逐相同的市场&客户，采取的方法也是大同小异。
初创公司不再具备速度优势：初创公司在创新方面没有绝对领先。当它们准备好投入市场时，大公司往往已经推出了竞争产品。
大企业更了解客户需求：现有的大型企业掌握了客户更多的需求信息，与集成商/独立软件供应商 (ISVs) 等形成了直接的竞争，且大型企业掌握了更多优势。
兴衰周期短暂：所有AI初创公司，几乎都和 Google、OpenAI、Meta 等大型公司的节奏保持一致。很少有创新的想法，能脱离这些大模型公司而独立发展。
缺乏新的分销渠道：技术更新但市场/运营/增长手段还是那些，已有渠道非常的成熟和拥挤，初创公司进入的门槛和成本都很高。

6. 大模型高效训练的 10 条黄金法则：言简意赅，字字玑珠

这份 Google 在线文件 Ten Commandments To deploy fine-tuned models in prod，总结了大模型训练的十条戒律，提供了一些指导原则和建议。以下是核心内容：

[1] Thou Shalt Not Fine-Tune

切勿微调
微调成本高、速度慢且复杂，仅在确实需要时才进行。
尽量写prompt，利用大模型本身的能力zeroshot，必要时辅以少量样本（few-shot examples）或检索增强生成（RAG）。

[2] Thou Shalt Write a Freaking Prompt

好好调prompt
用一个prompt创建一个baseline，并通过写prompt证明这个场景或者任务是可行的。
如果写prompt就可以达到基本要求，那么微调可以进一步提升；如果prompt不起作用，微调成功的可能性就很低。

[3] Thou Shalt Review Thy Freaking Data

好好搞数据
如果必须微调，确保你完全理解你的数据。
大力修正问题数据。数据质量直接决定模型质量。

[4] Thou Shalt Use Thy Actual Freaking Data

用真实的数据
确保训练数据尽可能接近生产环境中模型将处理的数据。
即使存在一些不完美的数据也没关系，只要整体分布一致和正确就可以。

[5] Thou Shalt Reserve a Test Set

必须保留测试集
始终保留一部分数据用于测试，以评估模型的性能。

[6] Thou Shalt Choose an Appropriate Model

必须选择合适的模型
根据任务和预算选择适当的模型。规模和参数量要匹配任务难度。
不要使用过大的模型，也不要使用过小的模型。

[7] Thou Shalt Write Fast Evals

必须小步快跑评估
高频自动化评估，可以及时earlystop和监控模型异常，提高效率。

[8] Also, Thou Shalt Write Slow Evals

必须慢工细活评估
花点时间编写更全面，更可靠的评估标准和评估指标，虽然比较麻烦。
评估做不好的话，会影响实验效率，单位时间的算力消耗更多。费时费钱。

[9] Thou Shalt Not Fire and Forget

不要即发即弃
不要执行一次性的模型训练后就结束。
要持续优化模型和pipeline。

[10] Thou Shalt Not Take the Commandments Too Seriously

不要死板地遵循这些建议

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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。

在这里插入图片描述