AI产品管理：策略、技术与实践

玩转AI大模型

于 2024-09-27 14:04:23 发布

阅读量1.1k

点赞数 11

文章标签：人工智能开源深度学习语言模型产品经理

本文链接：https://blog.csdn.net/2401_85375298/article/details/142592022

版权

过年前到现在做的很多都和AI有关，研究生期间也做的是一些算法应用类的研究。去年之前一直在做产品经理，本次想结合产品经理这个岗位，分享下AI产品工程化思路，愿与诸位共勉。

本书是一本指导AI产品实现商业化落地的专业技术书。共包括4篇13章的内容。

第一篇（第1～2章）对AI产品及AI产品经理进行全方位深入解读，目的是让读者真正理解AI产品经理这个职位；另外本篇还重点介绍了如何成为AI产品经理和如何规划AI产品经理职业发展路径。

第二篇（第3～6章）从机器学习入手，逐渐拓展到以计算机视觉、语音识别、语义理解为核心的多模态内容理解技术、行为主义的机器人学，以及AI云原生工程应用。本篇以AI产品经理实际需求为前提只讲技术原理和应用方向，这些都是AI产品经理落地产品时必须掌握的。

第三篇（第7～11章）是本书的重点。本篇首先介绍了通用的产品方法论，然后结合AI产业链的特点，深入解读了算法、中台、业务三大类AI产品的落地实践。其中，关于算法和中台类产品的介绍，可帮助读者应对自动驾驶、元宇宙、企业智能、智能汽车、虚拟数字人等主流产品的落地需求；针对业务类AI产品，从城市治理、企业服务、个人服务三个维度展开介绍。

第四篇（第12～13章）从赋能行业和项目实践两个维度解读AI产品高效、高质量落地的方法。 其中不仅以安防、制造业、汽车为案例解读了AI产品高效落地的方法和方案，还以B/G端项目、商机项目为例，提供了可行性验证、交付等问题的解决思路。

第一篇 AI和AI产品经理

本篇围绕如何理解AI、如何实现技术的产品化和产品的产业化、如何理解产业化对人才的需求这几个问题，从AI的概念、AI产品、AI产品经理三个方面进行介绍，并说明对AI产品经理的含义、职业规划、知识体系等。

（1）从智能化程度的角度看，过去数十年AI的发展推动了智能化水平的不断提升，智能化的形态可以通过计算、感知、认知、意识这4个阶段来划分。

（2）AI产品是基于人工智能技术定义的产品，是以AI技术为核心打造的应用于特定场景、解决某种问题或获得更好体验的功用集合。

（3）广阔的市场前景和规模化应用带动了以产品和解决方案为基础的商业化分工协作，从而形成了以AI技术、产品和解决方案为基础的较为完整的产业链，整体来看，AI产业链可以划分为基础、技术和应用三个层次。

（4）AI产品经理需要懂AI相关技术，懂技术不是目的，目的是如何让技术更好地辅助产品经理做出决策，进而做出更好的产品。同时懂技术不是懂代码，对于产品经理来说，要懂的是产品实现的核心技术逻辑、流程、路径和边界，目的是界定产品范围。

（5）想要成为AI产品经理，可以从4个方面考虑：AI产品经理的基本素质、自身优势、定位和途径。对于AI产品经理，职业规划需要考虑4个维度：技术栈、行业业务、职能和平台。

对AI产品经理而言，专业知识体系大体上包括AI技术认知、产品生命周期过程管理知识、AI项目管理知识和行业业务知识。AI技术认知主要包含理论性内容、工程应用两大方面。理论性内容主要包括如机器学习、计算机视觉、语音识别、自然语言处理等算法的应用知识，工程应用主要包括算法任务的定义、模型训练和评价、落地部署应用等相关内容。

第二篇 AI技术

本篇将从AI理论及算法、AI工程应用技术两个维度展开介绍，其中AI理论及算法包括机器学习、多模态感知及理解、机器人学与运动规划三方面，多模态感知及理解又从视觉、语音、语言三个角度展开介绍；AI工程应用主要介绍云原生的AI应用。

（6）从图灵测试的角度看，计算机只有具备了感知理解和交流能力（自然语言处理）、在存储交流中获得信息的能力（知识表示）、运用已知的信息回答和交流的能力（自动推理）、学习和适应新情况和模式的能力（机器学习），才能认为它可能是智能的。如果计算机还需要进行物理交互，则还需要具备观察的能力（计算机视觉）、反应和行动的能力（机器人学）等。

(7)机器学习由三个部分组成，分别是表示、评价和优化。表示是指建立问题与数据的抽象模型，评价是指设定目标函数及评价模型性能，优化是指求解目标函数在模型下的参数最优解。

（8）强化学习也叫增强学习，是智能体与环境通过交互完成序列化的过程，一般由系统环境、智能体(Agent)、状态、行动和奖励五个部分组成。强化学习是通过不断试错和追求最大化长期回报这两个特征来实现的，突破了监督学习标注数据的局限，也突破了非监督学习无法与环境动态交互的局限，为机器学习拓展了实现路径。

（9）深度学习是通过人工标注来“教”模型的，而且所需的标注数据量与人类学习相比要大很多。尽管研究者仍在不断探索小样本的深度学习，但是在一些对精度要求高的场景，大数据量依然是保证高精度的基础。

(10）大规模PTM（预训练模型(Pre-Trained Model）的核心是网络架构、大规模数据的设计和利用、高效的计算。在网络架构方面，大规模PTM基于Transformer发展出了多种架构思路；在大规模数据的设计和利用方面，基于多语言语料、多模态数据、外部知识增强等，可充分利用预训练数据；在高效计算方面，则通过系统级的计算优化、更加高效的学习算法、对网络模型进行压缩等方式来提升计算效率。

（11）联邦学习的出现既可以使之符合数据隐私的规范，又可以解决因两者互补数据无法共享而无法训练高质量模型的问题。联邦学习的核心是在本地训练模型以及加密、更新、共享参数，并最终优化出高质量的联合模型

（12）在深度学习技术成熟之前，传统机器学习需要经过问题定义、数据采集和标注、模型选择和设计、超参配置等步骤才能达到目的。

（13）每一种信息的来源或者形式都可称为一种模态，人与人之间可以通过视觉信息、语音信息、文字信息等进行交流，而交流的过程可以视为针对不同模态的信息进行沟通和理解。

（14）计算机视觉(Computer Vision, CV)是研究计算机如何模拟人或生物视觉系统的学科，具体地说是计算机通过感知获得成像数据，并对成像数据中的目标进行识别、跟踪、测量、理解等。《计算机视觉：一种现代方法》将计算机视觉研究分为图像生成、早期视觉、底层视觉、中层视觉、高层视觉五大部分。

（15）语音是由物体振动产生的声波，是一种搭载着信息的模拟信号。语音信号可以通过麦克风采集，通过模拟/数字(A/D)转换之后，得到音频数字信号。语音信号的A/D转换需要经过采样、量化和编码三个步骤。语音识别(Automatic Speech Recognition, ASR)是将音频信号转换为文字/文本信息的一种技术，从技术处理的流程看，语音识别的输入是音频，中间经过预处理、特征提取、特征识别， 最终输出为文本。

（16）传统的语音识别框架的流程较多，一般需要拆分为声学模型、语言模型等，实现过程繁杂，存在需要进行手工特征标注、独立训练无法联合优化、效果差等问题。2018年前后基于Attention和Transformer机制，实现了深度学习在传统语音识别框架方面的突破，彻底实现了端到端(End to End, E2E)的学习。端到端的语音识别使用序列到序列的模型，将输入的音频声学特征序列映射为文本， 实现端到端的学习和联合优化。

（17）自然语言处理是研究人与计算机如何通过自然语言进行交流的融合学科。自然语言处理根据应用过程中理解和回应两个环节，可以分为自然语言理解(Natural Language Understanding, NLU)和自然语言生成(Natural Language Generation, NLG)。 NLU主要解决机器如何理解自然语言的问题，包括文本分类、实体识别、语句分析、机器阅读理解等。NLG则关注机器在理解自然语言之后如何做出回应，并将回应转换成人类可理解的语言，包括自动摘要、机器翻译、自动问答。可以说，NLU是NLG的基础，可以帮助机器更有效地生成人类可理解的语言。

（18）在人类学习语言和分析语言的过程中，存在多个分析层次，如先分析字、发音和组词，然后通过词语进行造句，再通过组合句子形成篇章。在篇章中，注重文章的主题和上下文关系。这些方法在NLP中也是适用的。NLP一般划分为形态学、语法学、语义学、语用学四个层次。 简单地讲，在语言学中文字被当成符号，词法、语法研究的是符号代表的词性、词性之间的组合规则和关系等，而语义则研究符号表达的真实信息和含义，语用则研究词句在不同上下文语境中的语义。尽管分析的对象都是词和句，但各层次分析的维度不同。

（19）信息抽取(Information Extraction)是指将篇章语句中非结构化信息自动提取为实体(Entity)、关系(Relation)、事件(Event)等机器可理解的结构化信息的过程。 信息抽取一般包括命名实体识别、关系抽取、事件提取等。

（20）认知图谱(Cognitive Graph)旨在结合认知心理学、脑科学和人类知识等，研发集知识图谱、认知推理、逻辑表达于一体的新一代认知引擎，实现AI从感知智能向认知智能的演进。智能发展到现在已经经历了4个阶段。

（21）以自底向上的知识图谱构建方式为例，系统的输入是各种类型的数据，知识图谱构建则需要经过信息抽取、知识融合和知识加工三个主要过程，系统输出的是完整的知识图谱。

（22）对于智能体，要获得更高的智能，与外界进行信息交互也不可仅局限于单模态，而应该充分利用多模态信息，因此多模态信息的表达、互补、融合及理解成为AI应用中的重要课题。 在多模态技术的研究中，主要包含五类任务：表征(Representation)、转换(Translation)、对齐(Alignment)、融合(Fusion)和协同学习(Co-learning)。

（23）机器人是AI中极其重要的应用领域，在产业界有着极其广阔的应用前景。机器人学融合了多个学科，包括运动和动力学、传感技术、控制技术、行动规划、计算机科学等。

（24）任何应用都具备功能和非功能两种特性：功能特性是指应用可以直接为业务带来价值，如AI应用中的人脸检测、比对、属性识别、库管理等；非功能特性是指没有为业务直接带来价值，但可间接保障系统可用，如容灾、安全、运维等。

（25）企业的IT建设经历了从服务器到云化再到云原生化三个阶段。服务器阶段的核心特点是以硬件设备为中心，业务的定制化应用依赖于硬件，设备安装、部署和运维的自动化程度低，人力成本高，缺乏统一管理能力。云化阶段的核心是实现硬件资源的池化，使用软件虚拟化技术，为上层业务软件提供统一的资源管理接口，应用部署以资源为中心。在云原生化阶段，企业服务的关注点为“应用”，包括持续集成交付、弹性扩展业务应用。

（26）随着AI应用和云原生应用的深入结合，众多AI应用使用云原生技术进行部署。结合AI模型的生产实际，参考DevOps以及敏捷的思想，以模型为核心的敏捷化DevOps开始被定义、尝试和实践，这种模式称为ModelOps。ModelOps是一种围绕AI模型生产的自动化开发运维实践，是一种新的协作方式，既包含了协作所需的自动化工具，又包含了人员协同规则和模式。ModelOps需要基于全流程自动化进行模型训练、封装、服务部署等，会用到AutoML等技术，可实现模型从需求、设计、开发、评估、测试到部署的全流程的自动化。

小结

本书内容较多，故分两次进行摘抄说明，本次仅说明重点AI技术，总结了从AI产品经理的角色职能等以及相关知识体系包括机器学习、多模态感知到机器人学以及AI云原生应用等。这些内容为AI产品经理在产品落地过程中必须掌握的关键知识提供了支持，

通过学习查阅本书，可以进一步明确了解AI产品经理的成长过程，首先需要知道AI产品经理角色是进行产品规划、需求分析、项目管理等方面，是领导团队开发AI产品的核心；其次AI产品经理必须懂技术，但不是需要敲代码，是基于这些技术在产品设计和开发过程中提供更有深度的指导，支持实现产品的技术逻辑和流程，更好地指导产品的落地实施，确保产品在技术上的可行性和商业上的可持续性，从而开发出更具创新性和多样性的AI产品满足客户多变需求。

AI产品经理更多的是利用AI新技术研发产品，在了解行业最新动态、成功案例和国际先进经验的基础上，积极参与政策咨询、项目申报、试点示范等工作，推动AI产品的落地应用。同时通过参加行业展会、研讨会等，进行案例包装与宣传，提供持续的技术支持和知识分享，推动AI技术在政府领域的广泛应用，助力数字政府和智慧城市建设。