AI 产品经理入门与劝退指南

最新推荐文章于 2024-07-26 13:24:37 发布

AAI机器之心

最新推荐文章于 2024-07-26 13:24:37 发布

阅读量716

点赞数 10

文章标签：人工智能产品经理 langchain AIGC LLM 大模型 AI产品经理

本文链接：https://blog.csdn.net/AAI666666/article/details/139598353

版权

本文总结了 AI 产品经理入门前的必备须知，以及入门 AI 产品经理前需要建立的初步认知框架。

01

“人工智能是未来，而未来已至。”这种论调已经普及开了，可谓是深入人心。

很多产品经理或者还未入行的新人，都在纠结到底要不要做AI产品经理，毕竟带了“AI”就觉得非常光鲜、非常前沿了，仿佛自己可以赶上一波时代红利。

所以在讲AI产品经理的相关知识前，先劝退一波。

前两年人工智能行业大热，如今已经降温了很多，但是目前市场上依旧到处可见各种人工智能培训班或者各种Python培训课，似乎不学个Python就跟不上时代的步伐了。

这里就存在两个问题，一是学Python是否真的对自己有用，二是人工智能行业是否真的是人们鼓吹的那样前景无限。

先说第一个问题：

其实这些培训班都是在营造一种焦虑感，并利用人们的焦虑感去买单。

并不是说学Python没有用或者学习一门新技能没有用，而是说要结合自己的实际情况，在目标明确的情况下选择要学的东西。

否则只是跟风去做一件事时，最后不仅花了时间花了钱，还经历了一个痛苦的学习过程，但最后学到的东西不是浅尝辄止，就是对自己的工作根本发挥不了任何作用。

而关于行业的发展问题，如果自己要是明确想冲入人工智能行业，赶上所谓的时代红利，寻找一些工作机会，比如做一名AI产品经理，那依旧是劝退。

信息的传播是有延迟的，根据信息的传播路径可以看到，一个细分领域的行业发展现状和前沿信息，一定是本行业从业者先获取到的，比如一些专门做人工智能公司的从业者，然后是投资圈从业者，毕竟各种风投都在紧密关注着各种行业动向，对各行业的风吹草动还是很敏感的，最后才是媒体端。

从细分行业从业者，到投资圈人士，再到媒体端，原始的信息经过了N手传播，不仅已经严重失真，而且也没有时效性了。

所以当你在媒体上看到铺天盖地的新闻，鼓吹一个行业非常好时，这个行业早已经发生了天差地别的变化，要么适宜的市场环境已经消失，要么市场格局已经成型。

当你没有从事某一个行业，只是在媒体端或者道听途说了解到一个“风口”，就不要妄想赶上所谓的时代红利了，现在再冲进去就只是韭菜了，只能被割，就比如现在跟风各种报班学Python的人。

02

那怎么才能知道一个行业到底好不好呢？

有两种方法：

一是自己进入这个行业，亲自去做一下，之前听说很多大牛产品经理在创业前，都会先去目标行业摸清状况，获取了充分的一手信息后，才真正杀入这个行业开始创业。比如在开咖啡店前，先去瑞幸或者星巴克打几个月的工，而不是贸然创业。
第二种方法则简单一些，去咨询这个行业的前辈就行，虽然是二手信息，但至少要比在互联网各种媒体上看到的各种信息靠谱得多，尤其是一些所谓专业大机构做的行业分析报告，信源都不能保证真实性，而且很多行业数据也可能是自己捏造的。

人工智能行业也是一样的，要想知道人工智能行业现在到底是什么状况，要么自己去头部公司做一下，要么就去和从业者直接聊聊。

最近看到一个很有意思的“段子”，

在知乎上有人问：人工智能未来会替代哪些行业，会不会造成大规模失业？

许多人很认真地在长篇大论，分析不同行业的被替代难度，但是有一个回答是：不知道未来能替代多少行业，也不知道会造成多少失业，但现在人工智能的从业者好多都失业了。

其实这就是当前人工智能行业的真实现状，在行业从过热到现在的遇冷，热钱逐渐退去，也终于知道到底是谁在裸泳了。

人工智能行业面临的最大问题是：难以落地，找不到合适的应用场景。

所谓的烧钱抢市场是不可持续的，核心是能不能找到真实的用户需求，并真正能解决问题。

企业是否能实现正的现金流，决定了是否能在资本寒冬期活下来。

能盈利的生意，不一定是一门好生意，但至少不是一门坏生意。

能盈利，至少可以靠自己活下来，说明不是一门坏生意，但是否是一门好生意还要看市场规模，也就是天花板是否足够高，以及自身是否具有规模效应，在扩张的过程中边际成本能够降低。

用PPT讲故事的，大多是伪需求，现在人工智能落地比较好的几个行业，也是需求已经被证实了的，比如安防、金融等。

结论就是：不建议其他行业的产品经理或者产品新人现在进入人工智能行业。

最好先在一些成熟行业做产品，比如电商、金融、内容社区等。

拿自动驾驶举例，自动驾驶也许确实是未来，但是近5到10年没有全面应用的可能。现在你要去做自动驾驶产品经理，觉得有先发优势，实际上能学到的东西很少。

因为现在自动驾驶依旧在实验和测试阶段，产品还没有成型，且产品的核心也在技术团队，产品经理能发挥的价值非常有限。

所以现在直接去做自动驾驶产品经理，可能会无事可做，因为没有那么多用户，没有那么多场景，自然也没那么多需求。

不过，可以先去滴滴这样的出行公司，因为滴滴基本已经成为出行行业的“水电煤”，承担了互联网行业基础设施的角色，不但行业非常成熟，而且积累了大量的出行数据，做自动驾驶自然也非常有优势。

当你在出行行业积累了大量经验后，等到自动驾驶成熟，再进去也不迟，因为可以复用已有的经验，反而会优势更大、进步更快。

比如特斯拉，马斯克做电动汽车时，高薪挖了大量传统汽车行业的人才，在已有行业基础上再进行创新。

科技的发展一定是连续的，在已有技术的基础上不断迭代改进，最终在某个节点上，实现从量变到质变。

03

如果经过上面的劝退，你的目标依旧没有被动摇，并已经有了充分的心理预期，那要进入人工智能行业，做一名AI产品经理，也是非常不错的。

因为无论做什么事，信念坚定是第一步，自己相信自己才能把事情做好。

在AI行业做产品经理和其他行业做产品经理，没有什么本质不同，产品方法论是基本一致的，但是不同点是AI行业更强调业务落地。

以下是在读《人工智能产品经理》一书时，我整理的10个问题，可以对入门AI产品经理建立初步的认知框架。

1. 人工智能和互联网时代的不同是什么？

互联网主要是重构生产要素（即重构商业模式），人工智能则是升级生产要素。

比如在出行领域，出行平台直接连接了司机和乘客，重构了线上、线下的出行流程；但是人工智能则是从自动驾驶技术切入，重构了车辆和司机本身。

2. 人工智能的本质是什么？

人工智能产品本质上都和一个概念有关，即概率。

基于过往积累的数据，计算接下来可能发生事件的概率，这就是所谓的预测未来。

人工智能做出的每一个推断和预测都伴随着行为结果的不确定性。

3. 人工智能没有普及的原因是什么？

人工智能没有普及的原因是：在不同行业的不同场景中，人们对人工智能在概率表现方面的期望值不同，这就造成了不同领域的普及速度不一样。

比如医疗领域，人工智能实现85%的诊断准确率，是不能得到普及使用的，但是概率上升到99.99%，就可以实现普及使用。

但是这个要注意一个问题：计算概率时的样本。

之前特斯拉因为自动驾驶出了多个事故，马斯克发推特说自动驾驶比人工驾驶安全得多，发生事故的概率远远低于现在社会的整体交通事故概率。

这似乎也符合人们的直觉，特斯拉发生的交通事故可能只是个位数，但是路上的交通事故天天都有，所以是不是对新技术太过苛责了？

其实马斯克的言论犯了一个错误：他在说特斯拉的事故率时，样本是很少的，而整体交通事故率是基于整个社会上的车辆数和里程数，这个样本则是巨大的，可能特斯拉自己再多出几次事故，事故率马上就翻番了。

因此基于现有样本计算出的特斯拉事故率是不准确的，不能直接下结论说，自动驾驶的事故率就低于人工驾驶的事故率。

只有等到特斯拉自动驾驶的车辆数和里程数积累到一定量级，样本足够大后，才能和人工驾驶的事故率进行比较，也才能真正证明自动驾驶是否更优于人工驾驶。

4. 产品经理设计AI产品的核心是什么？

产品经理在设计AI产品时，要能够平衡概率最优和成本投入。

产品经理需要判断能满足用户需求的概率是多少、用户接收的最低标准是什么、超出用户预期的标准是什么，依据这些判断去决定产品研发的投入策略。

不要追求完美，因为产品的商业化成功才是第一位。

5. 产品经理设计AI产品时要从哪些方面考虑问题？

人工智能的三要素是：算法、算力、数据。

那么AI产品也要从这三个要素入手考虑问题：

（1）算法层面：产品经理应该对主流的算法模型和框架有基本的认知，要做到在不同算法在不同场景下的使用效果进行量化评估；

（2）算力层面：产品经理要从需求出发，衡量产品功能所需算法模型需要怎样的系统架构支撑，并能够评估硬件开销，综合评估后要判断采用平台即服务还是自建计算平台；

（3）数据层面：产品经理在设计之初就要考虑数据从哪里来、数据质量怎么保证、数据治理的工作怎么开展等问题；

AI产品的核心竞争力在三要素交叉的黄金地带。

6.人工智能产品的成功和哪些要素有关？

核心技术、产品化、商业化三要素对一款人工智能产品的成功缺一不可。

（1）核心技术：核心技术是人工智能产品成功的第一要素。

（2）产品化：宣传产品价值（以快捷、低门槛的形式触及用户）、快速证明价值（制定策略使用户快速了解产品、快速用价值打动用户）、交付用户价值（保证长期稳定地将价值传递给用户）、延展价值（让用户依赖产品，将产品融入用户的生活中）。

（3）商业化：产品化决定了产品的价值空间，商业化决定了产品将价值变现的能力。

7. 产品经理商业化AI产品的思路是什么？

人工智能的商业化需要产品经理能够把场景、痛点分析透彻，并评估产品能带来的价值和研发成本后，制定适合的商业推广策略和产品定价包装策略，甚至在必要的时候进行产品定位调整，最终实现产品变现。

兼顾技术和市场前瞻性是人工智能产品经理必备的素质。

8. 产品经理是否应该懂技术?

了解基本的机器学习算法，知道各种算法的应用场景是什么、分别能解决什么问题、各自的优劣是什么就足够了。

（1）产品经理应该对所在领域的产品研发过程中每一个技术动作的原理和最佳实践有深刻的理解，能够进行熟练的解释说明。

（2）产品经理要能够融入到研发过程，比如想办法为团队提供高质量的学习数据集；

（3）掌握前沿技术的实践应用；对技术发展趋势有所洞见，才能设计出有竞争力和前瞻性的产品；

9. 人工智能的核心技术有哪些？

人工智能的核心技术：自然语言处理、人机交互、计算机视觉、生物特征识别、语音识别、虚拟现实、增强现实、混合现实等。

人工智能的应用和服务分为三大类：语音和文字处理、图像和视觉、大数据分析和预测。

10. 人工智能公司有哪些类型？分别对产品经理有哪些要求？

（1）行业+人工智能公司：依赖自身的多年领域积累，给用户提供人工智能赋能后的产品或服务；比如福特、通用等研发自动驾驶技术的传统车企；

在此类公司，产品对行业的理解力和对行业趋势的洞察力是核心；

（2）应用人工智能公司：提供基本功能，如人脸识别、语音识别等，客户可以直接调用接口；

应用AI技术公司的商业模式以TO B为主，产品经理的KPI是项目回款，因此产品经理需要有一定的商务技能（售前、销售）；同时因为需要定制化开发，产品经理要明确区分标准化产品和定制化产品；

（3）研究核心技术/基础平台的公司：从底层平台需求出发，构建AI计算平台的硬件单元研发、数据治理、AI建模等；

在研究核心技术/基础平台的公司，产品经理侧重于对底层技术框架的理解。

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。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

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。

在这里插入图片描述

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

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