【产品经理为何要学大模型】第三篇-AI产品经理技能（二）-CSDN博客

本文链接：https://blog.csdn.net/DEVELOPERAA/article/details/139021504

我们将AI产品经理技能模型描述为：PM + AI + X，在“【AI产品经理】第二篇-AI产品经理技能（一）”中总结了产品经理的通用技能，分别从战略分析、市场研究、用户研究、需求分析、产品设计、产品运营、项目管理7各方面介绍了产品经理应该具备的能力，本篇是AI产品经理技能的第二篇，在这里将重点介绍AI产品经理需要具备的AI方面能力。

（1）AI问题定义

首先需要了解，AI可以解决问题的类型：分类、回归和聚类。分类问题最为常见，例如标签、评级等问题；回归问题次之，例如时序预测等，部分回归问题有时也会将结果离散化从而转换为分类问题；聚类问题最少，一般是无监督问题，效果一般低于有监督问题，生产上并不常用。

对于业务问题，我们需要判断AI技术是否可以解决，对于使用AI技术解决的问题，根据其应用场景，将业务问题拆解为一个或多个AI模型解决的问题，对每个AI模型制定评估标准。至此完成AI问题定义的核心部分，在AI模型的基础上，定义产品形态和交互形式，明确业务流程并完善异常流程，这样AI问题基本定义完成。

（2）AI技术理解

对AI技术的理解属于锦上添花的能力，具备这项能力，将有助于评估业务侧需求时可以给出专业的意见，同时和算法团队沟通时更加顺畅。

对AI技术的理解分为三个层次：第一层，厘清基本概念。熟练掌握AI领域的各种专业名词，例如ML、DL、NLP、CV、OCR等；第二层，了解技术应用场景和边界。相对上个层次，这一层的要求更加专业和细分，对负责产品的领域涉及到的AI技术，了解其能实现什么、不能实现什么、需要多少成本去实现、当前瓶颈是什么、行业前沿在研究什么、长短期的突破点在哪里等；第三层，引导AI架构演进方向。这一层要求对技术的理解力和演进方向有深刻认知，并能结合业务远期发展方向，引导技术架构选型。这一层非常难做到，需要对业务和技术的认知极其深刻，一般为CTO、CPO级别的业务视野 + AI科学家的技术认知才可以达到。

（3）AI模型评估

模型评估分为在线评估和离线评估。

在线评估使用线上真实数据对模型进行的评估，一般是通过A/B Test的方式，对比两组用户的相关指标，判定模型对业务的提升。

离线评估使用非训练生产数据，评估模型效果相关指标，主要分为特征评估和模型评估。特征评估主要关注特征自身稳定性、特征接入成本；模型评估主要关注模型统计性指标（例如覆盖度）、稳定性和性能指标。这其中最为重要的是模型性能指标，对于分类模型，可以使用准确率、召回率、F1 score、AUC等指标评价；对于回归模型，可以使用MSE、MAE等指标进行评价。

（4）AI项目推进

首先需要了解AI项目上线的全流程：需求分析（含AI问题定义）、模型预研、数据准备、模型构建、模型验收、工程开发、测试上线、产品运营。

AI产品经理在各环节需要关注的问题：在需求分析阶段，与业务侧沟通预期目标、上线时间，将业务问题抽象成AI问题；在模型预研阶段与算法工程师完成需求预判，明确业务场景涉及的业务范围、数据范围、数据格式、开发周期等；在数据准备阶段，根据模型预研阶段与算法工程师的沟通结果，和业务侧共同为其准备数据；在模型验收阶段，算法工程师介绍模型选择、特征选择和模型结果，产品经理使用非训练生产数据进行模型效果验证，符合前面制定的模型评价标准即通过验收；在工程开发、测试上线阶段，协调前后端开发工程师按照产品原型开发基于模型服务的功能，协调测试资源进行功能和性能测试，并按版本发布流程上线发布；在产品运营阶段，基于产品方案中设计的埋点和数据采集，对模型价值进行评估，并收集数据用于模型迭代优化。

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🆓

在这里插入图片描述

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