浅谈AI产品经理的能力矩阵

最新推荐文章于 2024-06-13 10:13:20 发布

Python老猿

最新推荐文章于 2024-06-13 10:13:20 发布

阅读量236

点赞数 4

文章标签：人工智能产品经理矩阵大模型大数据 LLM ai产品经理

本文链接：https://blog.csdn.net/DEVELOPERAA/article/details/139088910

版权

今天想讲的内容是《浅谈AI产品经理的能力矩阵》，与其说是AI产品的能力标准，不如说，这是我自己学习、择业、确定项目方向时的一个重要参考指南，同时也在基于这个能力矩阵去完善能力圈层。

文章最后，我提炼了一套我自己的AI产品方法论，即，AI产品经理能力矩阵=道+术+器+核心价值观。

01 传统产品经理能力矩阵

这里的传统产品经理泛指传统互联网产品经理，区别于宝洁（产品经理这个职能的开创者）时期的实体工业产品经理，互联网产品经理标准化是在移动互联网的商业模式成型过程中，也就是2010s这个时期，在这个时期随着移动互联网的发展，各个公司特别是BAT为代表的巨头公司细化了产品经理所需要具备的能力模型，并且基于这个能力模型去对产品人员进行量化考核，首先，我们看看几个有代表性的大公司内部对产品经理的考核矩阵：

百度产品经理能力模型（引用自“三节课”平台）

腾讯经理能力模型（引用自“三节课”平台）

产品经理量化打分表

这是三个典型的大厂产品能力模型，对产品经理的能力的定义已经非常明晰了，基本分为了专业硬能力和通用软能力两大类。软能力包括了最常提到的学习能力、执行能力、沟通能力、责任感、沟通表达能力、市场洞察能力、创新能力、影响力等等，这些能力是比较难以量化，需要通过具体项目推进去观察，带有一定的主观性。硬能力包括了产品规划、需求调研、需求拟定（原型、需求文档等）项目管理、商务沟通、运营数据分析、市场营销等，主线是围绕产品从0-1-N全周期的具体推进，每一个环节会有具体的工具和方法，如产品规划阶段就需要用到PEST分析法、SPAN竞争与策略、波特五力模型、波士顿矩阵等，有的公司还会形成一套标准MRD（市场需求文档）；再比如需求拟定环节能力细化为产品原型、交互说明、业务流、数据流、资金流等。再分享一个我目前看到过最完善的产品能力框架图，这张图把产品的能力分为了产品设计能力（市场阶段、规划阶段）、专业技能管理（产品设计阶段）、产品管理（产品开发阶段）、自我管理能力（软技能）、团队管理能力（管理能力）等五大模块，逻辑清晰，建议可以收藏。

产品能力框架图（引用自《天下网商》）

02 AI产品经理的加成能力

简单来说，AI产品经理是传统产品经理与AI产业的交融产物，且目前AI产品经理也细分了多个垂直领域，包括视觉类、语义类、语音类、机器学习类等。一个合格的AI产品经理在具备上述传统产品经理能力模型的基础上，应该熟悉AI技术的效能与边界，对AI产业的三驾马车算法、算力、数据有一定的理解（对PM来说不要求上手coding，但是要对实现原理要理解），并且对部分垂直场景业务逻辑深耕，甚至达到跨领域协作的产品境界。展开来谈，这部分，我围绕算法、算力、数据、硬件、业务五个维度来解释AI产品经理所需要的能力加成。

AI产品经理分类

AI产品经理能力公式

1、算法

中世纪拉丁语“algorismus”指的是用印度数字进行四个基本数学运算——加法，减法，乘法和除法的程序和捷径。后来，术语“算法”被人们用作表示任何逐步的逻辑过程，并成为计算逻辑的核心。

算法的历史可以分为三个阶段：

在古代，算法可以认为是程序化、规则化仪式的过程，通过该过程实现特定的目标和传递规则；
在中世纪，算法是辅助数学运算的过程；
在现代，算法是逻辑过程，由机器和数字计算机完全机械化和自动化。

算法就是计算或者解决问题的步骤。想用计算机解决特定的问题，就要遵循相应的算法。这里所说的特定问题多种多样，比如：“将随意排列的数字按从小到大的顺序重新排列”、“寻找出发点到目的地的最短路径”等等。

现在算法已经广泛应用到了我们生活当中，在浏览淘宝的时候，推荐的商品，就应用到了协同推荐算法，我和老王都买了a, b这两个商品，并且老王还买了c。那么，有比较大的概率我也会喜欢c商品。推荐算法认为，当你喜欢一个物品时，你会倾向于也喜欢同类型的其他物品。于是，当用户翻牌了其中一首歌，与它相似的那一堆歌曲很快就会亮起来然后被放进推荐中。

那么AI产品经理掌握算法需要到什么程度呢，私以为按照算法-工程化-功能模块-应用系统的这个链条关系，产品经理更应该注重从算法到用户使用这个落地过程的宽度而非算法本身的深度，对主流的算法原理需要了解但绝对不是像算法工程师一样“钻”进去，以大多数AI产品经理的产品设计和规划能力，还远没有到拼技术的时候。如下图所示是常用算法分类，同时对于AI产品经理来说最重要的分支是机器学习类算法。（后续我会写专门写文章，更细致的图解每一类功能的常用算法，欢迎关注。）

常用算法分类

AI算法拓展（以机器学习为例）

2、算力

如果是AI产品是一台高速飞驰的高性能跑车，那么算力就是强劲的发动机。算力简单来说就是实现算法功能的资源要求，可以按照云、边、端来分类，云即云计算、边即嵌入式、端泛指服务器类资源，而这三者的背后核心都是集成电路，也就是芯片。服务器和云计算的知识，很多产品经理其实都有所了解，知识获取渠道很多，但是边缘计算或者嵌入式是大多数产品经理并不常接触的领域，这里我以嵌入式算力为例着重谈一下。
首先来看一下嵌入式系统的定义：以计算机技术为基础，软硬件可裁剪，适应应用系统对功能、可靠性、成本、体积、功耗等严格要求的专用计算机系统。
从应用对象上加以定义来说，嵌入式系统是软件和硬件的综合体，还可以涵盖机械等附属装置。接下来浅谈一下做嵌入式相关的AI产品经理需要了解到什么程度。
嵌入式硬件：包含嵌入式微处理器、存储器（SDRAM、ROM、Flash等）、通用设备接口和I/O接口（A/D、D/A、I/O等）。实现一款产品往往还包含了外围元器件，比如 GPS、气压计、超声波、PIR 等等。
这与我们AI产品需要了解嵌入式技术有什么关系呢？举个例子：您拿到了一个终端设备人脸识别（人脸门禁）的需求。假设，给你提需求的人比较了解这个需求，关于识别速度、人脸库、售价要求都给你了。这时候，作为PM的你就开始想了，需要多大的算力、运行内存预计需要多少、人脸库以及视频/照片存储需要多大的空间。是手动唤醒设备还是无感的呢？分别用什么元器件可满足需求呢？满足需求的情况下，预计硬件成本是多少？性能是否足够？
您也许会说，这些直接找技术就好了。那好，确实省时省力！但是这些都是非常表层的需求，你是否还需要拆解需求模块？如果您不了解，拿到需求后，可能觉得这我们可以做，那我们也可以做，但实际情况是我们可能啥也做不了，这样你就不能基于底层技术知识给予初步的可行性判断，这会产生大量的与技术来回沟通（sibi）过程。还有性能指标/功能边界，产品需求输出的时候，怎么定义这个性能指标，不太可能让开发小伙伴们自己随便找个元器件做成样品之后测试，看效果之后再改。产品经理应该有心理预判，我们是需求的推动者，而非二传手。以上，是以嵌入式为例解释了算力知识对AI产品经理的重要性。
回到算力的核心，刚才说了是芯片，常用的集成电路分类包括了CPU/GPU/FPGA/ASIC，随着AI行业的发展也延伸出了AI芯片（各种XPU，取名五花八门），本质上都是基于特定类别算法的定制集成电路，这些芯片按照算法类别及算法场景（云端/终端/训练/推理）进行了针对性设计。这里我埋一个问题，现在国内外做AI芯片的厂家这么多，到底真的因为业务需要研制芯片还是其他商业目的？关于这一块，我后续也会专门总结一篇长文详解AI芯片的科技发展史。

GPU/FPGA/ASIC 三大AI芯片架构对比

AI芯片市场划分

3、数据

都说现在是AI时代，也是大数据时代。我认为对于AI产品经理来说，数据包括这两层理解。第一层意思通用数据分析能力，这里不仅包括针对PV/UV/访问时长/新用户人数等运营指标的数据分析，更深一点的还会包括以分布式数据处理为核心的大数据技术（hadoop/spark/Hbase/Kafka等等），当然产品经理去了解大数据知识不是为了开发，而是为了在产品设计之初就协同研发一起评估中长期的技术需求和能力边界。
第二层意思是这里要谈论的重点，针对AI算法所需要的配套数据知识。很多人都知道，目前第三波人工智能浪潮中最炙手可热的算法类别就是深度学习，他与传统算法最大的区别是，训练完成后的算法功能逻辑不是人为推理的，而是通过大量数据去训练的。
关于数据其实可分为两种类型：被标记过的数据和未被标记过的数据。什么是标记呢？意同“贴标签”，当你看到一个西瓜，你知道它是属于水果。那么你就可以为它贴上一个水果的标签。算法同事用“有标签的数据”去训练模型，这里就有了“监督学习”。只要是跟“监督学习”沾边的产品/技术，比如图像识别、人脸识别、自然语言理解等等，他们都有一个必走的流程。不断地用标注后的数据去训练模型，不断调整模型参数，得到指标数值更高的模型。

AI算法训练过程

当然，算法训练中的数据要求是AI产品经理所需要了解的必修课之一，除此之外延伸的数据清晰、数据入库、数据验证、数据可视化等工作也是需要一步一个脚印去攻克的难题。

4、硬件

关于这一块，一部分知识与前面所提到的算力息息相关。另外，特别是对于AI硬件产品经理来说，还需要关注摄像头、门禁设备、传感器等硬件知识。对于部分AI产品来说，如车联网领域，硬件、软件、结构、算法等要素是相互牵制的，多方协调才能做出一款产品出来。我以无人机产品为例，简单来说，这个产品的硬件就需要结合算法和数据层面统筹去考虑：

硬件方面：

处理器：计算平台，需要满足飞控、视觉算法（目标跟踪、Vslam等）算力要求。
传感器：GPS、激光雷达、视觉传感器、陀螺仪等数据采集器件，需要满足功能效果。

算法方面：

飞控算法：飞控的性能要求，PID 控制、目标跟踪、手势识别等
定位导航：因为飞机不是在单一环境下运行，有可能GPS信号没有/不佳，光线环境不佳等。需要多传感器融合，比如视觉+气压计+超声波+GPS 。
虽然算法产品经理有深度，但需要更高的广度去完成一个产品设计。

数据方面：

各传感器的效果决定了数据的质量。

5、业务

业务理解是产品经理的能力核心，因为产品经理要做的事情就是围绕特定业务形成商业闭环的，不了解业务，就不理解需求，就无法进行有效的产品设计。对于AI产品经理来说，思考的核心可以有两个走向（开源节流），第一个走向是传统问题能否利用AI技术更低成本的解决（节流），第二个走向是是否能利用AI技术创造需求并创造付费模式（开源）。

同时，我认为术业有专攻，优秀的产品一定是在特定垂直领域反复打磨的，因此一个合格的AI产品经理对某个业务领域一定要有深耕的，才会厚积薄发创造出更有沉淀的产品，AI产品经理本质上还是一个产品经理，一定是以业务为导向的。

03 AI产品经理的完整能力矩阵

好了，说了那么多，最终就是要基于传统产品经理与AI时代的能力加成要求形成一套AI产品经理方法论。我以道+术+器+核心价值观来总结，“道“就是通用软技能，“术”就是具体的实现方法，“器”就是高效的实现工具，而核心价值观是作为AI产品经理的自我修养，是内功！

1、道

用户/客户敏感
自我驱动/学习能力
沟通表达能力
市场洞察能力
高效执行能力
创新能力
情绪控制能力
时间管理能力
多观点整合能力
资源协同能力
影响他人能力
团队建设能力
外语能力

2、术

术：产品经理知识地图

产品战略与产品创新阶段

市场分析：PEST分析、APPEALS方法、战略定位分析（SPAN）、麦肯锡市场细分八法；
竞争力分析：波士顿矩阵（BCG矩阵）、GE分析、麦肯锡三层面理论等；
机会判断；竞品分析画布、MRD撰写；
用户研究：A/B test、问卷调研、可用性测试、干系人地图、用户洋葱模型等

产品规划与商业模式阶段

需求分析：马斯诺需求层次理论、3W2H方法、5WHY分析法、PSPS模型等
商业分析：SWOT分析、波特五力分析、精益商业画布、BRD文档；
优先级评估：火车模型、Kano模型、COD评分表方法、四象限方法、MoSCoW方法等；
产品规划：产品架构图、产品路线图、计划扑克工作量评估法、六西格玛、TRIZ、盈利模式设计、MVP定义；

产品设计与用户体验阶段

用户体验设计：期望值管理、峰终效应、消费者行为学、同理心三角理论、用户访谈设计、用户画像设计、场景分析等；
产品设计：业务流程图、功能/页面流程图、数据流程图、资金流程图、用户故事、产品原型、PRD文档、需求宣讲能力等；
项目管理：瀑布模型、门径管理流程、PACE方法、精益产品开发、敏捷开发、产品价值管理；

产品运营与营销阶段

产品运营：AARRR产品运营模型、OGSM工具、运营数据分析、灰度测试、同期群分析、网络推广优化、市场维护等；
产品营销：FABE法则、电梯演讲、产品路演等；

产品生命周期管理

产品方法框架：IPD、门径管理流程、抄超钞等；
产品宏观思维：波士顿矩阵、多产品组合战略等；
团队建设：团队文化定义、组织架构建设等；

AI产品方法

算法
算力
数据
硬件
业务

3、器

通用办公工具：office三件套、Xmin类思维导图等；
产品流程设计：Visio、Processon、亿图等；
产品原型设计：Axure、Sketch、墨刀等；
数据分析工具：SQL、python、powerBI等；
项目管理工具：Teambition、Trello、石墨文档等；
AI工具：Python、Tensorflow；
主要文档：MRD、BRD、PRD；

4、核心价值观

这里我要援引经典的产品设计五要素图来解释AI产品经理的核心价值观。

产品设计五要素

作为AI产品经理要时刻记住自己做产品的初心，也就是最底层的战略层，一方面是这个产品的初衷是什么，想清楚了它才能走的长远，如果只是未来表层和框架的浅显需求而做设计，那这个产品设计是站不住脚的，只有从战略层进行思考，产品整体设计才经得起推敲，那时即使在部分表层有缺陷，也瑕不掩瑜，这就好像哲学终的“本我”。

另外一方面，AI产品经理的自我定位也非常重要，在我的工作经历中，看过很多产品经理，因为主观或客观的产品立场不坚定，有时候把自己做成了商务、解决方案，有时候在一些技术架构方面与研发团队钻牛角尖，但往往丢失了一个产品经理的初心，最终产品走向也不是很理想。作为产品经理，我们需要把握的是整个产品的生命线，而很多细枝末节的事情，有细分领域更专业的人去做。

AI产品经理能力矩阵

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