闲聊人工智能产品经理(AIPM)—人工智能产品经理工作流程

人工智能产品经理的工作流程

产品管理一般需要固定的工作流程,我们从设定产品目标进行技术预研需求分析产品设计参与研发流程产品运营六个环节来展开。

1、设定清晰的产品目标

设定设计目标是任何新功能/产品的第一步,是团队统一目标的重要前提。清晰合理的目标是产品经理争取资源投入的重要前提。产品目标设定过程中需要充分考虑前提条件和准备工作,通过严谨的分析得出合理的产品目标。

目标定义阶段的检查清单(需要产品经理不断的完善和积累)
    1)用户/客户痛点分析 ---- 场景描述
        (1)说明用户/客户具体业务或需求场景?
        (2)如果产品或功能投入使用,用户在场景中的哪个流程环节中使用?
        (3)没有该产品或功能的时候,用户或客户都使用什么样的替代方案?
        (4)替代方案在多大程度上满足了用户/客户的需求?
    2)用户/客户痛点分析 ---- 痛点来源
        (1)用户的痛点来自自身还是外界?
        (2)痛点是否来自任性?(贪、嗔、痴)
    3)用户/客户痛点分析 ---- 痛点剖析
        (1)痛点是个体合适普遍?
        (2)痛点的需求是否符合政策导向,是否合规?
        (3)痛点的需求是否高频应用?
        (4)用户是否愿意为痛点买单?愿意付出多大代价?
        (5)感受到痛点的用户是不是具有采购决策权?
    4)市场分析
        (1)产品在市场上都有哪些竞争对手?各自优劣势?市场占有率?
        (2)是否有类似产品市场占有率较高?它有什么优势?
        (3)我们有什么优势?用户为什么要选择我们?

产品经理需要的是对产品进行最简单的概括来对调研和分析作总结,将产品目标清晰的表达出来,以便内部评审和达成共识。举个例子:“该产品面向XXX客户,解决客户在XXX场景下的XXX问题,给客户带来XXX收益、改进”。

2、技术预研

当产品目标从宏观到微观都有明确的定义后,产品经理就可以开始:技术预研。人工智能产品经理要理解技术的实现过程,这就要求产品经理在关注用户体验的同时要关注这些体验的实现方式和过程。如果不懂技术原理,产品经理可能无法提出创造性和颠覆性产品创意,同时产品经理需要给研发团队提供研发阶段的帮助也需要懂技术。

2.1、领域技术基本现状和趋势

用人脸识别来举例。
计算机视觉的整体发展趋势:
    (1)从“让机器看”到“让机器看懂、理解、执行”
    (2)从看图片到看视频
    (3)从分类到识别,再到理解
最终就是 图像分割 ----> 特征提取 ----> 行为识别 的整个过程。
常见的人脸识别应用:人脸图像预处理、人脸图像检测、人脸图像采集、人脸特征提取、人脸特征识别、表情识别、3D人脸重建、人脸变形。

一般的人脸识别主要有五部分:
    (1)图像采集:使用被检测物体的重要特征显现,同时过滤掉不重要特征
    (2)人脸检测
    (3)人脸图像预处理
    (4)人脸图像特征提取
    (5)人脸匹配与识别

2.2、领域前沿技术

在深度学习、传感器技术、芯片的发展的当下,深度摄像头(3D传感器)成为近来机器视觉方面的投资和创业热点。通过深度相机就可以构建人脸的三位信息,在人体跟踪,人机交互,AR等领域运用广泛。
目前,比较成熟的深度方案有:
    1)结构光:通过发射特定图形的散斑或者点阵激光红外图案,摄像头捕捉反射回来的图案,比较散斑和原始的大小测算物体和摄像头之间的距离。多用于近距离场景。
    2)双目视觉:通过两个摄像头的视差来获得深度信息,运算量大、实时性差。适用于手势识别。
    3)飞行时间法3D成像:通过红外光反射回来的时间差或相位差来获得深度信息。

2.3、常见技术逻辑

以人脸识别在安防中的逻辑为例。
1)人脸图像采集
    1、图像体积
    2、图像分辨率
    3、图像外部采集环境
2)人脸检测
    人脸检测的目的是从图像中确定人脸的位置和大小。常见的算法有:Viola-Jones、Haar+AdaBoost、CascadeCNN等,产品经理需要有一套量化标准。
    检测率:存在人脸且被检测出的图像在所有人脸图像中的比例。
    漏检率:存在人脸且没有被检测出来的图像在所有存在人脸的图像中的比例。
    误检率:不存在人脸但是检测存在人脸的图像在所有不存在人脸图像中的比例。

产品经理需要了解行业内对产品质量的衡量标准,在产品需求阶段衡量产品需求描述,量化产品目标。项目验收中用数据量化产品质量。
3)图像预处理
    图像预处理的目的是提高图片质量,去噪,使得图像特征表现出来。主要技术手段有:人脸图像的几何校正,光照补偿、尺寸归一化、灰度变换、去噪、边界增强、提高对比度、直方图均衡化、中值滤波以及锐化。产品经理需要了解行业中特有的数据治理技术,包括不同类型数据的治理周期、需要投入的成本、数据治理过程中的阻碍等。
4)人脸图像特征提取
    特征提取的目的是针对数据的原始特征的缺陷,降低特征维度,提高分类器的设计和性能。人工智能产品经理需要理解不同框架的逻辑以及区别,对前沿技术保持敏感度,不断优化功能和产品体验。
5)人脸匹配与识别
    对提取的人脸数据与数据库中的特征模板进行匹配,设定一个阈值,超过该阈值即可判定为某一个人。
        1、人脸识别:计算两张脸的相似度。主要有身份验证等。
        2、人脸检索:给定一张脸,找出同一张脸的图片。活体检测检索,通过眨眼等动作。主要用于签到考勤、门禁闸机、安防监控。

2.4、判断技术切入点

在充足的产品预研后,接下来是选择合理的技术方向。目前主要有软件为切入点和自研“软件+硬件”切入点。

2.5、总结

产品经理的技术预研和研发人员不同,重点关注技术的趋势、领先性、主流算法框架的优劣,横向对比竞争对手之间的技术实现手段和重点商品的参数,从中提炼自身产品的优势。
产品经理需要将产品的技术底层实现的方式,作为量化产品需求的依据和前提。

3、需求分析和产品设计

3.1、造成人工智能产品设计失败的常见原因

1)技术驱动产品设计。产品应该从需求出发而非从技术出发。
2)忽略用户期望管理,华而不实的产品使用户失望。
3)单点突破带来的价值有限,产品价格与用户付出代价不成正比。
4)一味追求技术,忽略用户体验。

3.2、人工智能产品的设计原则

1)“少即是多”原则:个性化精准服务、提升效率和准确率、提升用户体验,在底层复杂的基础上需要产品经理在设计产品的时候尽量简化产品的功能模块、交互流程、界面元素、配色字体等。
2)从微观到宏观逐步深入:产品应该逐步满足用户需求,当某一部分功能用户认可后再进行其他功能。
3)放宽眼界,有效整合资源:产品经理不仅要找到算法和用户需求的交叉点,还需要跨行业技术融合能力、交叉文化理解和创新能力。
4)同理心:正确了解他人的感受和情绪,与用户产生共鸣。

3.3、合理制定产品需求优先级

每个产品的输出都有一个优先级,尤其是功能较多的迭代,产品经理需要明确每一个需求的优先级并解释其合理性。
优先级排序法:
    1、价值vs负责度矩阵
        根据需求的价值和研发/部署的复杂程度对每个需求进行评估,把结果放在二维矩阵中,价值大且研发复杂度低的需求优先级高;价值大,研发复杂度高的第二位,以此类推。
     2、卡诺模型
        在不同阶段按照产品目标倒推优先级。
        (1)基础功能:继续投入研发不会明显提高竞争性,优先级低。
        (2)性能功能:提升和优化产品性能而需要开发的产品需求。一定程度上投入研发能提升用户满意度。
        (3)尖叫功能:给用户创作兴奋和喜悦的功能。
    3、相似组分类法
        是一种让团队成员把能想出来的需求写在卡片上,把每个卡片按照内容分组,打分,选出最高得分的组和其中的最高分卡片。
    4、加权得分法
        对不同需求进行多维度打分,横向对比综合加权得分并将得分最高作为第一优先级。

4、充分参与研发过程

参与研发,产品经理基于对需求和业务的理解,配合研发人员进行数据的准备、模型训练、测试调优以及在研发过程中进行目标调整和优化。主要目的:
    1)帮助研发工程师快速实现产品目标。准确传达产品需求,缩短研发工程师找到最佳技术方案的时间;设定明确的产品目标,帮助研发经理制定研发计划;通过与公司内外数据拥有者合作,为研发提供好的数据;制定明确的产品测试标准,对测试结果评估并反馈。
    2)用非技术语言将技术原理与领导和客户沟通。

5、持续的产品运营

上线、包装、宣传,产品经理尽量评估产品的商业化和产品化效果,动态调整算法模型的研发投入量。

展开阅读全文

没有更多推荐了,返回首页