目录
一、业务背景
背景：排球日常训练活动、排球中考项目和排球体测项目耗费了大量人力成本和时间成本。
目标：开发一套用于实时检测排球运动并进行排球垫球计数和姿势分析的软件。
二、产品工作流程
我们这里只对产品工作流程的关键部分进行讲解。模型构建过程、常见算法、模型验收指标等部分我们在后面章节还会讲解到。
1.需求定义
明确下面几个问题：
①做什么?
②为什么要做，有什么收益和价值？
③业务预期目标、上线期限？
代入上述产品的背景
①做什么?——开发一套用于实时检测排球运动并进行排球垫球计数和姿势分析的软件。
②为什么要做——减少时间和人力成本，提高数据统计的准确度。
③业务预期目标：预期目标提高数据统计准确度，减少50%的人力成本，覆盖40%的排球教育和考核场景。
2.技术预研
在业务确定之后我们需要请算法同学进行预判，判断目前积累的数据和沉淀的算法是否可以达到业务需求。
经过算法预研之后，我们决定将以前平台使用的实时目标检测算法YOLOv6，修改为YOLOv8算法。主要原因为YOLOv8的精度高于YOLOv6，且YOLOv8是一种通用性更高的目标检测系统，适合更广泛的用例。
因为我们以前的数据没有达到模型构建的需求，所以我需要根据业务实现的目标对数据进行准备，包括不同背景下的排球，不同光照条件下的排球，不同颜色的排球……
就算以前的数据达到了算法的要求，我们还是需要协助算法同学进行数据准备，因为垂直业务线的产品经理更加了解本领域的数据。
此外，根据和算法同学的沟通，我们可能需要对需求进行调整，因为毕竟有些技术问题是当前公司的资源或当前因为技术限制无法实现。
3.数据准备
对于算法同学而言，他只能根据现有的数据分析哪些特征对于模型有用，但是，我们作为产品经理我们就能够分析哪些数据更具有代表性，帮助算法同学提供一些你认为可能对模型有提升的特征。
比如说：我们发现在进行排球检测的过程中，不同分辨率的视频会对排球检测造成影响，那么我们在准备数据的时候就要添加一些分辨率较低和分辨率较高的不同分辨率的图像。
数据可以分为三类：内部业务数据、跨部门集团内数据以及外部采购数据的数据。
内部业务数据：如果以前业务有相关数据，那么我们可以从以前业务保留的数据中选取使用；如果当前没有相关数据，而我们有相关业务可以获得数据，我们通过增加埋点的方式将数据留存。
跨部门数据：其他部门数据或统一的中台数据，这些数据需要我们根据公司的数据管理规范流程提取，在数据提取的时候注意筛选有效数据。
外采数据：根据我们的需求向外部公司购买数据。我们需要了解市场上不同公司都可以提供什么数据，比如：极光、友盟提供的是开发者服务，所以他们可以提供一些和App相关的用户画像，比如运营商可以提供上网流量、话费等相关数据。
进行外采数据需要注意两点：外采公司的资质审核、采集数据的合法性（需要考虑数据安全和消费者隐私保护）。
4.模型构建、宣讲和验收
模型构建过程包括：模型设计、特征工程、模型训练、模型验证、模型融合。
尽管产品经理不参与模型构建过程，但是需要了解上线游和各节点产物，便于调度资源和推进项目进度。
在模型构建结束之后，你需要组织算法同学进行模型宣讲，让他讲明白为什么选择这个算法，使用了哪些特征，模型的训练样本、测试样本都是什么？测试结果都是怎么样的。
我们组织宣讲的目的是为了进一步确认模型特征是否选取完善和合适，训练结果是否达到预期结果，对于算法的结果进行评估。
宣讲结束之后，我们需要对模型进行评估验收，从产品的角度来评判模型是否符合上线要求。具体的评估指标以后会讲到。
5.工程开发及产品上线运营
在模型验收之后我们就可以进入工程开发环境了，其实在实际工作中，工程开发工作和算法模型构建工作同步进行。因为毕竟是两个团队的人员，只需要约定好模型的输入输出，确定好业务需求和预期指标，双方同学就可以进行工作了。
工程开发结束之后。就可以进行工程测试验收了，验收测试同学进行测试，最后再有产品进行验收。然后进行工程上线，我们需要在上线后的系统做AB测试对比传统方案，从而量化AI产品的效果，这时主要关注我们的预期指标是否达到满足，作为AI产品经理我们还需关注模型上线后的稳定程度，因为模型的效果表现会随着时间而缓慢衰减（脏数据影响），所以我们需要判断是否需要迭代。
参考文献：
刘海丰——《成为AI产品经理》
618
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
