人工智能产品经理——AI产品经理真的很香！

工作需要，这两天读了一本《人工智能产品经理 - AI 时代 PM 修炼手册》这本书，总体来讲还是有一些收获的，但很多地方需要更多的书籍作为相应知识的补充，很多地方都是相对粗浅的概括。

这两天比较忙，就先把自己记的提纲摘录下来，有空再慢慢完善之后的读书笔记好啦ww

---

人工智能人才

• 可以实现人工智能技术的工程师
• 将人工智能与行业知识结合的人工智能产品经理

第1章：逻辑基础和背景前提

人工智能产品：颠覆性策略

• 互联网：对生产要素和资源配置方式的优化 eg:滴滴
• 人工智能：直接形式的颠覆：自动驾驶

主流研究方向

• 计算机视觉
• 自然语言理解
• 认知与推理

理论基础是概率论 - 判断与预判 本质是实现概率和成本之间的平衡

主流研究类别

• 个性化精准服务 eg: 金融产品个性化推荐
• 简单或重复劳动 eg: 自动驾驶
• 提升效率和准确率 eg: 反金融欺诈
• 提升用户体验 eg: 智能语音
• 自主创作 eg: 绘画，剧本，诗歌

三要素：算法，计算能力，数据 必要条件：核心技术，产品化，商业化

主要思维

• 资源管理思维
• 目标导向思维
• 解决方案思维

第2章：行业知识，方法论

人工智能公司分类

• 行业+人工智能公司：梅赛德斯奔驰
  • 核心要求：行业趋势的洞察力
• 应用人工智能公司：基础能力
  • 商务技能 & 项目管理能力
  • CAC customer acquisition cost 用户获取成本
  • LTV Live Time Value 用户终身价值
  • PBP Payback Period 回收周期
• 平台类人工智能公司
  • 对底层技术的理解

行业分析维度

• 行业特点：历史背景，增长能力
• 行业运行趋势
• 竞争力因素分析：价格，品质，质量，分销能力，上游资源，成本，产品差异，技术壁垒，管理水平，地理位置
• 行业整合：行业集中度，外资进入，收购兼并
• 政府管制：准入门槛
• 商业模式

切入行业

• 确定价值场景
• 收集场景基本信息：人物，时间，地点，做什么事，达到什么目的，之前的做事方式和解决方案，客户期望的方式和解决方案
• 场景有关的干系人和干系场景：上下游企业在场景中的角色
  • 定义干系人
  • 判断干系人的重要性
  • 判断干系人的利益
  • 描述干系人的利益
  • 描述干系人对产品的期望/要求
  • 干系人的痛点和快点分析

第3章：基础技能

优化信息存储和互通的方式

AI对需求的重塑

• 降低用户的使用门槛，减少用户的交互流程，降低使用难度，让产品使用接近用户的自然行为
• 从用户角度考虑投入产出比
• 算法的可解释性差
• 传感器技术进步
• 产出需求的真正多样
• 应当充分了解当前技术局限

功能性需求

• 宏观：符合公司整体战略
• 微观：尽可能明确业务背景与业务目标，将目标量化

非功能性需求

• 建议架构师尽早参与到需求分析中，尽早考虑非功能需求
• 安全性
  • 可得性：权限控制
  • 私密性：数据隐私
• 可用性
  • 用户是否用产品完成任务，效率如何，感受如何
  • 与 UI/UX 直接相关
  • 易用性
  • 一致性：设计目标一致性，外观元素一致性，交互行为一致性
  • 观感需求
• 可靠性
  • 条件：系统的状态和输入条件
  • 时间：软件的具体运行时间段
  • 功能：提供服务是产品的功能
  • 出错频率
  • 自我恢复速度
• 性能
  • 响应时间：2/5/10 原则
  • 吞吐量：系统在单位时间内处理请求的数量
  • 并发用户数
  • 资源利用率
• 可支持性
  • 可扩展性
  • 可维护性
  • 可安装性

量化需求分析

• 明确产品的业务需求：业务机会，业务目标，成功标准，产品愿景
  • 自动驾驶的SAE分级
  • 不智能 -> 驾驶辅助 -> 半智能 -> 条件智能 -> 高度智能 -> 完全智能
• 明确产品的需求场景
• 定义场景中的可量化标准
  • 内部因素：已有的数据集
  • 外部因素：医生的技术水平
  • 同行业表现
  • 输出对模型预测的精度期望
• 根据具体的场景定义算法的指标

思考 ROI

第4章：人工智能产品的原理和组成部分

产品实现逻辑

感知 -> 认知 -> 识别 -> 理解 -> 决策

• 基础设施提供者
  • 传感器
    • 生物传感器，光敏传感器，声音传感器，化学传感器
    • 应用：可穿戴应用，高级辅助驾驶系统，健康监测，工业控制
  • 芯片
    • 模型训练，云端推断，设备端推断
    • 通用芯片，半定制化芯片FPGA，定制化芯片ASIC
  • 大数据技术：从海量数据中挖掘价值
  • 云计算技术：按使用量付费，提供可用的，便捷的网络访问和计算资源共享池
• 数据提供者
  • 数据的质：Relevncy Recency Reliability Range
• 数据处理者
  • 识别
  • 理解与推理
  • 决策
• 系统协调者
  • 项目 -> 产品化 -> 服务化 -> 平台化

第5章：机器学习工程实践对人工智能产品经理的需求

机器学习流程

• 原始数据采集
• 数据预处理
• 模型训练
• 模型评估
• 调参（超参数和参数）

机器学习分类

• 监督学习，无监督学习，半监督学习，强化学习
  • 监督学习：人工神经网络类，贝叶斯类，决策树类，线性分类器
  • 无监督学习：人工神经网络类，关联规则学习类，分层聚类，聚类分析，异常检测类
  • 半监督学习：生成模型，低密度分类，基于图形的方法，联合训练
  • 强化学习：Q学习，状态-行动-奖励-状态-行动 SARSA，DQN，策略梯度，基于模型强化学习，时序差分学习
  • 深度学习：深度信念学习，深度卷积神经网络，深度递归神经网络，分层时间记忆，生成对抗网络
  • 迁移学习:归纳式，直推式，无监督式，传递式
• 二分类算法，多分类算法，回归算法，聚类算法，异常检测

第6章：人工智能产品经理的工作流程

• 设定产品目标
  • 用户/客户痛点分析：场景描述
    • 说明用户/客户具体的业务或需求场景
    • 如果产品/功能投入使用，用户/客户将在该场景中的哪些流程环节中使用他们
    • 在产品没有问世前，用户/客户都是用什么样的替代方案
    • 替代方案在多大程度上满足了用户/客户的需求
  • 用户/客户痛点分析：痛点来源
    • 用户/客户的痛点来源是自身还是外界的压力，为什么存在这种压力，痛苦链条是什么
    • 用户/客户的痛点是否来自于人性
  • 用户/客户痛点分析：痛点全方位剖析
    • 痛点涉及的面有多广，是普遍问题还是个别问题
    • 痛点是否符合政策导向或是否合规
    • 用户/客户愿意为此痛点买单吗？他们愿意付出怎样的代价来解决这个问题
    • 感觉到痛的人是否有采购选择权
  • 市场分析
    • 产品/功能在市场上的主要竞争对手都有谁？各自的竞争优势是什么？市场占有率如何
    • 是否已经有占有率比较高或者比较被认可的产品，其有怎样的优势
    • 相比于竞争对手，我们的优势是什么，用户选择我们的理由是什么
• 进行技术预研
  • 人脸图像采集
  • 人脸检测
  • 数据预处理
  • 人脸图像特征提取
  • 人脸匹配与识别
• 需求分析与产品设计
  • 常见失败原因
    • 技术驱动产品设计——应当从需求出发
    • 忽略用户期望管理——用户期望过高而产品华而不实
    • 单点突破带来的价值有限，与产品价格或用户付出的代价不成正比
    • 追求底层技术而忽视用户体验
  • 常见设计原则
    • less is more
    • 微观到宏观——先做个性化信息流，在做商品推荐
    • 整合资源
    • 同理心：认知，情感，身体感受
  • 定制产品需求优先级
    • 价值-复杂度矩ac阵
    • 卡诺模型：用户愉悦度 vs 功能完善度
    • 相似组分类法
    • 加权得分法
• 参与研发流程
  • 提供优质数据
  • 训练模型
  • 测试调优
  • 目标管理
• 持续产品运营

第7章：端到端产品管理方法论

注重跨部门沟通

-END-

👉AGI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉AGI大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉AGI大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓