一直以来,有很多人问我如何接入大模型,如何跟自己的产品场景结合。从这些问题中,我总结了一个共性,就是AI时代工作范式还不清楚。今天我用几个关键词来简述工作范式的转变:智能化误区、产品经理的新角色、评测集的重要性、模型的持续优化。
1. 智能化误区
很多人在初接触AI时,存在一种误解,认为只需输入数据,AI就能自动生成理想结果。事实上,AI的表现高度依赖输入数据的质量和设计的合理性。要避免这种误区,必须认识到AI不是万能的,它需要你的引导和设计。
几个月前,有个朋友想接入大模型,他想把大模型与对话式广告结合。他觉得只要设计出来一个界面,对话窗口接入大模型,这个产品就做完了,完全没有提解决用户什么问题、产品提供什么服务、大模型从中要解决什么问题,更不知道的是大模型的prompt谁来写,还要约束大模型的产出结果。这些问题的爆出,让我深刻感觉产品经理工作范式变了。
配图:chatgpt生成
2. 产品经理的新角色
在传统产品设计中,产品市场契合度(Product-Market Fit,PMF)是评估产品成功的重要指标。产品经理提产品需求时一般通过画原型图和编写需求文档定义产品功能。而在AI时代,技术产品契合度(Technology-Product Fit,PMF)可能是评估产品成功的重要指标。AI时代,产品经理需要在大模型的优势与局限性和产品之间找到平衡,确保产品既能规避大模型的局限性发挥它的优势,又能满足市场需求。 所以需要产品经理提产品需求时,进一步定义用户的输入和期望的输出效果。这样就不仅要了解用户需求,还要预见用户行为模式,将其转化为AI模型的输入输出要求,给大模型输出效果定一个OKR。
如:AI搜索与传统搜索最大的区别就是内容的呈现形式,AI搜索的背后逻辑是根据用户的query自动拆分多个意图相关的query,自动去检索,搜索出几百条结果后,给到大模型自动阅读,大模型会摘选相关性好的几个结果总结一篇答案回答用户的query。AI搜索的结果形式有总分总、总分等多种形态。这些都是产品经理定义出来的。
产品经理在定义模型的输入和输出时,在产品真正上线之前需要检查一下大模型的输出是不是都符合预期,这时候就需要产品经理人手一个评测集去测大模型的输出效果。
3. 评测集的重要性
在AI产品设计中,评测集的创建至关重要。评测集用于验证AI模型输出是否符合预期,确保模型输出能够满足产品、用户需求。 这个过程类似于传统产品的用户测试,但需要更全面的用户问题分布和标准的答案。
比如你要开发智能客服系统时,你的评测集就需要包含80%的用户会提哪些问题,这些问题的答案是什么,余下的20%的问题是什么,答案又是什么。这些答案都是标准答案,在检查大模型的效果时,就把同样一份用户问题清单给到模型,让模型输出答案,再与你设计的标准答案对比,看看有多少符合预期,符合预期的越多,模型回答质量就越高。
4. 模型的持续优化
AI模型的表现不仅依赖于初始训练数据,还需要通过持续的调整和优化来提升。当产品在实际应用大模型过程中,如果通过prompt engineering也无法提升模型效果时,则需要根据自己的业务场景提出模型微调方案,给算法同学一批你产品的微调数据集去训练模型效果。这样大模型的能力与业务场景在相互成就过程中互相都有大的提升。
总结
AI时代的到来,使得工作范式发生了深刻的变化。产品经理的角色不仅限于定义产品功能和用户体验,还需要定义大模型的输入和输出,在优化模型内容体验过程中,深度了解AI模型的优势和局限性,结合业务场景给大模型提出优化需求。所以产品经理未来不仅要有产品需求、原型,还要有一本自己产品的评测数据集。
加油!在这个充满机遇的时代,相信你也能通过不断学习和适应新的工作范式,取得更加辉煌的成
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
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,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。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。