一位美国的PM分享：AI产品经理的10大技能

从传统角度来看，一款成功的产品需要拥有稳定的功能，至少要满足甚至超出用户的期望，并且能够为业务的增长作出重大贡献。产品经理的主要职责包括设定和管理用户期望，定期收集可量化的反馈信息，严格地与工程师进行沟通，并确保产品能够应对业务和市场的不断变化。

AI 产品相比传统产品来说则有很大的不同。

比如，在我担任产品经理的时候，交付让客户感到满意的“确定性”产品是衡量成功的标准。只要标准一样，那么硬件产品的产出结果也几乎一样。同样的，相同的用户预期使得软件产品形态也不会有太大差异。

但是 ，一个人工智能（AI）驱动的产品可能并不总是具有确定的产品形态，实际的结果可能与直觉有所差异， 个性化的推荐系统能够学习不同偏好，因此可能产生不同的结果。

对于产品经理来说，如果想要交付一款成功的 AI 产品，除了履行常规的产品经理职责之外，还需要具备新的思维方式并增强一些其他技能。

下面，我将围绕产品构思、原型设计以及早期发布来介绍一些新的思维方式。

1.密切跟踪 AI 技术动态

麦肯锡全球研究院（MGI）对160多个行业的人工智能使用案例进行了调研，调研发现只有12％的案例突破了实验阶段，并且这些案例局限在技术部门之外。MGI 报告中提到的最佳案例是一家采用敏捷、测试和学习方法的公司。它建立一个跨职能的人工智能任务组，该任务组在几周内完成原型构建以及业务单元测试，然后进行下一次迭代。对 AI 应用具有敏锐洞察力并且能够把握行业趋势的产品经理才能在 AI 领域里脱颖而出。我个人觉得 MGI、Gartner 的 AI 市场报告以及 CB 人工智能研究栏目内容都非常有见地，我密切关注着它们的 Twitter 来了解 AI 动态。

【一一AGI大模型学习 所有资源获取处一一】

①人工智能/大模型学习路线

②AI产品经理入门指南

③大模型方向必读书籍PDF版

④超详细海量大模型实战项目

⑤LLM大模型系统学习教程

⑥640套-AI大模型报告合集

⑦从0-1入门大模型教程视频

⑧AGI大模型技术公开课名额

2. 把握深度学习的研发趋势

AI 产品经理的核心竞争力并不在于精通多少高深的算法，他们的主要职责是尽快将这些算法转变为产品和服务并推向市场。即便如此，我们仍然需要密切关注算法的最新研究进展。

AI 领域大多数有影响力的人物（比如谷歌的 Peter Norvig，Facebook AI 研究的 Yann LeCun 以及微软的 Eric Horvitz）似乎都乐于享他们研究 AI 算法和体系结构上的突破，你可以在公司网站上找到他们的论文和方法。

除了这些大公司之外，如果想要关注其他公司的深度学习社区动态，我推荐 Andrej Karpathy 网站，这上面总结了在 Arxiv 上发布的最新机器学习和 AI 研究。

3. 聚焦 AI 实际案例

AI 目前被炒得很热，有人声称它是一种新兴的高级技术，威胁着多个传统领域，也有人说相同概念已经存在多年，AI 不过是新瓶装旧酒。Peter Norvig 近期在接受采访时指出，大众媒体的记者在很多情况下扭曲了AI 的影响力，有的甚至对其疯狂炒作，并向读者营造出一种错失恐惧症的感觉。

AI 产品经理应当具备批判性的思维，以便将炒作信息与真实情况区别开来，并且深入了解 AI 的实际应用案例。产品经理应当了解 AI领域的相关技术，尽管这些技术相对于那些仍处于研究阶段的产品而言更具商品化，但它们仍然有益于产品路线图的规划。此外，对于投资回报率更高的 AI 案例，以及上市时间更短的 AI 案例，产品经理应该能够明确区分。

4. 关注以客户为中心的数据

产品经理应当具有“用户至上”的基本意识，但是在把一个想法成功转变成产品的过程中，对于 AI 产品经理来说还需要额外的数据读写能力。想要做到用户至上，AI 产品经理除了突出产品功能和优势之外，还需要理解客户工作的意义、目的以及他们选择背后的动机。

数据至上包含两个方面：

（1）能够量化客户所关心的问题，做一个数字化的支持者；

（2）能够建立用于构建高质量 AI 模型的综合数据集。

此外，还需要获取准确反映用户工作、行为、交互模式和痛点的数据。数据形式可以是像素、字符、数字或者比特。

如果能够对数据提取、数据处理以及数据可视化有基本的了解，则有助于创建更具客户价值的 AI 解决方案。

5. 善用简单模型快速构建产品

并非所有成功的 AI、ML（机器学习）产品都采用了复杂的模型，实际上，沉迷于复杂 AI 模型的行为并不受推崇。这是因为底层模型的准确性并不能保证良好的用户体验。

一些简单的模型也能够提供足够的准确性，增加模型的复杂性遵循二八定律，只会导致边际改进。但是，在某些情况下，准确性至关重要，模型需要多次迭代。

如前所述，有必要用最简单的 AI 模型构建出小型管道，从而创建用户体验并收集反馈。Jussi Pasanen 的最小可行产品（MVP）金字塔模型可以根据 AI 产品进行调整，如下所示：

6. 不断迭代 AI 用例

对于那些提供速验证学习循环从而快速迭代 AI 模型的方法，AI 产品经理都需要熟悉。相比“构建-测量-学习”的方法论来说，基于“假设-设计-测试-学习”的精益产品方法论更适合 AI 领域，AI 产品经理应当能够通过简单用例构思业务核心。建立在小型数据集上的用例应当能够运行敏捷实验。

这些实验应该被映射到机器学习的基本能力总，比如分类（二元或多分类）、聚类、回归以及深度学习的通用逼近能力。

将模型映射到业务之后，模型就可以从最简单的开始迭代了。

用例的终极目标应该是极力为最终用户创造重要价值，同时提高收益（EBIT），并且应该与一小部分与客户息息相关的度量标准绑定。同时为多个目标优化端到端的 AI 模型可能颇具挑战，并且会使得系统难以调试。因此在实际实施过程中，可以建立一个 AI 模型管道，每个模型都针对特定的度量进行优化。这样一来系统便可以更好地解释并且易于维护。

比如，假设要构建一个文本简化应用程序，我们可以将数据处理系统分为三个 AI 模型：一个主题分类器、一个句子简化器和一个一致性检查器，每个 AI 模型都针对一个独特的度量进行优化。

7. 构建广度优先而非深度优先的 AI 模型

AI 产品经理应当熟悉 AI 端到端产品的工具和技术。这样一来，他们才有能力影响：

• 人工智能工程师和数据科学家在他们的模型中能够正确利用复杂性，同时确保自己拥有增加复杂性的能力。

• 数据工程师需要构建健壮的系统并对其进行适当的扩展。

• 整个团队能够适当利用云计算服务和虚拟化架构。

这需要对 API 生态系统有着高度的认识，这些 API 帮助服务于最终用户，它包括数据摄入工具（比如 Kafka）、数据处理系统（比如 Spark）以及 处理大数据的 NoSQL DBMS（比如 Cassandra）。此外还需要了解 AWS 和 GCP 的商业选择，同时能够对其正确权衡。最后，了解构建各种组件和使用商业替代方案的成本结构也很重要。

要尽量避免重新发明商业化 AI 技术，最好利用 AWS、GCP、IBM 和 Azure 等流行云提供商提供的现成服务。

8. 优雅地处理产品故障

大公司有很多优雅的方式来处理低效或者出故障的 AI 产品。一种简单的方法是为用户提供一种立即重新标记数据以进一步改进模型的方法。

举例来说，iPhone 的语音邮件转录服务对其低信度是透明的，并为用户提供了一个选项来帮助苹果通过提交语音记录来改进转录。

在我的文本简化产品中，我考虑过补充一个连贯性检查器，用来确定以前模型中简化句子的连贯性或者语法。如果低于阈值，则系统可以对其置信度变得透明，并给出用户对结果提供反馈的选项，或者使用与输出相同的输入句子。

9. 保证 AI 模型的可解释性

使用深度学习构建的 AI 模型是一个黑盒子，在涉及法律、医学和安全等关键应用中，产出需要对合规目的作出明确解释。本文总结了两种解释深度学习模型预测的方法，一种是计算预测对输入变化敏感性的方法，另一种是根据输入变量有意义地分解决策的方法。产品经理应该利用基于这些方法的工具，并确保模型没有偏见。SAP 设计中心为消除偏见提出了一些建议。

10. 能够与研发团队进行技术层面的沟通

还有一点也很重要，AI 产品经理需要了解 AI 研究人员、数据工程师和数据科学家的语言。只有这样 AI 产品经理才能提供重要的反馈，来帮助 AI 工程师根据用户体验调整模型。

数据科学需求层级金字塔（源于 Insight 的顾问 Monica Rogati ）很好地呈现了 AI 产品技术堆栈。

此外，AI 工程师和数据科学家通常具有很高的学位（几乎都是博士）以及强大的学术背景，并从新颖的学术项目中获得巨大的智力满足感。产品经理需要调整他们的倾向，以制造出适合市场和用户的实用产品。

除了强烈的产品意识之外，你需要对各种机器学习算法和 AI 模型及其上下文具有高层次的理解，才可以成功管理 AI 工程师团队并推出 AI 产品。

最后：

人工智能目前成果显著，在未来必将前途无限。当前已有代表性的产品，它们能够让顾客满意，并且明显提升了现有业务。AI 产品经理是产业发展的催化剂，他们需要不断掌握新的的思维和技能，才能促使 AI 产业的腾飞。

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🆓

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。

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

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 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】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓