AI 行业上升期有不少的新公司、新产品出现,对人才的需求量也在增加,想要转行 AI 产品经理的人数也不少。
我从 B 端转到 AI 行业有小半年时间了,每天工作巨饱和,一直处在学习新知识的状态,不断打破过往经验,经常觉得自己变得一文不值,又庆幸能够重启对工作的好奇,仿佛回到了刚毕业工作。
今天我就从我的视角,来分析下 AI 产品经理到底是什么?希望对想要转行的朋友有所帮助
先来对 Boss 上的 JD 做一个统计分析
我从 Boss 上搜了 100 个 AI 产品经理的 JD
然后发送给 AI,让其总结这些公司要求的 AI 技能主要有哪些,按重要程度进行排序:
- 对AI产品有热情和追求,能够独立思考问题的本质。
- 熟悉产品的规划、设计,洞察用户需求、协同设计、研发、测试等资源确保产品的交付上线。
- 了解人工智能技术和应用,有相关产品规划和研发经验。
- 对机器学习、深度学习、计算机视觉、自然语言处理、知识图谱等原理和应用场景有认识。
- 了解AI技术能力和基本原理,推动AI技术在公司产品应用与落地。
- 有 AI 相关项目的落地经验
以上 6 条要求占所有要求的比例是多少呢?通过 AI 的分析,得出答案是 22%。可见 AI 技能并不是 AI 产品经理的核心要求****。
最后,我让 AI 总结了,所有要求中,重复最多的几项是什么?即对人最核心的要求:
- 市场和用户需求分析能力
- 产品设计和管理经验
- 跨部门沟通和协调能力
- Al技术和应用知识
- 数据驱动决策能力
- 创新和问题解决能力
- 商业敏感性和战略思维
所以,别看标着 AI 产品经理,对应聘者的要求最重要的还是产品经理那一套东西
很容易得出结论:
AI 产经理的普遍要求:扎实的产品基本功 + 产品经验积累 + 对 AI 行业/技术有认识
很多转行的首先选择的应该是好好优化自己的简历,过往经验,再去实践 AI 项目,把实践经验写到简历。
而不是上来就买一堆 AI 相关的书籍,以为读完理解了就能入门,就能面试通过。
想要补充 AI 行业的知识,可以按照以下:
1、从算力层、模型层、数据层、应用层去了解整个产业链的技术分布、公司分布、资金流运作。
2、去参与 AI 项目,从应用层切入,参与到公司或比赛中。
3、关注 AI 资讯,AI 行业日新月异,带着好奇心投入进去
4、使用 AI 产品,用起来还要分析思考,以便面试之需
每一个行业都有自己的产业链,上下游企业服务不同的群体,彼此互利共赢,在 AI 这个行业,从下至上可以简单的分为算力层、数据层、模型层、应用层。
不同层级的公司之间通过核心技术的合作和服务,形成了一个完整的价值链
它们所售卖的产品服务不一样,业务也不一样,对应的产品经理的业务职责也不一样。
英伟达作为算力层的老大,市值已经超过 3 万亿,他们所开发的CUDA平台,允许开发者利用GPU的并行计算能力进行复杂计算。为数据层和模型层公司提供高性能计算硬件和软件支持,使得数据处理和模型训练更高效。
英伟达是AI行业的基础设施提供者,为数据层和模型层提供计算力支持,是整个价值链的起点,也因此能更直观的获得资本的青睐。
数据层公司(如亚马逊AWS、Google Cloud、微软Azure),这里的公司负责收集、存储和处理大量的数据。像亚马逊AWS、Google Cloud和微软Azure这样的公司利用分布式文件系统和云存储技术管理海量数据。同时依赖英伟达的算力支持进行数据处理
OpenAI、谷歌和Meta(Facebook)在这个层次开发AI算法和模型。他们掌握大量资金用于算力支撑和核心技术如深度学习、RLHF、迁移学习,他们的工作是将数据层提供的数据转化为可以实际应用的AI技术。这些模型被应用层公司用来开发各种AI驱动的产品和服务。
苹果就是应用层的典型代表。在 6 月份的 WWDC 中,ios 18 融入大量 AI 能力,背后的模型就是由 OpenAI 提供,他们将AI技术整合到产品中,比如智能手机和智能助手,为终端用户提供服务。
当然在每个链路都有上百成千个企业参与其中,这只是一个典型的例子,帮助我们理解这个行业的运作。把以上公司换成国内的大厂也是一样的。
算力层提供GPU,数据层公司提供数据,模型层公司开发算法,应用层公司将这些技术转化为产品和服务,最终服务于用户。通过这种合作,每个环节都为其他环节提供支持和价值,从而共同促进整个行业的进步。
从上面的行业分布来看,每一个层级都需要产品经理,并且职责和要求都不相同
算力层的产品经理,需要深入理解GPU、TPU等硬件的性能特性,优化资源配置,以支持大规模计算需求。
- 向上通过与硬件供应商和工程团队紧密合作,提升计算资源的高效利用和技术更新。
- 向下需要为模型、数据、应用厂商合作,提供便捷的云计算服务。
例如,通过引入自动化资源调度系统,提升了计算效率;在硬件更新过程中,通过与供应商和工程团队的密切合作,成功完成了硬件升级,提高了系统性能。
与此同时,跟踪最新的硬件技术,确保产品竞争力,并始终以用户需求为导向。我们通过了解用户对计算速度、稳定性和成本的需求,优化资源配置和定价策略,成功降低了用户使用成本,提升了客户满意度。这些经验帮助我们在算力层产品管理中取得了显著成效。
数据层产品经理,主要职责是管理数据收集、处理和分析的工具和平台。需要对数据架构有深入的了解,提高数据质量和数据流的高效性。
通过与数据科学家和数据工程师紧密合作,构建和维护数据仓库,支持下层的模型训练和数据分析需求。
还需要高度关注数据的安全性和合规性问题。例如,通过实施严格的数据加密和访问控制措施,我们确保了用户数据的安全性,并符合GDPR等国际数据保护法规。
作为模型层产品经理,需要专注于机器学习模型的开发和优化,主要工作包括模型的设计、训练、测试及部署。技术背景是必需的,理解各种机器学习算法和模型的工作原理,并根据具体业务需求选择合适的模型和调优策略,是你工作的核心。
例如,通过弱智吧的预料来训练模型输出效果已经成为了行业内,比较模型智力水平的测试标准。
模型层产品经理向上需要对接算力,能够评估成本,优化资源配置,向下能够为应用层、用户、业务提供模型推理服务。比如 Kimi、OpenAI 这些公司除了 To c 的对话助手,还有 To B 的 API 推理能力。
AI Native产品经理,职责是管理那些从一开始就以AI为核心构建的产品。这些产品完全依赖AI技术来定义其业务模型和用户体验,例如现在比较火的 AI 产品 Perplexity、Monica。需要对AI的潜力和便捷有深刻的理解,并创新地将AI技术应用到业务中。
传统应用+AI产品经理,这种产品经理是最常见的,也是要求相对较低,比较好入行的,就拿我上家公司来说,他们做企业内容管理,很自然的就结合到 AI 对话能力,做 RAG 搜索、知识图谱、内容管理助手,我也因为参与其中,获得 AI 产品的经验。
这要求我们需要深入了解行业特性和客户需求,让AI技术能够真正提升产品性能和用户体验,比如:
- 在零售业,通过机器学习算法优化库存管理,可以减少库存积压和缺货情况;
- 在医疗行业,通过AI进行疾病诊断,可以提高诊断的准确性和效率。
还需要与模型厂商、算力厂商、AI工程师、行业专家和客户沟通,让每一个环节都能保证 AI 的应用是合理高效的。
以上,就是常见的五种 AI 产品经理类型。
如何转行/入门AI产品经理?
现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,转行/入门AI产品经理,但是却找不到适合的方法去学习。
作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。
我已将重要的AI大模型资料包括市面上AI产品经理入门手册、AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。
![](https://img-blog.csdnimg.cn/img_convert/3981df2ffba898ff734770d8824eb431.png)
一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。
二、AI产品经理入门手册
三、AI大模型视频教程
四、AI大模型各大学习书籍
五、AI大模型各大场景实战案例
六、结束语
学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。
再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。
因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。