今日头条产品经理分享在AI公司做产品经理的一些心得

当AI产业被上升到国家意志这个高度的时候,相信有很多小伙伴已经在摩拳擦掌,准备进入AI领域一展身手了,这是好事。越多优秀的人才进入AI领域,AI就越能快速发展,但是作为一名正在AI领域摸爬滚打的产品经理,铁匠有一些心得想要与你分享。

做AI产品经理,要抗的住淬骨炼皮

AI作为一个正在全新崛起的产业,其蕴含的机会和价值不言而喻,但是你要知道,既然是全新的领域,那就没有太多经验何以借鉴。等待你的更多的是填不完的坑以及探索过程的挫折打击,你要有足够的毅力和信心,才能支撑你一直走下去。

在AI领域没有成熟的产品模式也没有成熟的商业模式,一切都是未知的,你要学会在不确定性里找确定性。

要去关注政策法规

关注政策法规有两大价值:

  • 其一是作为方向指引,我们做任何一个产品如果方向错了,那做再多的努力,也只是让你错上加错。这个其实就是大佬们常言的不要用战术的勤奋掩盖战略上的懒惰,国家出台的每一份AI政策文件背后,都有AI领域的顶级科学家或者资深人士的观点和思考,所以对于我们而言研读政策文件,即是抓住产业的发展方向,这叫明势。
  • 其二是目前AI领域能实现规模化商业落地的大多集中在智能安防、智慧医疗、自动驾驶等领域,从客户属性上来说大都属于TO-B或者TO-G的范畴,了解中央/地方的政策文件,有助于规避产品研发风险,也能推动产品的商业化进程。

举个例子:你像在智能安防领域应用比较多的计算机视觉识别技术,可能更多是与公安/教育系统合作区做落地,比如:关键出入口的人脸识别、考试上的人证比对等。

所以洞悉政策法规,不仅能起到为产品信任背书的效果,还能有助于构建与客户的沟通桥梁。

以下是铁匠截取的部分与AI相关的政策文件:

2016年6月工信部等部门发布的《“互联网”人工智能三年行动实施方案》

2016年10月中国安全防范产品行业协会发布的《中国安防行业“十三五”(2016-2020)发展规划》

2016年12月国务院发布的《“十三五”国家战略性新产业发展规划》

2017年5月科技部发布的《“十三五”公共安全科技创新专项规划》

2017年7月国务院发布的《新一代人工智能的发展规划》

你必须掌握基本的硬件知识

目前,AI产品的形态大多以软硬件结合的方式而存在,比如说:小米的AI音箱、讯飞的晓译翻译机、阿里的钉钉魔镜等等,这些具有代表性的AI类产品都不是以纯软件的形态方式存在。

所以,对于AI产品经理来说,你要掌握基本的硬件知识,才能更好的参与到AI产品的硬件定义工作中去。

关注产品成本

既然AI类产品都是软硬件结合的模式,所以不论TO-C的AI音箱,还是TO-B的智能安防,都离不开对成本的核算,这一点和互联网产品不同,互联网的产品研发是随着用户量的增大,你的遍及成本会无限降低。

AI类产品的从0到1更复杂、周期更长

前面讲到AI类产品大多不能以纯软件的形态出现,那既然涉及到硬件,其产品的从0到1就会更复杂、周期更长。

以一个儿童机器人为例,从产品定义到批量生产需要200多个工作日,宏观上需要经历12个环节, 链接15加供应商,才能完成最后产品的诞生。

具体如下图:

(图一)从产品定义到批量生产一般需要200多个工作日

(图二)从用户调研到上市销售需要走过12个环节

(图三)一款儿童机器人产品需要链接15家供应商

你要深入了解AI技术的能力值

举个例子,有个大学需要使用人脸识别技术来解决学生上课考勤的问题,那你就得知道当下在非配合式的情况下人脸识别的准确率不足60%。

所谓非配合式就是学生可能走到教室,头可能是低着的,摄像机抓不到他的脸,那就会出现漏抓。可是这个学生又来上课了,但是因为他头低着,所以摄像机抓拍不了,就会输出这个学生没有来上课的通知,这就是在大学生教室考勤这个场景里AI技术的能力值。

你要写更多的文档

如果你“不幸”加入到一家TO-B/TO-C型的AI公司,那么你除了要写常规意义上的BRD、MRD、PRD这些文档,你还要写产品的解决方案、产品的培训文档(给客户培训或给内部营销人员培训)、产品的使用说明、产品的报价体系等等,甚至可能还需要参与到投标文件的撰写工作中。

你需要更不同的角色打交道,并且要搞定他们

前面铁匠讲到的大学生教室考勤,你首先需要和学校的分管领导沟通,了解他的产品目标是什么,然后再一层一层往下走和老师沟通,了解他们的产品目标,再和辅导员、班主任这一类角色沟通,最后还要和学生沟通,掌握学生上课状态。

这么多的角色,你每一次沟通前不仅需要做足准备工作,还要有足够的耐心、扎实的专业知识、高超的情商去理解他们的需求,然后搞定他们。

HI,我是Jasmine,是一位AI产品经理。在讲正式内容之前,我想跟大家简单分享一下我的经历:我大学本科不是IT相关,甚至在我工作之前,我没有做过任何与互联网相关的实习工作。

而现在我能负责公司的重点项目,证明了进入AI行业并不是你们想象中的那么困难。直至今天,我仍在这条道路上不断学习,也希望有更多的朋友给予我指点。

现在我就来说说,如何在对AI行业一无所知的情况下,快速了解到它的流程运作,并找准机会转行。

简单了解AI应用范围

首先要跟大家说明的是,AI是一个领域,AI的应用范围非常非常广,如下图

图 by@智能玩咖

图上每一个领域用到的算法都不一样,并且一个领域下面有很多的细分小领域。

比如语音识别,就包含了语音转文字自然语言处理文字转语音等等技术。而有很多想转型的产品,第一个考虑的点就是:不懂技术就做不了AI,我是不是学完算法才能入行?

其实不是。

如果不是想立刻转型到算法相关的AI产品,其实在平台——工程——算法之间有一个可以渐渐过渡的过程。

大家可能都知道:

对算法来说最重要的是数据,足够量足够好的数据才能得到更优秀的算法模型。

而关于数据其实可分为两种类型:被标记过的数据和未被标记过的数据。什么是标记呢?意同“贴标签”,当你看到一个西瓜,你知道它是属于水果。那么你就可以为它贴上一个水果的标签。算法同事用“有标签的数据”去训练模型,这里就有了“监督学习”。

重点就是这里:

只要是跟“监督学习”沾边的产品/技术,比如图像识别、人脸识别、自然语言理解等等,他们都有一个必走的流程

不断地用标注后的数据去训练模型,不断调整模型参数,得到指标数值更高的模型。

流程分解

数据标注

数据的质量直接回影响到模型的质量,因此数据标注在整个流程中绝对是非要重要的一点。一般来说数据标注部分可以有三个角色:

  • 标注员:标注员负责标记数据。
  • 审核员:审核员负责审核被标记数据的质量。
  • 管理员:管理人员、发放任务、统计工资。

只有在数据被审核员审核通过后,这批数据才能够被算法同事利用。

关于数据标记的流程思考:

  1. 任务分配:假设标注员每次标记的数据为一次任务,则每次任务可由管理员分批发放记录,也可将整个流程做成“抢单式”的,由后台直接分发。
  2. 标记程序设计:需要考虑到如何提升效率,比如快捷键的设置、边标记及边存等等功能都有利于提高标记效率。
  3. 进度跟踪:程序对标注员、审核员的工作分别进行跟踪,可利用“规定截止日期”的方式淘汰怠惰的人。
  4. 质量跟踪:通过计算标注人员的标注正确率和被审核通过率,对人员标注质量进行跟踪,可利用“末位淘汰”制提高标注人员质量。

模型训练

这部分基本交由算法同事跟进,但产品可依据需求,向算法同事提出需要注意的方面;

举个栗子:

一个识别车辆的产品现在对大众车某系列的识别效果非常不理想,经过跟踪发现是因为该车系和另外一个品牌的车型十分相似。而本次数据标注主要针对大众车系的数据做了补充,也修改了大批以往的错误标注。(这两种为优化数据的基本方式)本次模型需要重点关注大众某车系的识别效果,至少将精确率提高5%。

产品将具体的需求给到算法工程师,能避免无目的性、无针对性、无紧急程度的工作。

模型测试

测试同事(一般来说算法同事也会直接负责模型测试)将未被训练过的数据在新的模型下做测试。

如果没有后台设计,测试结果只能由人工抽样计算,抽样计算繁琐且效率较低。因此可以考虑由后台计算。

一般来说模型测试至少需要关注两个指标

  1. 精确率:识别为正确的样本数/识别出来的样本数
  2. 召回率:识别为正确的样本数/所有样本中正确的数

模型的效果需要在这两个指标之间达到一个平衡。

测试同事需要关注一领域内每个类别的指标,比如针对识别人脸的表情,里面有喜怒哀乐等等分类,每一个分类对应的指标都是不一样的。测试同事需要将测试的结果完善地反馈给算法同事,算法同事才能找准模型效果欠缺的原因。同时测试同事将本次模型的指标结果反馈给产品,由产品评估是否满足上线需求。

产品评估

评估模型是否满足上线需求是产品必须关注的,一旦上线会影响到客户的使用感。

因此在模型上线之前,产品需反复验证模型效果。为了用数据对比本模型和上一个模型的优劣,需要每次都记录好指标数据。

假设本次模型主要是为了优化领域内其中一类的指标,在关注目的的同时,产品还需同时注意其他类别的效果,以免漏洞产生。

产品工作补充

产品的工作不止是产品评估:

除了流程控制,质量评估。针对分类问题,由产品制定的边界非常重要,直接影响模型是否满足市场需求。

产品制定的分类规则:例如,目的是希望模型能够识别红色,那产品需要详细描述“红色”包含的颜色,暗红色算红色吗?紫红色算红色吗?紫红色算是红色还是紫色?这些非常细节的规则都需要产品设定。

若果分类细,那么针对一类的数据就会少。如果分类大,那么一些有歧义的数据就会被放进该分类,也会影响模型效果。

分类问题和策略问题道理是一样的,都需要产品对需求了解得非常深刻。

以上内容,都只是AI行业一个小领域内可梳理的工作内容。

针对刚刚入行的朋友,如果没有算法基础、没有工程基础。可以考虑在流程、平台上做过渡。在工作内容中不断总结学习,往自己想走的方向不断前进!

 

原创文章,作者:海阁,如若转载,请注明出处:http://www.pm28.com/1564.html

发表评论

电子邮件地址不会被公开。 必填项已用*标注

联系我们

在线咨询:点击这里给我发消息

邮件:403567334@qq.com

工作时间:周一至周五,9:30-18:30,节假日休息