AI時代,產品經理不得不掌握的AI知識

1 評論 3762 瀏覽 43 收藏 13 分鐘

隨著科技的發展,AI技術也滲透進各個行業里邊,要跟上時代發展的步伐,作為產品經理,也必須了解AI相關知識,對AI技能也要有所了解,大家一起往下看一下筆者整理分享的這一篇文章吧!

不管是我們在進行網上購物時的feed流推薦,還是一句:嗨,小愛同學幫我關一下燈等,AI技術已經融入我們生活的方方面面。

隨著人工智能的火熱,越來越多的產品經理開始關注AI這個領域,希望借著這次風口進而擴寬自己的職業道路,讓自己的產品之路走的更遠。

AI一詞(全稱人工智能(Artificial Intelligence)),從出現開始,在網絡中的定義也是鋪天蓋地,如果讓筆者概況一下,筆者認為:如果一個系統能像人一樣具備理性的思考和行為,那么我們就可以認為這個系統是人工智能。我們既然生活在人工智能時代,AI技術也在不斷地發揮它的價值,對產品經經理而言,我們要抓住這次機會,將AI技術融入到思維模式中,以便更好的創造其價值。

相比之前傳統的產品設計理念,筆者認為,產品經理除了核心職責和底層能力之外,還需要注重人工智能行業、算法場景以及驗收評估標準等方面的知識。并且這里注意的是:我們未必一定要轉型成一名AI產品經理,關鍵是需要具備用AI解決問題能力。

假如你是一名剛接觸AI方向的產品經理,筆者給與以下幾點建議:

一、掌握的必要概念和行業術語

1. 必要理解的基本概念

在人工智能領域,有兩個最基本概念首先是要清晰的,那就是機器學習和深度學習。

首先,我們先來看機器學習(Machine Learning)。機器學習的核心是讓機器有能力從數據中發現復雜的規律,并且通過這些規律對未來某些時刻的某些狀況進行預測。為了更好的理解,筆者舉一個簡單的例子:

比如,以私域營銷里面常見的客戶流失為例,企業需要通過機器學習在大量的歷史客戶數據和銷售數據中找出規律,以便確定和理解為什么會失去客戶。然后,企業就可以利用機器學習能力來分析現有客戶的行為,以提醒業務人員哪些客戶面臨著將業務轉移到別處的風險,從而找出這些客戶離開的原因,然后決定企業應該采取什么措施留住他們。

我們再來看第二個概念,深度學習(Deep Learning)。深度學習(Deep Learning)是一種特殊的機器學習,是借鑒了人腦由很多神經元組成的特性而形成的一個框架。

它相對于普通的機器學習,深度學習在海量數據情況下的效果要比機器學習更為出色。但它也有它的局限性,就是深度學習對機器的性能要求會高,算法模型訓練時間相對也更長。

因此,我們需要根據自身業務實際場景判斷是否選擇深度學習的相關算法。常見的深度學習算法,如:卷積神經網絡、循環神經網絡、生成對抗網絡、自動編碼器、強化學習算法等,作為產品經理,了解即可。

2. 需要了解的行業基本術語

二、必備的AI技能

在AI領域,產品經理雖然不需要像技術人員了解的那么深入,但需要了解幾個方面的技術知識,以便在產品開發過程中更好的與算法工程師同頻共振。筆者推薦:數學統計學相關知識、模型構建流程、常見的算法3個方向的相關知識。

1.數學統計學相關知識

因AI技術建立在數學模型基礎之上,必備的數學統計學知識是理解人工智能的基礎,所以數學相關的基礎知識是產品經理必須要了解的。

我們可以不需要具體了解每一個數學公式以及公式背后的邏輯,但我們需要知道數據統計學的基本概念以及概念的落地應用。比如了解線性代數中標量、向量、矩陣、張量概念以及概率統計中的常見分布,如:伯努利分布、正態分布等。(掌握邊界:知道、了解)

2. 模型構建流程

模型構建的過程實際上就是應用某個算法技術來實現一個模型的過程,產品經理需要知道模型的建模流程都有哪些節點,這些節點都牽扯了哪些角色,每個角色又承擔了什么工作,每個節點的產出物是什么,以及每個節點合理的工作周期又應該是多長時間。

一般來講,模型構建大致包括4個階段,分別是模型設計和選擇階段、特征工程階段、模型訓練與驗證階段和模型部署階段。

下面我們看一下模型構建各個階段需要做的事情以及產品經理在其中要做的事情:

1) 模型設計和選擇階段

在模型設計階段,最重要的就是定義模型的目標變量以及抽取的數據樣本。在這個環節,對于產品經理而言,產品經理需要基于當下業務,去思考這個模型該不該做,我們有沒有能力去完成要做的模型以及目標變量應該如何設置、我們的數據源有哪些、數據樣本如何獲取等。

比如:以私域營銷為例,我們要通過AI實現企業應該采取什么措施留住流失客戶。在這個案例里面,流失客戶便是目標變量,大量的歷史客戶數據和銷售數據便是我們現有的數據源。

我們再來看模型設計階段數據樣本的抽取。因為模型是根據我們的樣本進行訓練的,所以數據樣本抽取決定了模型的最終效果。這里我們需要注意的是,作為產品經理我們在選取樣本的時候要根據業務的常用場景去抽取,盡量規避一些特殊場景,如:雙11、雙12等場景數據等。

2) 特征工程階段

當我們完成模型設計階段,有了目標變量和數據樣本,我們就可以進入到第二個階段:特征工程階段。首先我們先看一下什么是特征工程?特征工程是AI學習中的一個重要環節,它涉及到對原始數據進行處理和轉換,以便更好地適應機器學習模型的訓練和預測。

特征工程的目標是提取有意義的特征,以便提高模型的性能和準確性。因此,在特征工程環節,特別考驗產品經理對自己業務以及業務目標的理解程度,假如產品經理根據自身對業務的理解創建出超級特征值,可以說對模型的性能有極大的提升,將會減少很多工作內容。

一般情況在特征工程階段,包括特征使用方案、特征獲取方案、特征處理、特征監控等環節,并且特征工程階段也是占據AI模型開發時間周期最長的階段,所以產品經理需要了解特征工程的核心步驟,尤其是是數據清洗和特征提取兩個環節。

為什么這么說?其一,因為數據和特征的質量決定了模型最后的效果表現;其二,在模型訓練過程中,由于技術的復雜性和模型效果的不確定性,會出現很多計劃之外的工作和問題。

作為產品經理,只有對各環節有足夠多的了解,才能更好的理解算法本身以及算法工程師團隊,便于說服老板理解問題,確保投入更多的資源以及包括更好的與客戶進行溝通。

3) 模型訓練與驗證階段

模擬訓練與驗證階段,其實就是通過不斷訓練、驗證和調優,讓模型達到最優的一個過程。在這個將階段,不得不提到決策邊界概念。

決策邊界通俗理解就好比:你看上一款筆記本電腦,當筆記本降價到3500RMB就會夠買,超過3500就不會購買。那么3500就是決策邊界。

并且不同算法的決策邊界也不一樣,比如線性回歸和邏輯回歸這樣的線性算法,它們的決策邊界也是線性的,而對于決策樹和隨機森林這樣的非線性算法,它們的決策邊界也是非線性是一條曲線。因此,決策邊界是判斷一個算法是線性還是非線性最重要的標準。

4) 模型部署階段

一般情況下,因為算法團隊和工程團隊是分開的兩個組織架構,所以一個模型訓練完成并通過評估后,算法工程師就要考慮怎么把它部署到線上,并應用到業務場景中。雖然模型部署不屬于模型構建中的環節,但它卻是 AI 產品上線中必不可少的一環。

3. 知曉常見的算法知識

在算法這個領域,作為產品經理不需要深入,但需要知道常用算法的實現邏輯和應用場景,以便更好的與算法工程師進行溝通,減少溝通成本,并且當產品與算法工程師之間因結果產生爭執時,也有一定理論做支撐。

(這里并不是懷疑算法團隊的結果,而是更好的推動事情的發展),經筆者查閱資料,建議了解一下算法:

總之,在這個AI技術融入各行各業的時代,作為一名產品經理,無論是否是AI產品轉崗,除了產品經理核心職責和底層能力外,還要有AI領域的知識儲備。畢竟新的產品時代已經開啟!

本文由 @王振永 原創發布于人人都是產品經理。未經許可,禁止轉載。

題圖來自 Unsplash,基于 CC0 協議

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 是不是學會了這篇就可以直接進入產品經理行列了

    來自安徽 回復