生成式AI的出現，給產品領域的設計帶來了一些新機會，許多AI產品也隨之出現。那么如果你想讓手頭負責的AI產品實現落地，大致需要遵循什么樣的流程呢？一起來看看本文的分享。

這里說的AI，主要是ChatGPT帶火的這一波生成式AI。其他類型的AI，例如自然語言處理、計算機視覺已經搞了很多年。ChatGPT這一波，讓各個互聯網大廠紛紛加強AI方面的投入（當然，很多產品并不是只能用一種人工智能，往往是采用多種技術）。

目前，各個大廠和AI相關的產品職位，主要以下幾種：

1. 大模型
2. 基于大模型進一步開發的一些中臺產品，例如客服、虛擬數字人
3. 將AI與某個場景結合

接下來，我們詳細盤點AI產品的工作流程：

一、了解 AI 技術

• 技術現狀：目前公司已有的技術以及還沒有但市面上已經有的技術；
• 技術邊界：各技術可以達到的效果；
• 可應用的業務場景：對哪些業務有幫助。

二、需求分析

1）需求場景是否合理

2）是否一定要用 AI來解決，解決什么程度

有時不需要AI準確率等指標達到一個非常高的標準，要根據業務場景實際需求，來明確AI需要達到的效果（效果要求越高，往往成本越大，大部分時候夠用即可）。

3）AI實現的大致方法

• 明確問題和算法類型：識別檢測、語音識別、圖像生成，大模型生成等；
• 部署，是用離線還是云服務的方式。

4）評估AI可以實現效果的上下限

可根據經驗預估，具體需要回去找算法工程師溝通確認。

5）評估成本收益

• 成本：AI的訓練成本、維護成本等；
• 收益：可以促進哪些業務指標提升。

三、預研階段

1. 定義標準

與業務產品以及算法工程師，共同制定一個可衡量的標準，而不是憑感覺、算法實現。

• 策略類：明確特征規則；
• 模型類：標注數據，訓練模型。

2. 產出demo

如果demo沒有達到要求，則重復以上步驟，需要產品與算法工程師多次溝通，循環迭代，直到滿足預期的上線效果和性能。

• 效果，如：準確率、召回率等指標；
• 性能，如：模型大小，耗時，并發量等。

四、接入業務流程

• 云服務，還是離線？
• 部署到CPU還是GPU上？
• 語音類：流式，還是段式？
• 生成類：是否需要敏感詞過濾？
• 注意邊界和異常情況，可能需要做業務兜底，如：算法服務未返回的固定話術。

五、線上效果評估與迭代

1. 效果

• 評估AI算法的效果；
• 評估業務指標的效果；
• 用戶的反饋。

2. 迭代

• 篩選 badcase，針對性解決；
• 收集線上數據，進行標注訓練。