這篇文章的筆者主要講的是舉了一個可以篩選出愛薅羊毛用戶的項目例子，從而介紹關于AI產品落地的流程分析，大家一起往下看看吧！

上文簡述了人工智能、機器學習、深度學習和大模型的概念和關系，讓大家對這些名詞有了一個初步的印象。

今天我們通過一個篩選出薅羊毛用戶的項目，了解AI項目從0到上線的全流程，在此過程中，大家可以了解到產品經理在每個環節中的職責和產出，對以后的學習和工作會很有幫助。

一、項目背景

有段時間，我發現負責的項目數據統計有些異常，細查之后，發現存在夜間偷數據的情況，大致行為路徑如下：

1. 淘寶上買一批手機號，注冊新賬號。
2. 通過自動薅羊毛的方式（新手禮包、每日簽到、周任務等），獲取免費券等資源。
3. 夜深人靜的時候，使用免費券或積分批量下載數據。

亡羊補牢，猶未晚矣。我們決定開發一套篩選薅羊毛用戶的產品，徹底堵住這個缺口。

二、產品定義

這個環節需要確定該項目的預期目標，定義要解決的具體問題。

在和運營同事溝通后，確定了產品需求如下：

1. 在領取新手禮包或周任務獎勵時，需要用戶綁定手機號（薅羊毛時簡單卡一下，以免影響正常的用戶體驗）。
2. 在使用券進行下載操作時，判斷是薅羊毛用戶的概率，并根據概率高低分成 正常、疑似、高危 三類。
3. 針對“疑似”用戶，就觸發 極驗 或 驗證碼校驗 等邏輯。針對高危用戶，就鎖定賬號，并在激活時要求綁定微信，避免再出現大量偷數據的情況。

其中AI相關的需求拆解如下：

1. 基本需求：通過算法判斷用戶是否為薅羊毛用戶，并根據概率分為 正常、疑似、高危 三類。
2. 離線/實時模式：支持實時判斷，所以應該定義為實時模型。
3. 覆蓋率：期望該模型的覆蓋率為100%，面向所有用戶。
4. 傾向：盡可能找出所有羊毛黨，追求高“召回率”，可以接受一定程度的誤報。寧可錯殺一千，不可放過一個。

三、技術預研

產品經理把需求同步給技術，技術需要預判現有的數據和算法是否可支撐需求實現。

如果現有數據不滿足需求，要么增加埋點補齊數據，要么想辦法獲取目標數據，要么替換成其他類似數據。

如果算法支持度不夠，可能需要調整需求內容，以便達到更適配的效果。

以該項目為例，實時模式的話，可能會對原業務的響應速度有一定影響，所以最后調整為離線模型，每天定時處理前一天的用戶數據。

四、數據收集

接下來，就要根據技術預研的結果，從各種來源收集需要的數據了。

產品經理需要基于對業務的深度理解，判斷哪些數據、哪些特征對模型提升有幫助，把自己想到的要點和技術溝通，得到更完善的數據集，再動手去獲取數據。

比如該用戶是否主要在夜間活動？操作頻率是否過高？短時間內同一臺終端是否登錄過多個用戶？用戶是否觸發過新手引導？

盡可能準確的找到羊毛黨用戶的特征，對模型質量的提升會有極大的幫助。

獲取數據時，不局限于自身的業務數據，還可以獲取公司內的中臺數據，甚至可以購買第三方外部數據，或與其他公司聯合建模。

五、模型構建

數據收集之后，就可以進入模型構建環節了。

模型構建主要是技術的工作，但是產品經理也必須知道具體的構建流程，以便更好的配合和溝通，進而準確把控項目進度。

模型構建流程大概包括算法選擇、特征工程、模型訓練、模型驗證和模型融合等步驟，下篇文章我們會詳細介紹。

六、模型宣講、評估和驗收

模型構建完成后，產品經理需要組織技術宣講訓練好的模型，介紹內容如下：

• 使用的什么算法？為什么選這個算法？
• 選用了哪些特征。
• 訓練集、測試集的大致情況。
• 模型的測試結果。
• 是否達到了預期？哪些指標未達預期？未達預期的原因是什么。

宣講之后，產品經理需要對模型進行評估和驗收，該環節也非常重要，至于如何選擇合適的評估指標，后續章節會詳細介紹。

如果評估結果有瑕疵，還需要對模型進行優化，優化方式可能是調整算法參數，也可能是調整特征，直到達到滿意的效果為止，驗收通過。

七、業務開發并上線

驗收通過之后，技術會把模型部署到線上，并按之前和業務開發同事約定的接口提供能力。

業務開發完成相應功能后，和模型接口聯調通過，就可以進入常規的走查、測試、上線流程了。

需要注意的是，模型上線后，還需要持續監控模型的效果，若運行一段時間后，發現模型效果有明顯衰減，就需要分析原因，并針對性的升級模型。

八、總結

本文通過一個篩選出薅羊毛用戶的項目，簡單介紹了AI產品落地的全流程。下篇文章，我會詳細介紹模型構建環節的詳細內容，敬請期待。