“如果说互联网是优化信息的存储和传输方式，提升生产要素之间的运行效率；人工智能便是对各个生产要素的升级。”

本人初入职场便从事TOB相关工作，参与了tbds等大数据平台的产品建设，近两年逐渐接触人工智能；目前主要负责TI-ONE机器学习平台，结合自己工作经验，在这里分享一些关于ML产品的思考和实践。

人工智能产品类型

平台-强调赋能

基础支撑/基础平台-通用的ML技术平台，实现常用的算法,形成通用机器学习平台（Spark/TensorFlow等），对外提供API、SDK等，为业务赋能。这类平台聚焦性能、开发效率和预测准确度。

应用-融入场景

突出场景闭环，如利用人脸识别、自然语言处理(NLP)等技术构建新的交互体验和用户场景。

目前市面上看到的人工智能产品都属于弱人工智能的范畴，它们通常专注于某一特定领域，有一定规则边界，是达成既定目标的工具；各个领域的初级岗位最有可能被这类人工智能替代。

人工智能产品流程

数据

让人工智能产品能够运转起来的前提，首先需要寻找和积累大数据，大数据是机器学习平台必需的燃料，有足够大的燃料，平台所跑出的模型精确率会越高。

通常我们会通过中间件工具（KAFKA/tube）进行流转，将数据运输到HDFS等存储平台，包括文本、图片、语音等数据，并对其做数据清洗，特征处理等，便于加载到接下来的神经网络。

算法、训练模型

训练出一个有效的模型的前提，需要数据和算法两者的双管齐下；从计算模型的角度，我们通过所获取并清洗好的一组数据，配置好算法相关的关键参数来构建模型的运行，从而形成了一定的反馈路径，来达到预期的输出结果。

通过数据的灌输，建立起输入-处理-输出(IPO)的关系，加载到神经网络的训练中，学习数据中的规律并产生一个最能契合这些数据的函数表达式。在训练过程中，不断去试错和纠正，去推进模型更为精准的路上。对模型准确度有足够信心，便可把训练完成后的模型部署上去，去预测喂养新数据后的结果是什么。例输入的是人脸图片，那么输出结果便是人脸识别结果。

应用模型

当模型精确度足够高后，便可上线服务，实际运用到我们的系统中。典型的例子是电商系统中基于用户/物品的推荐。

人工智能产品经理的思考点

1.明确产品的定位，找到产品能发挥价值的地方

在做TI-ONE初期，我们的目标是做一个通用／易用性高的机器学习平台，让方便业务接入平台。用户无需关注机器学习的运行细节，如底层用什么计算框架、用多少计算资源、应该怎样配置参数等，将注意力重点放在核心业务，同时也可以享受机器学习带来的便利。

我们把TI-ONE设定为一个拖拽式建模工具而不是类似于jupyter的交互式工具，虽然jupyter有很好的拓展性，但为了降低机器学习使用门槛和释放用户大量写代码的时间和精力，增加受众面，我们选择了把特征处理、算法以模块化的方式来设计，让用户在拖拽组件中，快速完成模型的搭建。

在产品化机器学习的时候，发现大部分工作不是在研究复杂的公式理论，而是如何让用户在使用机器学习的过程中更顺畅，让不同步骤之间的流程如数据的准备、算法参数的填写、模型的训练／测试／筛选／部署等，能够无缝衔接。举个例子，规划及组织平台所需要的数据、用什么方式和工具来统一数据的上传、对数据的接入是否需要提供预览；如何帮助用户获得高质量的数据集，为提炼优质模型提供保障、如何高效率低成本地为数据打标签、把数据价值最大化，这些都是产品经理需要重点耗费精力的地方。

在此引用谷歌大脑高级科学家Martin Zinkevich的一句话“To make great products：do machine learninglike the great engineer you are, not like the great machine learning expert youaren’t”把工程效率提升到极致了，用户才能真正享受到算法带来的便利。

2.产品形态的把握

对于人工智能产品经理，所需的技能SET，不仅包括原型能力、功能逻辑、信息路径、UI设计，算法模型、数据训练等产品背后抽象的逻辑也同样重要。

比如立项一个人工智能产品，我们不能很宽泛地定位要做一个机器写作，这个需求的范围太大，会让后续功能的开发不好收敛。产品经理需要尽量参与到算法开发，了解算法的每个步骤，对涉及的环节有个清晰的概念，并在此基础上寻找和评估是否有产品化的可能性。

再比如我们要做新闻主题分类，首先需要利用网页抓取去各个网站的新闻，一般情况下，新闻网站都会分好类，可以直接记为标签。这个过程是否便可以做成一个产品化的成果。

过去的互联网产品，可能我们偏向埋头于体验、需求，不太关注技术环节；而在AI产品领域，我们必须要深入技术运转流程，才能提升我们做出一个优秀AI产品的可能性。

3.了解用户指标背后的含义

在评估TI-ONE产品用户数据指标时，UV/PV/月活/新增用户数等都是我们会去关注的数据指标。但若只关注实际数值，不去深究背后数据增长原因的话，有时会陷入一定的盲区。比如之前查看产品的统计指标，用户数和日均执行任务数都是一个稳定增长的趋势，但在用户调研中，深入了解了这些在平台上跑的任务，发现有一部分任务大家只用来做调度，并没有去使用平台上的算法模块，刨根问底了这部分用户才知道，因为我们平台上的算法库是黑盒子，出了问题不好定位，不如自己写代码查原因。通过这次对指标的剖析，我们也考虑将目前提供的算法进行开源和引入自定义算法模块，去补充我们对这块功能设计的短板。

4.纵向的业务理解能力

很多人工智能产品往往跟某一垂直行业紧紧挂钩，去解决某一具体问题；这是要求人工智能产品经理去深入整个业务流程的链条，熟悉每一个涉及到的用户场景；并且在场景中，提炼出用户最迫切需求并优化需求点，实现产品的变现。

很多不同行业、领域的人工智能产品其实背后所用到的技术逻辑都大同小异，如人脸识别技术，在安防市场，因人脸难以复制的特性，它代替了门禁卡。在公安领域，警察可以通过人脸识别，在各大重点区域，关口进行人脸的抓拍、识别，对可疑人物的信息可实时推送到警务终端，大大提升破案效率。在银行领域，人脸识别可以支持远程办理业务，刷脸开户，通过它查验身份信息，可免去需求亲自去网点办理的麻烦。

技术是相通，但不同场景的侧重点会有所不同，产品形态也会有所差异；在银行领域，人证比对设备需求会比较强。在公安领域更强调的是后台动态人脸识别系统的使用。

人工智能产品经理需要对业务场景进行反复验证、迭代，从而去判断结果概率是否能达到用户的标准，依照这些判断去做不同的投入策略。因此，了解算法的基本原理和落地的业务场景尤为重要，可以有一个相对清晰的技术框架，并且懂得在技术允许实现的范围内，规划出最优方案。

5.关联信息的能力

做人工智能产品需要我们加深对机器学习相关技术和应用的理解。理解好机器学习的基本逻辑，数学是其背后的原理，如微积分、概率论、线性代数都是机器学习的基础。而这些数学概念和模型往往是抽象、非直观的。

当试着去理顺这些相对复杂的逻辑，可以尝试关联信息的方法，在不熟悉与熟悉的知识之前建立连接，从个人的经验中，去寻找能够与所有要理解信息类比的部分，把枯燥难懂的知识点，与实际生活的例子相结合。

比如说我要学习线性回归，关于线性回归，提供的数学解释是假设自变量与因变量是线性关系,利用最小二乘法拟合自变量权重的一种分析方法。若单是看这段解释的话，会不太容易让人理解线性回归是在描述什么；试着去联想生活中的经验会帮助理解线性回归的概念。针对线性回归这个概念，可以通过房价波动和驱动因素来做联想，假设我们有1000条关于深圳房子的综合数据，每条数据作为一个样本，内含信贷价格、常住人口/户籍人口、工作人口/常住人口、小学生在校人数这些数据看作特征变量，房价为目标变量。线性回归解释的便是这些特征变量对房价波动的影响度。

6.降本提效是推动人工智能发展的最强动力

人工智能技术价值的实现，最终需要落地商业化、为行业带来价值和形成真实有效规模化的刚需来体现。目前大部分人工智能公司在做的是单一的人工智能驱动产品，如自动驾驶汽车算法、零售领域的刷脸支付、医疗领域的人工智能影像分析。所有员工工作中的任务自动化比例将提升，一部分劳动力也会被人工智能所替代。冲击较大的工种为人工客服、流水线工人、银行柜台职员等。

还有一种AI公司，不是去用某种人工智能的能力去替代某一工种的工作，而是完全重塑整个行业的的劳动力配置，比如阿里的无人酒店，从接待到打扫的服务员全都是机器人，他们没有雇佣人类员工，去利用算法取代某种类型的工种；随着低本、高效和优质的服务模式逐渐铺开并且占领市场，高昂的人力成本可能会导致对手们重新调整公司对劳动力配置。

根据来自普华永道的数据：“预计到2030年，AI将能为世界经济贡献15.7万亿美元，这相当于目前印度加中国的生产总值总和，中国公司在其中将起到非常重要和关键的作用。”相信不久的将来，会有越来越多的行业和人工智能结合在一起。如何去挖掘行业的切入点、利用AI去重塑应用场景，为实体行业提升运行效率、甚至颠覆当前的传统的商业模式，提供一套可行的AI解决方案是AI产品经理需要掌握的核心技能。

结语

当有了一定积累，面对工作就会得心应手，使人的行为处于一个稳定的水平，慢慢有了自己的舒适区，时间久了会不愿离开这样的状态。但若一直沉浸在一个自己非常熟悉的领域，难免被固化了行为，不过是日复一日发挥着一个螺丝钉的功效。

切换到AI领域发现，这是个一旦不保持自己技能SET更新状态便会被淘汰的领域，包括在一个项目组内的算法、开发童鞋，也是每天不断在学习，了解当前最前沿的知识。

世界总是不断前进变化和充满着不确定性，保持着自己所积累的技能和可预见/突破的挑战的平衡，逐步爬坡，穿透自己的高墙，才能拥有人生更多的可能性。