解读AI产品经理——听说你也想知道他们究竟在做什么

先从较常见的AI领域的划分说起，我做了一张图：

单讲概念可能不是很好理解，我结合一些应用场景说一下：

OCR——从图像中识别到文本，可以用于将纸质文件信息转为电子数据，像扫描和识别身份证上的姓名、出生日期、户籍地址等；

NLU——自然语言理解，可以用于各类智能助手，比如当你说“天猫精灵给我放一首《种太阳》”，它就会播放种太阳，这就是基于它的理解去执行了一个操作；

ASR——语音转文本，比如微信的语音转文本功能，把一段语音以文本的形式呈现；

TTS——文本转语音，比如高德地图里的志玲姐姐，就是把文本信息转成语音来播放，中间添加了个性音色；

CV——计算机视觉，比如人脸识别的应用，像iPhone的Face ID，抖音中的特效匹配到脸上，火车站的刷脸进站等；

模型预测——基于大数据进行建模和预测，这个应用场景较多也较复杂，比如AlphaGo，搜索引擎的搜索结果排序，电商与短视频的推荐算法等。

插播一下机器学习的基本原理，本质上是基于统计学的概率预测。比如说，我想做了一个小机器人来识别猫和狗，那么我需要准备一千张猫的照片，一千张狗的照片，一千张非猫非狗的照片，然后把这些照片作为小机器人的学习素材，它就会把这些素材转换为数据，提取其中的特征，然后建立一个自己的“我认为这是猫/狗/非猫非狗”的小小数据库。之后我再拿新的照片去测试它，它会把新照片也转化为数据，提取特征，然后跟它已有的数据库做比对，输出比对结果，形式类似于：猫（90%），狗（10%），非猫非狗（5%）。图像识别是这样实现的，而语音识别等也是同理——输入素材+处理与学习+输出结果。而平时所说的算法，就是中间如何转换、提取、比对的过程。由于本文是产品侧的，所以不对深度学习和对抗学习做过多展开，可以简单理解为都是算法的不同。

在以上背景下，我们来看一些常见的产品，我也做了一张图：

PM在其中承担什么角色呢？大致分两个方向，一是专注于算法的精进，致力于提升识别结果的准确度；二是把重心放在对AI的应用上，主要思考内容是与实际业务场景的结合。前者是一定要求PM对机器学习和算法的理解深度的，后者更偏重于怎样把AI用起来，这也就是我说探索实现的可能性的部分。比如，Face ID之类的，要考虑怎样收集用户照片，收集多少足够做识别，识别结果是否准确，反馈速度如何；智能助理类，要考虑用户可能有什么需求，可能会怎样描述，AI应该执行什么操作来满足客户需求，什么时候用文本，什么时候用语音；医疗中的，哪些疾病的CT片适合用机器做识别，识别的准确度和效率如何，怎样与医生进行交互，是否需要经常更新素材库；推荐算法类，哪些数据可以用来作为样本，用户是否接受了推荐，没有接受的话负反馈的权重怎么定义……

再进一步具体到落地中的话，除了AI部分的把握，GUI（Graphical User Interface，即用户可视化界面）部分也是一并参与的，所以本质上，所谓AI产品经理，只是比常规产品经理多了一些对AI的理解和运用而已。对于AI部分的需求，由于多数时候不能直接可见，所以PRD的形式会根据实际的实现方式而发生变化，这种时候要头脑灵活，不拘泥于表现形式。插一个我庞大的流程图做示例（涉及到业务，所以不放清晰版本）↓

最后~跟常规的产品经理比起来，做AI还是可以更多一点乐趣的。像笔者的智能客服，经常能观察到用户问，“你是机器人吗？”“你爸爸妈妈是谁哦？”“你是不是个智障？”以及元旦的时候它跟一千个用户说了新年快乐，那么总有人在收到这句话的时候会心笑了吧：）