生成式AI的出现，给产品领域的设计带来了一些新机会，许多AI产品也随之出现。那么如果你想让手头负责的AI产品实现落地，大致需要遵循什么样的流程呢？一起来看看本文的分享。

这里说的AI，主要是ChatGPT带火的这一波生成式AI。其他类型的AI，例如自然语言处理、计算机视觉已经搞了很多年。ChatGPT这一波，让各个互联网大厂纷纷加强AI方面的投入（当然，很多产品并不是只能用一种人工智能，往往是采用多种技术）。

目前，各个大厂和AI相关的产品职位，主要以下几种：

1. 大模型
2. 基于大模型进一步开发的一些中台产品，例如客服、虚拟数字人
3. 将AI与某个场景结合

接下来，我们详细盘点AI产品的工作流程：

一、了解 AI 技术

• 技术现状：目前公司已有的技术以及还没有但市面上已经有的技术；
• 技术边界：各技术可以达到的效果；
• 可应用的业务场景：对哪些业务有帮助。

二、需求分析

1）需求场景是否合理

2）是否一定要用 AI来解决，解决什么程度

有时不需要AI准确率等指标达到一个非常高的标准，要根据业务场景实际需求，来明确AI需要达到的效果（效果要求越高，往往成本越大，大部分时候够用即可）。

3）AI实现的大致方法

• 明确问题和算法类型：识别检测、语音识别、图像生成，大模型生成等；
• 部署，是用离线还是云服务的方式。

4）评估AI可以实现效果的上下限

可根据经验预估，具体需要回去找算法工程师沟通确认。

5）评估成本收益

• 成本：AI的训练成本、维护成本等；
• 收益：可以促进哪些业务指标提升。

三、预研阶段

1. 定义标准

与业务产品以及算法工程师，共同制定一个可衡量的标准，而不是凭感觉、算法实现。

• 策略类：明确特征规则；
• 模型类：标注数据，训练模型。

2. 产出demo

如果demo没有达到要求，则重复以上步骤，需要产品与算法工程师多次沟通，循环迭代，直到满足预期的上线效果和性能。

• 效果，如：准确率、召回率等指标；
• 性能，如：模型大小，耗时，并发量等。

四、接入业务流程

• 云服务，还是离线？
• 部署到CPU还是GPU上？
• 语音类：流式，还是段式？
• 生成类：是否需要敏感词过滤？
• 注意边界和异常情况，可能需要做业务兜底，如：算法服务未返回的固定话术。

五、线上效果评估与迭代

1. 效果

• 评估AI算法的效果；
• 评估业务指标的效果；
• 用户的反馈。

2. 迭代

• 筛选 badcase，针对性解决；
• 收集线上数据，进行标注训练。