在当今数字化浪潮中，AI 技术的迅猛发展正重塑着各个行业，产品管理领域也不例外。AI 领域权威吴恩达指出，AI 促使软件开发效率大幅提升且成本降低，这一变革催生了对能精准决策 “建造什么” 的产品经理的强劲需求，尤其是深谙 AI 的产品经理，其前景一片光明。与此同时，传统软件产品管理与 AI 产品管理间的差异也愈发显著。
传统产品经理洞察用户需求，主要依靠市场调研、用户反馈、竞品分析等手段。通过问卷调查、用户访谈、焦点小组等形式收集大量数据，挖掘用户痛点、需求与期望。这种方式聚焦用户显性需求，从用户行为和言论分析中确定产品功能特性。以微信为例，早期通过大量用户调研，了解到人们对于即时通讯的需求，不断优化文字、语音聊天功能，以及朋友圈展示、点赞评论等社交功能，满足了用户日常沟通与社交分享的需求。
吴恩达强调，AI 产品的独特之处在于挖掘用户潜在需求。AI 产品经理借助大数据分析、机器学习算法，深度挖掘海量用户数据。例如抖音，通过分析用户在平台上的观看历史、点赞、评论、停留时长等多维度数据，精准捕捉用户兴趣偏好，推荐出用户可能感兴趣却未曾察觉的视频内容，极大提升用户体验。
对比快手，同样作为短视频平台，快手也利用 AI 算法分析用户行为数据，但在用户需求洞察侧重点上有所不同。快手更注重挖掘 “老铁文化” 下用户对于真实、接地气内容的潜在需求，通过算法推荐更多来自普通人日常生活记录、才艺展示等内容，形成了与抖音不同的社区氛围和内容生态。这体现出 AI 产品经理能够利用技术手段，挖掘出隐藏在用户行为背后的深层需求，与传统产品经理在需求洞察的方法与深度上存在显著差异。
传统产品设计以功能为导向。产品经理依据市场调研得出的用户需求，规划产品功能，并着重优化功能，使其易用高效。在设计时，关注产品逻辑架构、界面交互等，满足用户完成特定任务的需求。像传统办公软件 WPS，在功能设计上，围绕文档编辑、表格制作、演示文稿展示等核心功能不断优化，如增加丰富的字体、格式选项，便捷的图表制作工具等，以提升用户办公效率。
在 AI 时代，产品设计理念转向以智能为导向，这是 AI 产品经理的核心思路。吴恩达认为，AI 产品不仅要实现功能，更要能自主学习、持续进化，为用户提供个性化、智能化服务。例如智能客服领域，京东的智能客服 JIMI，运用自然语言处理技术和机器学习算法，不仅能快速回答常见问题，还能在与用户对话过程中学习用户语言习惯、问题类型，不断优化回答策略。随着使用时间增长，能更精准理解用户意图，提供更优质服务。
与之竞争的阿里小蜜，同样具备强大的智能客服能力。阿里小蜜基于阿里巴巴庞大的电商业务数据，利用 AI 技术实现对各类购物场景问题的快速响应。它不仅能解答商品咨询、订单查询等常规问题，还能根据用户历史购买行为和浏览记录，进行个性化推荐，如在用户咨询某类服装时，推荐搭配的饰品或其他相关商品，这都是智能导向设计理念在不同竞品中的体现，展示了 AI 产品根据用户需求不断进化和提供个性化服务的能力。
传统互联网产品经理主要解决连接问题，致力于打破信息壁垒，将人、信息和资源连接起来。以社交平台和电商平台为例，社交平台产品经理通过设计功能，方便用户社交互动；电商平台产品经理则搭建购物通道，促进商品流通。
吴恩达认为，AI 技术的核心在于提升效率和解决复杂问题。AI 产品经理主要聚焦于提升效率。像智能客服，借助自然语言处理技术和机器学习算法，快速准确回应用户问题，极大提高了客户服务效率。在制造业，AI 产品经理运用人工智能优化生产流程，实现自动化生产和质量检测，大幅提升生产效率和产品质量。据统计，采用 AI 技术的制造企业生产效率平均提高 20% 以上。
传统产品主要面向消费者，满足个人用户需求。例如音乐播放软件，围绕个人音乐收听习惯和娱乐需求设计，提供个性化推荐、高品质播放等功能。
吴恩达指出，AI 技术目前在企业级应用中有巨大潜力。当下 AI 产品主要面向企业服务。在金融领域，AI 产品为银行提供风险评估和反欺诈解决方案；在医疗行业，辅助医生疾病诊断，提高医疗效率和准确性。市场调研机构数据显示，AI 产品在企业服务市场占比逐年增加，未来几年有望持续快速增长。
在互联网创业热潮时期，大量来自不同专业背景（如生物、英语、化学等）的人员成为产品经理。他们大多不懂技术，工作重点集中在市场调研、用户需求分析、产品设计和项目管理等方面。与技术团队沟通时，主要依赖需求文档和口头交流，对技术实现细节了解较少。
吴恩达在其教学和研究中反复强调，扎实的技术基础是 AI 从业者的必备素养。AI 产品经理需要具备丰富的技术知识。要深入理解机器学习、深度学习原理，清楚迁移学习、增强学习的应用场景。迁移学习能将一个任务的知识迁移到相关任务，加快模型训练；增强学习则让智能体通过与环境交互学习最优策略。
还要了解各类特征，像图像特征、情感特征等。在图像识别中，颜色、纹理、形状等图像特征帮助模型识别图像内容。同时，需掌握多种算法，如做推荐系统，要懂协同过滤、最新最热等常用算法。协同过滤根据用户历史行为推荐，最新最热算法则依据热度和时效性推荐。
AI 产品经理只有懂技术，才能知道如何用 AI 解决客户需求，确保产品靠谱。吴恩达也提到，在 AI 项目中，技术理解和跨团队协作至关重要。与数据科学家和工程师合作时，AI 产品经理凭借技术知识，能更好理解技术实现过程和难点，提出合理需求和解决方案。在评估产品可行性和性能时，技术知识也能帮助其确保产品满足用户需求和期望。比如评估图像识别产品，可通过了解图像特征提取算法和模型准确率等指标判断产品性能。
吴恩达认为，深入理解业务是 AI 落地的关键。在 AI 产品方案讨论阶段，梳理业务流程是关键的第一步。以保险行业为例，从客户购买保险到保险公司支付赔偿金的流程中，AI 产品经理需分析各环节，找出可由 AI 解决的问题，如车险定损赔偿流程中的人工审核环节，可借助 AI 提高效率。
同时，要梳理 AI 技术以匹配业务需求。各大招聘平台对 AI 产品经理的岗位要求中，业务场景理解能力、组织沟通能力和逻辑思考能力是高频要求。AI 产品经理需与数据科学家紧密合作，深入了解业务需求，确定数据收集、处理和分析方法。比如为保险行业设计 AI 产品，需收集大量车险照片数据，通过分析训练，让机器准确识别车辆破损情况，提升定损效率和准确率。
吴恩达强调数据是 AI 的燃料，优质数据和合适模型是 AI 成功的基础。确定产品方案后，传统产品经理通常直接画原型图，而 AI 产品经理需先明确让机器识别证件或车辆破损所需的数据和模型。
数据方面，通俗来讲，输入大量破损或正常图片训练机器，以提高精准度。但照片数据可能因遮挡、背景、书写规范等因素影响模型精准度。例如北京某保险科技公司收集车险照片数据时，因照片质量参差不齐，模型准确率仅 70% 左右，经筛选清洗数据，去除模糊、遮挡和背景复杂的照片后，准确率提升到 85%。
模型方面，要选择适合业务场景的算法。算法模型工作包括需求确定、算法设计、讨论、确认和验收等环节，AI 产品经理需不断循环迭代，直至模型满足用户需求。比如车险定损识别，可考虑使用深度学习中的卷积神经网络算法，因其在图像识别方面性能出色，经多次试验优化，最终确定合适算法模型，提高了定损效率和准确率。
在原型设计和对接工作阶段，AI 产品经理与传统产品经理有相似之处，但也有不同要求。传统产品经理根据需求设计原型图，并与开发、设计团队对接，确保产品开发顺利。AI 产品经理也需进行原型设计，但要考虑 AI 技术应用及与算法团队协作。
比如设计智能客服产品原型，传统产品经理关注界面友好性和功能完整性，而 AI 产品经理需思考如何融入自然语言处理技术，提高回答准确率和响应速度。对接工作中，AI 产品经理需与算法团队、运营团队紧密合作，确保产品上线后持续优化改进。
吴恩达指出，AI 产品的持续优化是其保持竞争力的关键。AI 产品经理在产品上线后需持续维护和优化，这与传统产品经理差异较大。传统产品经理上线后主要关注用户反馈和市场推广，AI 产品经理还需具备与算法团队对接及迭代模型的能力。
由于实际使用环境复杂多变，AI 产品经理需清楚产品上线后的维护和解决方案。比如智能客服上线后遇到新问题类型，AI 产品经理需与算法团队合作，及时更新模型，提高回答准确率。同时，要具备算法模型迭代能力，从数据中发现产品问题和用户需求。以某电商平台智能推荐系统为例，上线后通过分析用户行为数据，发现部分商品推荐满意度不高，AI 产品经理与算法团队深入挖掘数据，调整推荐算法参数，提升了推荐准确性和个性化程度，提高了用户满意度和购买转化率。
吴恩达多次提醒从业者，要正确认识 AI 技术的优势和局限。AI 产品经理要清楚 AI 技术并非万能，有特定适用范围和局限性。要了解机器学习、深度学习和大模型的关系与优缺点。深度学习在图像识别、语音处理等领域表现出色，但需大量数据和计算资源；机器学习部分算法在处理小规模数据时更高效。
要熟悉技术名词，如神经网络、卷积神经网络、循环神经网络等，理解主流算法原理和适用场景。卷积神经网络适用于图像识别，能自动提取图像特征；循环神经网络在处理序列数据（如自然语言处理）中具有优势。还要了解模型构建全流程，包括数据收集、预处理、模型选择、训练、评估和优化等环节，明确各流程节点产出物和职责。比如数据收集阶段，与数据团队合作确定数据来源和质量标准；模型训练阶段，与算法工程师沟通训练进度和效果。
吴恩达认为，科学评估模型是 AI 产品成功的保障。明确评估标准、指标和方法是 AI 产品经理必备能力。对于二分类模型，可采用准确率、查准率、召回率、特异度、F1 分数、ROC 曲线和 AUC 等指标评估。例如垃圾邮件检测，准确率衡量整体分类性能，但样本不平衡时可能不准确；查准率关注预测正例中真正例比例，避免正常邮件误判；召回率衡量真实正例中被正确预测的比例，确保捕捉垃圾邮件。
对于回归模型，可用 MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）和 R²（决定系数）等指标评估预测值与真实值差距。MSE 放大差异，适合开发过程使用；MAE 计算简洁，常作为实际评估指标；R² 直观表达模型预测效果，越接近 1 效果越好。
吴恩达鼓励 AI 从业者积极探索 AI 在不同业务场景的应用。AI 产品经理要积极发现 AI 适用业务场景，并根据具体情况选择合适算法模型。这需要深入理解业务需求，具备丰富技术知识。
比如智能客服场景，可选择基于深度学习的自然语言处理算法，如 Transformer 架构的语言模型，更好理解用户问题并准确回答；图像识别场景（如人脸识别支付），可选择精度高、速度快的卷积神经网络算法。选择算法模型时，要考虑设备性能和系统平台。若 AI 能力部署在本地硬件设备，需基于设备性能权衡，避免选择过于复杂的算法导致设备性能不足。不同系统平台支持库不同，算法适用部署平台也不同，选择算法时需综合考虑。例如 Android 系统上，某些轻量级算法更适合移动设备性能要求；服务器端 Linux 系统上，可选择更复杂、性能更强的算法。
下一篇：如何转型成为 AIGC 产品经理
本文由 @佳简几何 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。