随着互联网产品承载得越来越复杂，中台产品应运而生。中台产品是企业进行数智化建设的关键环节，能为企业降本增效。随着ChatGPT的出现，中台产品与之结合，会带来什么样的火花？一起来看看吧。
最初的互联网产品主要分为前台产品和后台产品。后来随着互联网产品承载的业务越来越复杂，中台产品应运而生。
对于一些大型互联网公司而言，公司各种应用系统非常多，资源比较分散，模块之间的链路冗长。为了整合公司资源，实现业务之间的资源共享，提升部门间的协作效率，将具共性的产品模块进行提炼，从而整合出的标准化平台产品，这个产品就是中台产品。
如果以软件工程的视角看待中台产品，从设计模式维度上进行分析，中台产品可以简单理解为“适配器”模式。
中台产品是企业进行数智化建设的关键环节。中台产品为核心价值是实现企业内部海量数据和信息的高效流转，高度可复用，为企业降本增效。
ChatGPT（ChatGenerativePre-trainedTransformer），最初指的是OpenAI研发的生成型预训练变换模型聊天机器人程序，后来很多科技公司都推出了基于AIGC（Artificial Intelligence Generated Content，生成式人工智能）的聊天机器人，ChatGPT成为了通用的生成式智能聊天机器人的代名词。
中台产品领域模型，概括起来可以称为“三务”，即业务、财务和服务。
基于中台产品业务领域，自顶向下进行产品细化。每个业务领域可以细化为中台产品结构模型。以商品中台为例，产品结构模型可以从表现层、接入层、应用层、服务层和基础层进行建模。
表现层主要用于对商品信息的终端呈现，通过电脑端的Web浏览器、手机或是常见的各种大屏设备、游戏设备等查看商品信息，是和用户进行直接交互的媒介。
接入层则包含了为终端提供服务基础功能，例如鉴权、API（ApplicationProgrammingInterface，应用程序接口）或是实现表现层功能所需的SDK（SoftwareDevelopmentKit，软件开发工具包），以及相应的安全功能。
应用层涉及的内容非常多，承载业务场景主要功能。以商品中台为例，商品售前包含商品的广告、物料、渠道，商品的引流获客，商品个性化定制以及商品的优惠折扣等；商品销售中包含商品购买商品计费、商品的上架与下架、商品的属性（商品是什么类别，外观是什么样，价格为多少）；商品售后包含了履约、退换货、评价和客户服务等。
服务层包含了满足业务开展的基础服务。商品中台产品中，涉及搜索和推荐的策略、商品数据、风险控制、外部依赖。每个模块中，又会细分很多基础服务功能。
基础层则是满足商品中台运行的一些基础功能，例如商家入驻管理、商品管理以及费用管理等。是整个商品中台产品运行的指挥部。
中台产品结构由各个中台产品功能模块组成。一般而言，产品架构师或是产品负责人定义完成业务领域范围之后，构建产品结构。
对于特别大型的中台产品实施场景，可以根据产品结构中的层次维度，进行工作分工，也可以按照产品模块的维度，以产品小组的模式进行产品实现。然后由不同的产品实施小组对产品模块涉及的功能细节进行产品分析与实现。
同样以产品中台为例，在商品中台结构模型中，服务层涉及搜推策略功能模块，假设实际工作中，搜推策略模块由独立的产品小组进行负责，我们如何将搜推策略模块进一步进行抽象和实现呢？
商品搜推涉及的核心功能是商品的搜索与推荐功能。可以基于实际产品应用的视角，将商品搜推划分为用户层、服务层和基础层。
用户层主要包含搜索和推荐主要功能，例如用户的搜索历史、向用户呈现的热门搜索、意图识别、猜你想要、猜你喜欢等；评价则是获得用户对搜推功能的反馈，目的是为了通过用户的反馈，进一步提升搜推的准确度。
服务层涉及商品搜推功能实现的核心服务，例如QP（ Query Parser，查询解析器）实现解析解释用户搜索输入的术语和参数；结果排序则是对用户搜推的结果通过粗排、去重和精排的过程，提炼最优结果；通过关联分析，进一步提升搜推质量。
基础层主要包括实现商品搜推的引擎与知识库，引擎承载着实现搜推的核心逻辑，这里商品和用户的元数据，商品特征、用户特征以及一系列的特征组合，也有非常多的算法模型，并通过配置实现产品期望的功能；知识库是整个涉及商品相关信息的集合，不同场景的搜推应用，知识库里的内容也有所不同，构建完备的知识库，可以使搜推结果变得更为准确。
ChatGPT目前比较常用的功能是同人类进行对话，能够通过理解和学习人类的语言同人类互动，针对用户提出的问题给出相应的答案。
通过海量数据的训练和学习，使得ChatGPT拥有上知天文、下知地理的能力。目前市面上类似于ChatGPT这样的产品有许多，例如国内大家比较熟知的星火、文心一言、通义千问等。
目前的ChatGPT应用，知识的广度没有问题，对话的结果一般基于互联网公开的数据生成。但是对于企业内部应用而言，由于ChatGPT无法获得企业内部数据，知识储备不足，无法针对于企业内部的应用，给出准确的结果。
ChatGPT基于LLM（LargeLanguageModel，大规模语言模型），其训练成本根据目前公开的数据，GPT3每次的训练需要34天左右，花费180万美金，PaLM每次的训练需要50天，花费1500万美金，单次训练的成本较高。
对于企业而言，没必要让自己的ChatGPT通晓所有知识，而是基于公司的主营业务，聚焦于某个具体的场景进行应用，提升企业内部ChatGPT产品的ROI（ReturnOnInvestment，投资回报率）。
企业的中台产品同ChatGPT的结合，是一个非常不错的应用场景。企业中台几乎同企业所有的业务系统进行交互，有非常丰富的信息流和数据沉淀，可以用来作为ChatGPT的训练样本。
ChatGPT可以定位为企业的中台产品的业务助理，将一些需要人为重复性的劳动从工作中解放出来，例如编写周报，生成数据可视化报表，配置基础的业务参数等。
同样以商品中台产品为样例，可以很明显看出，中台产品现有模式和ChatGPT同中台产品结合后的模式，工作流程有明显的优化，工作效率有显著提升。
对于操作中台产品的业务人员而言，以前要根据不同的业务场景，切换不同的中台产品应用，目前仅需要一个对话框即可完成工作。工作内容变得简洁高效。如以下产品原型所示。
综上所述，我们对中台产品的主要应用场景结合实际案例进行了讲解，并且探索了中台产品同ChatGPT结合的方式。
我们相信，任何可以提升生产力，提高生产效率的产品，都能为企业的发展带来价值，为社会的进步提供动力。
中台产品虽然可以通过整合企业内部资源从而达到提升效率的目标，但是在实际工作中我们也发现，业务人员在操作中台产品上，与理想的预期目标仍然有一定差距。
“你永远不可能真正了解谁，除非你穿上他的鞋子走来走去。”这是《杀死一只知更鸟》书中的一句话。
很显然，当产品经理深入了解业务后，以业务的角色亲自去使用中台产品后发现，并没产品经理想象得那样完美。
ChatGPT同中台产品的结合，是中台产品发挥作用实现价值的一个新的途径，也是企业数智化建设的一个新方向。
以产品推动企业和行业的发展，也是每一个产品人的使命。唯有信仰和热爱方能抵御岁月蹉跎！在AGI（Artificial General Intelligence，通用人工智能）的浪潮中，大家一起加油！
专栏作家
王佳亮，微信公众号：佳佳原创，人人都是产品经理专栏作家，年度优秀作者。中国计算机学会（CCF）会员。《产品经理知识栈》作者。专注于互联网产品、金融产品、人工智能产品的设计理念分享。
本文由@王佳亮 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。