随着科技的发展，AI技术也渗透进各个行业里边，要跟上时代发展的步伐，作为产品经理，也必须了解AI相关知识，对AI技能也要有所了解，大家一起往下看一下笔者整理分享的这一篇文章吧！
不管是我们在进行网上购物时的feed流推荐，还是一句：嗨，小爱同学帮我关一下灯等，AI技术已经融入我们生活的方方面面。
随着人工智能的火热，越来越多的产品经理开始关注AI这个领域，希望借着这次风口进而扩宽自己的职业道路，让自己的产品之路走的更远。
AI一词（全称人工智能（Artificial Intelligence）），从出现开始，在网络中的定义也是铺天盖地，如果让笔者概况一下，笔者认为：如果一个系统能像人一样具备理性的思考和行为，那么我们就可以认为这个系统是人工智能。我们既然生活在人工智能时代，AI技术也在不断地发挥它的价值，对产品经经理而言，我们要抓住这次机会，将AI技术融入到思维模式中，以便更好的创造其价值。
相比之前传统的产品设计理念，笔者认为，产品经理除了核心职责和底层能力之外，还需要注重人工智能行业、算法场景以及验收评估标准等方面的知识。并且这里注意的是：我们未必一定要转型成一名AI产品经理，关键是需要具备用AI解决问题能力。
假如你是一名刚接触AI方向的产品经理，笔者给与以下几点建议：
在人工智能领域，有两个最基本概念首先是要清晰的，那就是机器学习和深度学习。
首先，我们先来看机器学习（Machine Learning）。机器学习的核心是让机器有能力从数据中发现复杂的规律，并且通过这些规律对未来某些时刻的某些状况进行预测。为了更好的理解，笔者举一个简单的例子：
比如，以私域营销里面常见的客户流失为例，企业需要通过机器学习在大量的历史客户数据和销售数据中找出规律，以便确定和理解为什么会失去客户。然后，企业就可以利用机器学习能力来分析现有客户的行为，以提醒业务人员哪些客户面临着将业务转移到别处的风险，从而找出这些客户离开的原因，然后决定企业应该采取什么措施留住他们。
我们再来看第二个概念，深度学习（Deep Learning）。深度学习（Deep Learning）是一种特殊的机器学习，是借鉴了人脑由很多神经元组成的特性而形成的一个框架。
它相对于普通的机器学习，深度学习在海量数据情况下的效果要比机器学习更为出色。但它也有它的局限性，就是深度学习对机器的性能要求会高，算法模型训练时间相对也更长。
因此，我们需要根据自身业务实际场景判断是否选择深度学习的相关算法。常见的深度学习算法，如：卷积神经网络、循环神经网络、生成对抗网络、自动编码器、强化学习算法等，作为产品经理，了解即可。
在AI领域，产品经理虽然不需要像技术人员了解的那么深入，但需要了解几个方面的技术知识，以便在产品开发过程中更好的与算法工程师同频共振。笔者推荐：数学统计学相关知识、模型构建流程、常见的算法3个方向的相关知识。
因AI技术建立在数学模型基础之上，必备的数学统计学知识是理解人工智能的基础，所以数学相关的基础知识是产品经理必须要了解的。
我们可以不需要具体了解每一个数学公式以及公式背后的逻辑，但我们需要知道数据统计学的基本概念以及概念的落地应用。比如了解线性代数中标量、向量、矩阵、张量概念以及概率统计中的常见分布，如：伯努利分布、正态分布等。（掌握边界：知道、了解）
模型构建的过程实际上就是应用某个算法技术来实现一个模型的过程，产品经理需要知道模型的建模流程都有哪些节点，这些节点都牵扯了哪些角色，每个角色又承担了什么工作，每个节点的产出物是什么，以及每个节点合理的工作周期又应该是多长时间。
一般来讲，模型构建大致包括4个阶段，分别是模型设计和选择阶段、特征工程阶段、模型训练与验证阶段和模型部署阶段。
下面我们看一下模型构建各个阶段需要做的事情以及产品经理在其中要做的事情：
1) 模型设计和选择阶段
在模型设计阶段，最重要的就是定义模型的目标变量以及抽取的数据样本。在这个环节，对于产品经理而言，产品经理需要基于当下业务，去思考这个模型该不该做，我们有没有能力去完成要做的模型以及目标变量应该如何设置、我们的数据源有哪些、数据样本如何获取等。
比如：以私域营销为例，我们要通过AI实现企业应该采取什么措施留住流失客户。在这个案例里面，流失客户便是目标变量，大量的历史客户数据和销售数据便是我们现有的数据源。
我们再来看模型设计阶段数据样本的抽取。因为模型是根据我们的样本进行训练的，所以数据样本抽取决定了模型的最终效果。这里我们需要注意的是，作为产品经理我们在选取样本的时候要根据业务的常用场景去抽取，尽量规避一些特殊场景，如：双11、双12等场景数据等。
2) 特征工程阶段
当我们完成模型设计阶段，有了目标变量和数据样本，我们就可以进入到第二个阶段：特征工程阶段。首先我们先看一下什么是特征工程？特征工程是AI学习中的一个重要环节，它涉及到对原始数据进行处理和转换，以便更好地适应机器学习模型的训练和预测。
特征工程的目标是提取有意义的特征，以便提高模型的性能和准确性。因此，在特征工程环节，特别考验产品经理对自己业务以及业务目标的理解程度，假如产品经理根据自身对业务的理解创建出超级特征值，可以说对模型的性能有极大的提升，将会减少很多工作内容。
一般情况在特征工程阶段，包括特征使用方案、特征获取方案、特征处理、特征监控等环节，并且特征工程阶段也是占据AI模型开发时间周期最长的阶段，所以产品经理需要了解特征工程的核心步骤，尤其是是数据清洗和特征提取两个环节。
为什么这么说？其一，因为数据和特征的质量决定了模型最后的效果表现；其二，在模型训练过程中，由于技术的复杂性和模型效果的不确定性，会出现很多计划之外的工作和问题。
作为产品经理，只有对各环节有足够多的了解，才能更好的理解算法本身以及算法工程师团队，便于说服老板理解问题，确保投入更多的资源以及包括更好的与客户进行沟通。
3) 模型训练与验证阶段
模拟训练与验证阶段，其实就是通过不断训练、验证和调优，让模型达到最优的一个过程。在这个将阶段，不得不提到决策边界概念。
决策边界通俗理解就好比：你看上一款笔记本电脑，当笔记本降价到3500RMB就会够买，超过3500就不会购买。那么3500就是决策边界。
并且不同算法的决策边界也不一样，比如线性回归和逻辑回归这样的线性算法，它们的决策边界也是线性的，而对于决策树和随机森林这样的非线性算法，它们的决策边界也是非线性是一条曲线。因此，决策边界是判断一个算法是线性还是非线性最重要的标准。
4) 模型部署阶段
一般情况下，因为算法团队和工程团队是分开的两个组织架构，所以一个模型训练完成并通过评估后，算法工程师就要考虑怎么把它部署到线上，并应用到业务场景中。虽然模型部署不属于模型构建中的环节，但它却是 AI 产品上线中必不可少的一环。
在算法这个领域，作为产品经理不需要深入，但需要知道常用算法的实现逻辑和应用场景，以便更好的与算法工程师进行沟通，减少沟通成本，并且当产品与算法工程师之间因结果产生争执时，也有一定理论做支撑。
（这里并不是怀疑算法团队的结果，而是更好的推动事情的发展），经笔者查阅资料，建议了解一下算法：
总之，在这个AI技术融入各行各业的时代，作为一名产品经理，无论是否是AI产品转岗，除了产品经理核心职责和底层能力外，还要有AI领域的知识储备。毕竟新的产品时代已经开启！
本文由 @王振永 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。