来自：Prasad Velamuri
评译：Kevin嚼薯片（微信：kevinwork）
备注：本文独家发布自金蝶云社区
Prasad Velamuri拥有加州大学洛杉矶分校的MBA和路易斯安那州立大学的电子工程硕士学位。Prasad与合伙人共同创立了一家对话型人工智能初创公司，他之前曾在思科(Cisco)担任一条企业产品线的软件产品经理，在三星(Samsung)负责技术战略，并在瞻博网络(Juniper Networks)为一些全球最大的电信公司编写软件。作为一名洞察人工智能产品的研究员，他建立并组织了一个团队，利用人工智能为文本简化服务构建了一个产品原型，旨在帮助年轻的阅读人士。
一个成功的产品具有一致性，满足甚至超过用户的期望，并对业务的快速增长做出重大贡献。对于产品经理来说，预设和管理用户的期望，定期收集可量化的反馈，与工程师进行严格的沟通，并确保产品随着业务和市场的转变而务实地发展，这些都是至关重要的。
然而，人工智能产品与传统产品有很大的不同。例如，作为一个传统的产品经理，成功的衡量是到交付的“确定性”的产品，硬件产品在标准条件下有相同的表现，软件或互联网产品则相同的用户操作下会有跟预期相同的响应结果。然而，人工智能驱动的产品可能并不总是具有确定性的行为，而且实际上可能产生与直觉相反的结果，例如个性化的推荐系统在学习了额外的偏好之后，可能会对用户的行为产生不同的结果。
为了成功地交付AI产品，产品经理需要构建新的思维方式和常规产品经理所需要的额外技能。在这篇文章中，将会介绍一些观念上的转变，特别是围绕产品构思、初始原型和早期发布。
1. 跟踪市场如何应用人工智能技术
麦肯锡全球研究所(MGI)对不同行业的160多个人工智能用例进行了审查，发现只有12%的用例在实验阶段之后取得了进展，而且在技术领域之外的应用受到了限制。MGI报告中提到的最佳的落地方式是采用敏捷、测试和学习方法，这包括建立一个跨功能的人工智能任务组，该任务组在几周内构建一个原型，并在进一步迭代之前对业务单元进行测试。在应用人工智能方面拥有良好的市场洞察力，并跟上相关的宏观趋势，将有助于产品经理保持与时俱进。这些来自MGI、Gartner和CB Insights AI research的AI市场报告非常有见地，你可以在Twitter上关注他们的更新。
2. 跟随深度学习研究的趋势
人工智能产品经理真正的竞争优势不是来自算法本身的专业知识，而是他/她缩短应用这些算法的产品和服务上市时间的能力。然而，我们需要掌握所有最新的研究趋势和算法的进展。
因为大多数在人工智能领域有影响力的人(比如谷歌的Peter Norvig,、Facebook的Yann LeCun和微软的Eric Horvitz)似乎都愿意让他们的研究人员分享在人工智能算法和架构方面的突破，你可以在他们公司的网站上找到他们的论文和方法。
为了密切关注这些公司之外的其他深度学习社区，Andrej Karpathy的网站总结了机器学习/人工智能方面的最新研究，这是一个好地方。
3.关注人工智能的实际用例
人们很容易受到围绕一项新兴技术或人工智能(AI)的愿景和威胁的大肆宣传所制约。彼得•诺维格(Peter Norvig)最近在与Insight的同事们交流时指出，在很多情况下，大众媒体的记者会歪曲人工智能领域有影响力人士的话，或者制造炒作，向读者灌输一种恐惧或兴奋的感觉。
人工智能产品经理需要有批判性思维，将宣传与真实的区分开来，并对人工智能的实际用例有深入的了解。产品经理应该了解人工智能领域的技术，哪些技术已经商品化，哪些仍在研究之中但看起来很有希望成为产品。同样，PM应该清楚地区分那些AI模型可以提供最高ROI，以及那些启发式模型在缩短投放市场时间的同时性能更好。
4. 关注以用户为中心的数据
虽然关注用户是成功的产品经理的基础，但AI/数据产品经理在将产品从构思推向落地时，还需要额外的数据素养。用户为中心需要超越产品功能和利益，理解用户工作的意义、他们的目的、动机和他们做出的有意识的选择。
数据关注有两个方面：(1)在量化用户关心的问题的同时，成为数字化的拥护者；(2)能够构建全面的数据集，以构建高质量的人工智能模型。后一个方面包括设想获取准确反映用户工作、行为、交互模式和痛点的数据的方法。数据可以是像素、字符、数字或来自各种类型的传感器的形式。
对处理数据流(包括数据摄入、数据处理管道和数据可视化工具)有基本的了解，有助于为构建能够创造用户价值的AI解决方案。
5. 在探索复杂的AI模型之前，先做一个MVP产品
并不是所有成功的使用AI/ML的产品都采用复杂的模型，明智的做法是不要过分沉迷于AI模型的复杂性。这是因为底层模型的准确性并不总是与良好的用户体验相关联。
一些简单模型的精度足够好，增加模型的复杂度只能得到边际的改进，从而验证帕累托原理。然而，在某些场景中，准确性是至关重要的，模型需要更多的迭代和复杂化。
如前所述，可能需要使用最简单的AI模型构建一个MVP来验证用户体验并收集反馈。
6. 根据影响度量迭代地构建AI用例
PM需要熟悉任何提供快速验证循环学习的方法，以快速迭代AI模型。基于假设-设计-测试-学习的精益产品设计方法，PM应该有能力构思核心业务的简单用例。应该为这些基于小数据集的用例运行敏捷实验。这些实验应该映射到机器学习的基本能力，如分类、聚类、回归(预测+预测)和深度学习的能力。将模型度量映射到业务度量之后，可以从一个简单的模型开始迭代模型。
用例最终应该专注于为最终用户创造重要的价值，同时提高收益，并且应该与对用户重要的度量标准绑定在一起。同时为多个目标优化端到端的人工智能模型可能非常具有挑战性，并使系统难以调试。在实际的实现中，可以构建一个人工智能模型管道，每个模型都针对特定的度量指标进行优化。这将产生一个易于调整和维护的系统。例如，在构建文本简化应用程序时，摄入后数据处理系统可以由三个AI模型组成——主题分类器、句子简化器和一致性检查器，每个模型都针对一个唯一的度量指标进行优化。
7. 广度优先(数据/管道/模型)，而非深度优先(AI模型)
人工智能产品经理应该熟悉用于创建利用人工智能的端到端产品的工具和技术。这使他们有能力对以下内容施加影响：
- 人工智能工程师和数据科学家在模型中的复杂程度，并确保能叠加复杂度。
- 数据工程师要构建健壮的系统并确保扩展性。
- 整个团队利用适当的云计算服务和虚拟化架构。
这种理解包括对API生态系统的高层次认识，该生态系统帮助服务于最终用户、数据摄取工具(如Kafka)、数据处理系统(如Spark)和NoSQL DBMS(如Cassandra)来处理大数据。了解他们在AWS和GCP上的商业替代方案，理解构建各种组件和使用商业替代方案的成本结构也很重要。
更好的做法是避免重复发明商品化的人工智能技术，并利用来自AWS、GCP、IBM和Azure等流行云提供商的服务。
8. 确保你的产品减少失败几率
有很多方法可以让大公司的人工智能产品处理低性能场景或减少失败几率。一个简单的方法是为用户提供一种方法来立即重新标记数据，以进一步改进模型。
例如在开发的文本简化产品中，考虑添加一个连贯检查器，它可以从前面的模型中确定简化句子的连贯/语法。如果它低于阈值，系统可以透明地显示它的置信度，并为用户提供对结果提供反馈的选项，或者使用与输出相同的输入语句。
9. 坚持人工智能模型的解释力
使用深度学习构建的人工智能模型是一个黑盒子，在涉及法律、医学和安全等高责任的一些关键应用中，输出需要对目的作出明确解释。本文总结了两种解释深度学习模型预测的方法，一种是计算预测对输入变量变化的敏感性，另一种是根据输入变量对决策进行有意义的分解。产品经理应该利用基于这些方法的工具，并确保模型中没有偏见性。
10. 与团队建立清晰的沟通——了解数据和ML的基本原理和语言
人工智能产品经理应该理解人工智能研究人员、数据工程师和数据科学家的语言。这使得AI产品经理能够提供关键的反馈，并根据用户体验帮助AI工程师调整模型。
此外，人工智能工程师和数据科学家通常具有很强的学术背景(博士)，并从新颖的学术项目中获得巨大的满足感。产品经理需要引导他们的方向，使产品是对用户友好的。
除了强烈的产品意识之外，如果你对各种ML算法和人工智能模型及其上下文有较高的理解，那么你就有能力成功地管理一个人工智能工程师团队并推出人工智能产品。
如欲获得更深入的专题报道，请观看以下视频讲座：
- 来自加州大学伯克利分校西蒙斯研究所的《机器学习》
- 来自斯坦福的《卷积神经网络》
- 来自加州大学伯克利分校的《深度强化学习》
结论
人工智能的当前阶段是有前途的，有几个机会制造优雅的产品，创造巨大的价值，取悦用户，并显著改变业务。人工智能产品经理是这种转变的催化剂，需要具备正确的心态和技能。
