从传统角度来看,一款成功的产品需要拥有稳定的功能,至少要满足甚至超出用户的期望,并且能够为业务的增长作出重大贡献。产品经理的主要职责包括设定和管理用户期望,定期收集可量化的反馈信息,严格地与工程师进行沟通,并确保产品能够应对业务和市场的不断变化。

 

AI 产品相比传统产品来说则有很大的不同。比如,在我担任产品经理的时候,交付让客户感到满意的“确定性”产品是衡量成功的标准。只要标准一样,那么硬件产品的产出结果也几乎一样。同样的,相同的用户预期使得软件产品形态也不会有太大差异。但是,一个人工智能(AI)驱动的产品可能并不总是具有确定的产品形态,实际的结果可能与直觉有所差异,个性化的推荐系统能够学习不同偏好,因此可能产生不同的结果。

 

对于产品经理来说,如果想要交付一款成功的 AI 产品,除了履行常规的产品经理职责之外,还需要具备新的思维方式并增强一些其他技能。在本文中,我将围绕产品构思、原型设计以及早期发布来介绍一些新的思维方式。

 

 

1. 密切跟踪 AI 技术动态

麦肯锡全球研究院(MGI)对 160 多个行业的人工智能使用案例进行了调研,调研发现只有 12%的案例突破了实验阶段,并且这些案例局限在技术部门之外。MGI 报告中提到的最佳案例是一家采用敏捷、测试和学习方法的公司。它建立一个跨职能的人工智能任务组,该任务组在几周内完成原型构建以及业务单元测试,然后进行下一次迭代。对 AI 应用具有敏锐洞察力并且能够把握行业趋势的产品经理才能在 AI 领域里脱颖而出。我个人觉得 MGI、Gartner 的 AI 市场报告以及 CB 人工智能研究栏目内容都非常有见地,我密切关注着它们的 Twitter 来了解 AI 动态。

 

2. 把握深度学习的研发趋势

AI 产品经理的核心竞争力并不在于精通多少高深的算法,他们的主要职责是尽快将这些算法转变为产品和服务并推向市场。即便如此,我们仍然需要密切关注算法的最新研究进展。

 

AI 领域大多数有影响力的人物(比如谷歌的 Peter Norvig,Facebook AI 研究的 Yann LeCun 以及微软的 Eric Horvitz)似乎都乐于享他们研究 AI 算法和体系结构上的突破,你可以在公司网站上找到他们的论文和方法。

 

除了这些大公司之外,如果想要关注其他公司的深度学习社区动态,我推荐 Andrej Karpathy 网站,这上面总结了在 Arxiv 上发布的最新机器学习和 AI 研究。

 

 

3. 聚焦 AI 实际案例

AI 目前被炒得很热,有人声称它是一种新兴的高级技术,威胁着多个传统领域,也有人说相同概念已经存在多年,AI 不过是新瓶装旧酒。Peter Norvig 近期在接受采访时指出,大众媒体的记者在很多情况下扭曲了 AI 的影响力,有的甚至对其疯狂炒作,并向读者营造出一种错失恐惧症的感觉。

 

AI 产品经理应当具备批判性的思维,以便将炒作信息与真实情况区别开来,并且深入了解 AI 的实际应用案例。产品经理应当了解 AI 领域的相关技术,尽管这些技术相对于那些仍处于研究阶段的产品而言更具商品化,但它们仍然有益于产品路线图的规划。此外,对于投资回报率更高的 AI 案例,以及上市时间更短的 AI 案例,产品经理应该能够明确区分。

 

4. 关注以客户为中心的数据

产品经理应当具有“用户至上”的基本意识,但是在把一个想法成功转变成产品的过程中,对于 AI 产品经理来说还需要额外的数据读写能力。想要做到用户至上,AI 产品经理除了突出产品功能和优势之外,还需要理解客户工作的意义、目的以及他们选择背后的动机。

 

数据至上包含两个方面:(1)能够量化客户所关心的问题,做一个数字化的支持者;(2)能够建立用于构建高质量 AI 模型的综合数据集。此外,还需要获取准确反映用户工作、行为、交互模式和痛点的数据。数据形式可以是像素、字符、数字或者比特。

 

如果能够对数据提取、数据处理以及数据可视化有基本的了解,则有助于创建更具客户价值的 AI 解决方案。

 

5. 善用简单模型快速构建产品

并非所有成功的 AI、ML(机器学习)产品都采用了复杂的模型,实际上,沉迷于复杂 AI 模型的行为并不受推崇。这是因为底层模型的准确性并不能保证良好的用户体验。

 

一些简单的模型也能够提供足够的准确性,增加模型的复杂性遵循二八定律,只会导致边际改进。但是,在某些情况下,准确性至关重要,模型需要多次迭代。

 

如前所述,有必要用最简单的 AI 模型构建出小型管道,从而创建用户体验并收集反馈。Jussi Pasanen 的最小可行产品(MVP)金字塔模型可以根据 AI 产品进行调整,如下所示:

 

 

 


7. 构建广度优先而非深度优先的 AI 模型

AI 产品经理应当熟悉 AI 端到端产品的工具和技术。这样一来,他们才有能力影响:

人工智能工程师和数据科学家在他们的模型中能够正确利用复杂性,同时确保自己拥有增加复杂性的能力。

数据工程师需要构建健壮的系统并对其进行适当的扩展。

 

整个团队能够适当利用云计算服务和虚拟化架构。

 

 

 


举例来说,iPhone 的语音邮件转录服务对其低信度是透明的,并为用户提供了一个选项来帮助苹果通过提交语音记录来改进转录。

 

 

 


数据科学需求层级金字塔(源于 Insight 的顾问 Monica Rogati )很好地呈现了 AI 产品技术堆栈。

 

此外,AI 工程师和数据科学家通常具有很高的学位(几乎都是博士)以及强大的学术背景,并从新颖的学术项目中获得巨大的智力满足感。产品经理需要调整他们的倾向,以制造出适合市场和用户的实用产品。

 

 

除了强烈的产品意识之外,你需要对各种机器学习算法和 AI 模型及其上下文具有高层次的理解,才可以成功管理 AI 工程师团队并推出 AI 产品。

 

总结

人工智能目前成果显著,在未来必将前途无限。当前已有代表性的产品,它们能够让顾客满意,并且明显提升了现有业务。AI 产品经理是产业发展的催化剂,他们需要不断掌握新的的思维和技能,才能促使 AI 产业的腾飞。