本周阅读的是黄钊团长在 AI PM 行业非常有名的《人工智能产品经理的新起点》PPT，作为入门小白通读下来受益匪浅，特将重点内容梳理成幕布（未来阅读笔记均为次格式），供后期回顾。
- 时代背景
- 互联网+，物联网
- 机器人：商用、民用
- 人工智能：目前处于AI周期的上升期，未来会有瓶颈/低谷
- 人工智能产品发展的瓶颈
- AI 人才：技术、PM等资源稀缺
- 实际产品的落地
- 团队升级：旧的团队需提升能力、适应技术变革
- 人工智能的产业结构
- 应用层：AI PM 主战场
- 解决方案层：智能客服/助理、无人车、机器人等
- 应用平台层：行业应用分发与运营、机器人运营等
- 技术层
- 通用技术层：语音识别(ASR)、语音合成(TTS)、计算机视觉(CV)、自然语言处理(NLP)、即时定位与地图构建(SLAM)等
- 算法层：机器学习、深度学习等算法
- 框架层：TensorFlow、Caffe等框架或系统
- 基础层
- 数据层：各行业/场景第一手数据
- 计算能力层：云计算、神经网络芯片等
- 应用层：AI PM 主战场
- 7个维度选择行业方向
- ToB or ToC
- ToB：针对行业需求提供 ToB 服务
- ToC：通过软硬件结合提供 AI 产品
- 目前来看 ToB 的机会大于 ToC
- ToB or ToC
- 头部 or 尾部
- 头部：与场景深度结合，解决特定场景需求，如车载
- 尾部：长尾需求，如语音助手类
- 关键性应用 or 非关键性应用
- 大部分都是关键性应用
- 顶级科学家、周期长、投资大
- 端的价值
- 对 AI 的理解不能太偏向“软”
- 机器人端
- 端的价值，不仅仅是数据
- 离变现近
- 产品能快速实现
- 变现快
- 同时尝试2个方向
- 具备“AI + 垂直”两个领域的深度背景
- 自身具备或互补合伙人
- 知主线（能做什么），知边界（不能做什么）
- 未来 AI 行业预测
- ToB
- 智能客服
- 垂直行业 AI 助手：金融、体育、法律、设计
- 自动驾驶
- BI、政务医疗等行业、AI平台、聊天机器人
- ToC
- 机器人
- AR/VR
- 个人助手、安防
- ToB
- 如何找 AI 应用层场景痛点
- ToB
- 方法1：从行业当前痛点入手
- 方法2：切入垂直行业，更要细分垂直场景
- 衡量指标：场景边界明显、有产品及商业闭环
- ToC
- 一个原则：AI 辅助人工
- 保证更容易落地产品，而不是直接服务于 C 用户
- ToB
- 对话聊天类产品
- 设计难点
- 无行业评判标准
- 实际效果不稳定：训练结果对不上、不可预测性
- 投入产出比：后期优化投入大、数据时效性强、效果不一定能变好
- 解决难点的三个维度
- 开始对话：解决基础交互问题
- 持续对话：解决数据和架构问题
- 长期对话：解决需求问题
- 解决难点的十个方法
- 开始对话
- Q/A 或 正则：20%问题覆盖80%对话
- 限定语句模式：疑问句
- 限定对话逻辑：避免多轮对话过于发散
- 持续对话
- AI + 人工：对于无法回答或答案质量差的对话人工可以自定义
- 主动交互
- 架构设计：让每个问题都能回答，例如万能答案
- 数据驱动微创新：避免模板式回答、多用语气词、转移话题
- 长期对话
- 问答决策树：提高交互频率，刺激 AI 发现用户需求，问答对话引出意图
- 带入情感：文本、语气、动作、表情等
- 内容/IP：实时热点
- 开始对话
- 设计难点
- 互联网 PM 能力模型
- 素质
- 基本：学习/提炼能力、专业知识关联能力、办公技能、执行力
- 关键：沟通能力、基础理解、AQ/EQ、行业融入感
- 知识技能
- 市场：对外商务沟通
- 产品：行业认知、专业设计能力
- 运营：运营数据分析、营销与推⼴策略、危机预测与控制
- 客户导向
- 市场：市场/用户调研分析
- 产品：用户需求理解、产品规划
- 运营：渠道管理
- 领导力
- 项目管理
- 知识传递：带新人
- 素质
- AI PM 能力模型
- PM：输出核心价值
- 逻辑能力、沟通能力
- 快速学习能力
- 其他互联网 PM 能力
- AI
- AI 技术理解力
- L1：理清基本概念
- L2：了解技术边界
- L3：引导技术流程/架构/方向
- 类机器学习思维方式
- 多感官人机交互设计
- AI 技术理解力
- X
- 垂直场景认知
- 跨领域协作
- 人文素养和灵魂境界：高维 + 突变
- 一定要站到行业最前沿
- 市场型产品经理
- 重点不是细节，而是认知，解决60分的问题
- PM：输出核心价值
- 理清 AI 相关概念
- 机器学习（ML）：对能通过经验自动改进的计算机算法的研究
- 本质
- 总结过去，预测未来
- 对空间搜索和函数的泛化
- 是计算的逆运算
- 学习方式
- 全监督学习：如回归算法、SVM等
- 半监督学习
- 无监督学习：如聚类算法、降维算法
- 强化学习
- 迁移学习
- 神经网络——深度学习
- 本质
- 自然语言处理（NLP）：将人类语言形式转化为机器可理解的、结构化的、完整的语义表示
- NLP 是 AI 的核心瓶颈
- NLP 包含了 NLU（自然语言理解）
- 计算机视觉（CV）：通过算法对图像进行识别分析
- 技术现状：真实场景不太可用
- 训练数据集远少于现实数据集
- 训练标准远易于现实标准
- 训练效果远不足以满足现实效果
- 不满足非配合场景
- 实时性能要求更高
- 技术半衰期只有6个月
- 评价算法性能的四个维度
- 准确率
- 误报率
- 计算成本及响应速度
- 通用性/特异性
- 技术现状：真实场景不太可用
- 机器学习（ML）：对能通过经验自动改进的计算机算法的研究
- 如何转型到 AI PM
- 培养兴趣
- 阅读相关书籍/公众号/知乎精华/论坛/电影等
- 参加线上/线下课程
- 体验各种 AI 产品
- 与相关前辈交流
- 整理自己的独到见解
- 选择方向
- 平台网站类
- 垂直场景类
- 对话聊天类：最难、最前沿
- 实施转型
- 降低姿态和收入预期，从基础做起
- 实际设计 AI 产品
- 接触同行/不同行牛人
- 培养兴趣
- AI 的破局方向
- 将效率最优升级为情感最优
- 强调人机交互
- 研究最接地气的公司
- 对图灵停机问题的深入理解：判断任意一个程序能否能在有限的时间之内结束运行
网友评论