小乐帝之前从事新闻客户端产品工作,由于业务需要,对推荐系统原理有过粗浅的了解,人工智能又属于方兴未艾的行业,专业人才较少,准入门槛不高。借着这股风,开始混迹于人工智能领域通用推荐系统应用,就如乔布斯所说,之前做的事情通过某种方式实现了串联。现如今人工智能继续升温,人员门槛也在不断提升,不禁感叹进入时机恰当。
认知体系
小乐帝一进入企业,便经受了诸如机器学习内容的洗礼,也尝试利用可视化建模工具建模,但始终不达要领。推荐系统产品化过程中,对于理解流程和过程更是异常头痛。
真正开始变被动为主动,是小乐帝在工作之余补课,逐步建立起了认知体系。《hadoop海量数据处理》、《推荐系统实践》、《大数据与机器学习》、《为大数据而生》,这几本书分别介绍了大数据底层技术原理、推荐系统原理、机器学习原理和大数据应用。AI公司更多是大数据公司,本质上做的是数据挖掘的事情,只是在表现层获取的数据类型和挖掘的目标和具体方法不同而已。都遵循确定挖掘目标、收集数据、数据清洗、数据挖掘、数据分析五个过程。
推荐系统则是一种数据挖掘方法,基于机器学习的推荐系统,则是在传统推荐系统的召回和生成列表的步骤中,增加了基于用户行为构建模型对召回内容进行排序的过程。
在以上的认知上,逐步摆脱了AI盲目崇拜的心态,从理性出发,不断填充认知体系中的细节。这段找寻第一原理的弯路回头来看,完全可以找同行或同事来快速缩短。
需求来源
刚一入职AI PM小乐帝颇为拘束,做就了发现AI PM本质上跟互联网PM没有区别,核心仍然是在用户(客户)需求、企业自身商业需求寻求平衡点,即寻找问题最佳解决方案解决最佳投入产出比的问题。
AI产品技术含量高同时当前阶段以TO
B企业服务和解决方案为主,这就对AI PM相较于传统互联网PM提出了更高的要求:更懂技术的原理和边界、更懂商业上的诉求。
总的来说,需求来源有三块:老板需求、业务方需求、研发人员需求。由于PM不直接与客户对接,经过业务方和研发人员的需求,更多是带有主观色彩的二手需求。处理这些需求,一个是需要深入挖掘,抽象出客户真实需求;一个是接近需求源,譬如要求类似合作沟通群必须拉产品经理进去。周会各方人员沟通进度也是一个不错的需求源。老板的需求更多是浅层客户需求与企业需求的一种融合与抽象,需要细细考虑。
AI产品化
随着AI这波浪潮往前发展,AI企业军备竞赛和底层框架的完善,AI技术重要性会逐步降低,产品化过程也会异常漫长。如今AI应用较成熟的行业如:金融、运营商和互联网可谓数据化程度最高的行业。与其说AI应用或产品化在找场景,不如说AI应用在找数据,哪些数据化程度高的场景可以通过数据挖掘提升生产力。这也与小乐帝数据挖掘认知构建吻合。
推荐系统的产品化也并非一帆风顺,工业界的同事对如何推荐广告或推荐内容了如指掌,但如何将推荐系统通用化卖给客户还有很长的路要走。
AI产品化核心是开源节流。拿推荐系统为例,推荐系统已经在互联网行业被证明是行之有效解决信息过载和个性化需求的解决方案,提供推荐系统服务,就是一种B2B2C服务,最终服务是面向用户,但首先要有客户,因此如何保证产品能让客户低成本接入就是产品化面临的首要问题,这是开源问题。节流则是AI工程师太贵了,月薪5w的AI工程师不在少数,如何释放人力成本,让高薪的AI人力造更多轮子而不是不断拧螺丝,这是节流问题。
AI产品化在不断解决以上的两个问题,只有将以上核心问题解决好之后,才能再进一步思考如何提供增值服务粘住客户的问题。
定位与目标
职场人职业生涯每一段都要有所收获,小乐帝也不希望始终处于给技术打杂的状态,因此也思考希望从当前工作中的收益问题。首先便是进入AI领域,对机器学习产品化和垂直领域产品化有个认知和推进业务发展经验,其次是对业务各角色职能和作用有一个认知,知晓其做事套路。朝着这个方向发展,未来则是努力负责某个AI业务,能够独当一面。
小乐帝观察老板也并非事事胸有成竹,但会表现的胸有成竹,这也许能解释为什么人家能做老板。具体到工作中,其缺少AI产品化经验也会焦虑,但好在不断的调整。其调整方式值得借鉴:招各职能懂的人不断学习和做判断、不断的找人表达观点修正观点、与高层接触密切视野更高。勤奋与思考,使其每天并不需要加班就能cover住事情。
小乐帝则会在接下来从输入和思考层面,边开车边造轮子。努力做到非常了解人工智能行业和当前应用阶段(懂技术边界和应用),能够在产品化过程中有想法和MVP成果(产品业务规划),在以上基础上能够获得关键人员的认可和获得良好的人际关系(不断证明能力和正确决策)。
当然离精通还很远,但在路上。
产品经理读书会」
专注于爱读书爱思考的产品人提供读书推荐、产品思考、以书会友的环境
欢迎爱读书的产品人分享产品道路上的感悟
投稿邮箱:booksforpm@126.com
网友评论