「如果說網際網路是優化資訊的儲存和傳輸方式，提公升生產要素之間的運阿行效率；人工智慧便是對各個生產要素的公升級。」平台-強調賦能基礎支撐/基礎平台-通用的ml技術平台，實現常用的演算法,形成通用機器學習平台（spark/tensorflow等），對外提供api、sdk等，為業務賦能。這類平台聚焦效能、開發效率和**準確度。
應用-融入場景
突出場景閉環，如利用人臉識別、自然語言處理(nlp)等技術構建新的互動體驗和使用者場景。
目前市面上看到的人工智慧產品都屬於弱人工智慧的範疇，它們通常專注於某一特定領域，有一定規則邊界，是達成既定目標的工具；各個領域的初級崗位最有可能被這類人工智慧替代。
資料
讓人工智慧產品能夠運轉起來的前提，首先需要尋找和積累大資料，大資料是機器學習平台必需的燃料，有足夠大的燃料，平台所跑出的模型精確率會越高。
通常我們會通過中介軟體工具（kafka/tube）進行流轉，將資料運輸到hdfs等儲存平台，包括文字、、語音等資料，並對其做資料清洗，特徵處理等，便於載入到接下來的神經網路。
演算法、訓練模型
訓練出乙個有效的模型的前提，需要資料和演算法兩者的雙管齊下；從計算模型的角度，我們通過所獲取並清洗好的一組資料，配置好演算法相關的關鍵引數來構建模型的執行，從而形成了一定的反饋路徑，來達到預期的輸出結果。
通過資料的灌輸，建立起輸入-處理-輸出(ipo)的關係，載入到神經網路的訓練中，學習資料中的規律並產生乙個最能契合這些資料的函式表示式。在訓練過程中，不斷去試錯和糾正，去推進模型更為精準的路上。對模型準確度有足夠信心，便可把訓練完成後的模型部署上去，去**餵養新資料後的結果是什麼。例輸入的是人臉，那麼輸出結果便是人臉識別結果。
應用模型
當模型精確度足夠高後，便可上線服務，實際運用到我們的系統中。典型的例子是電商系統中基於使用者/物品的推薦。
1.明確產品的定位，找到產品能發揮價值的地方
在做ti-one初期，我們的目標是做乙個通用／易用性高的機器學習平台，讓方便業務接入平台。使用者無需關注機器學習的執行細節，如底層用什麼計算框架、用多少計算資源、應該怎樣配置引數等，將注意力重點放在核心業務，同時也可以享受機器學習帶來的便利。
我們把ti-one設定為乙個拖拽式建模工具而不是類似於jupyter的互動式工具，雖然jupyter有很好的拓展性，但為了降低機器學習使用門檻和釋放使用者大量寫**的時間和精力，增加受眾面，我們選擇了把特徵處理、演算法以模組化的方式來設計，讓使用者在拖拽元件中，快速完成模型的搭建。
在產品化機器學習的時候，發現大部分工作不是在研究複雜的公式理論，而是如何讓使用者在使用機器學習的過程中更順暢，讓不同步驟之間的流程如資料的準備、演算法引數的填寫、模型的訓練／測試／篩選／部署等，能夠無縫銜接。舉個例子，規劃及組織平台所需要的資料、用什麼方式和工具來統一資料的上傳、對資料的接入是否需要提供預覽；如何幫助使用者獲得高質量的資料集，為提煉優質模型提供保障、如何高效率低成本地為資料打標籤、把資料價值最大化，這些都是產品經理需要重點耗費精力的地方。
在此引用谷歌大腦高階科學家martin zinkevich的一句話「to make great products：do machine learninglike the great engineer you are, not like the great machine learning expert youaren』t」把工程效率提公升到極致了，使用者才能真正享受到演算法帶來的便利。
2.產品形態的把握
對於人工智慧產品經理，所需的技能set，不僅包括原型能力、功能邏輯、資訊路徑、ui設計，演算法模型、資料訓練等產品背後抽象的邏輯也同樣重要。
比如立項乙個人工智慧產品，我們不能很寬泛地定位要做乙個機器寫作，這個需求的範圍太大，會讓後續功能的開發不好收斂。產品經理需要盡量參與到演算法開發，了解演算法的每個步驟，對涉及的環節有個清晰的概念，並在此基礎上尋找和評估是否有產品化的可能性。
再比如我們要做新聞主題分類，首先需要利用網頁抓取去各個**的新聞，一般情況下，新聞**都會分好類，可以直接記為標籤。這個過程是否便可以做成乙個產品化的成果。
過去的網際網路產品，可能我們偏向埋頭於體驗、需求，不太關注技術環節；而在ai產品領域，我們必須要深入技術運轉流程，才能提公升我們做出乙個優秀ai產品的可能性。
3.了解使用者指標背後的含義
在評估ti-one產品使用者資料指標時，uv/pv/月活/新增使用者數等都是我們會去關注的資料指標。但若只關注實際數值，不去深究背後資料增長原因的話，有時會陷入一定的盲區。比如之前檢視產品的統計指標，使用者數和日均執行任務數都是乙個穩定增長的趨勢，但在使用者調研中，深入了解了這些在平台上跑的任務，發現有一部分任務大家只用來做排程，並沒有去使用平台上的演算法模組，刨根問底了這部分使用者才知道，因為我們平台上的演算法庫是黑盒子，出了問題不好定位，不如自己寫**查原因。通過這次對指標的剖析，我們也考慮將目前提供的演算法進行開源和引入自定義演算法模組，去補充我們對這塊功能設計的短板。
4.縱向的業務理解能力
很多人工智慧產品往往跟某一垂直行業緊緊掛鉤，去解決某一具體問題；這是要求人工智慧產品經理去深入整個業務流程的鏈條，熟悉每乙個涉及到的使用者場景；並且在場景中，提煉出使用者最迫切需求並優化需求點，實現產品的變現。
很多不同行業、領域的人工智慧產品其實背後所用到的技術邏輯都大同小異，如人臉識別技術，在安防市場，因人臉難以複製的特性，它代替了門禁卡。在公安領域，警察可以通過人臉識別，在各大重點區域，關口進行人臉的抓拍、識別，對可疑人物的資訊可實時推送到警務終端，大大提公升破案效率。在銀行領域，人臉識別可以支援遠端辦理業務，刷臉開戶，通過它查驗身份資訊，可免去需求親自去網點辦理的麻煩。
技術是相通，但不同場景的側重點會有所不同，產品形態也會有所差異；在銀行領域，人證比對裝置需求會比較強。在公安領域更強調的是後台動態人臉識別系統的使用。
人工智慧產品經理需要對業務場景進行反覆驗證、迭代，從而去判斷結果概率是否能達到使用者的標準，依照這些判斷去做不同的投入策略。因此，了解演算法的基本原理和落地的業務場景尤為重要，可以有乙個相對清晰的技術框架，並且懂得在技術允許實現的範圍內，規劃出最優方案。
5.關聯資訊的能力
做人工智慧產品需要我們加深對機器學習相關技術和應用的理解。理解好機器學習的基本邏輯，數學是其背後的原理，如微積分、概率論、線性代數都是機器學習的基礎。而這些數學概念和模型往往是抽象、非直觀的。
當試著去理順這些相對複雜的邏輯，可以嘗試關聯資訊的方法，在不熟悉與熟悉的知識之前建立連線，從個人的經驗中，去尋找能夠與所有要理解資訊模擬的部分，把枯燥難懂的知識點，與實際生活的例子相結合。
比如說我要學習線性回歸，關於線性回歸，提供的數學解釋是假設自變數與因變數是線性關係,利用最小二乘法擬合自變數權重的一種分析方法。若單是看這段解釋的話，會不太容易讓人理解線性回歸是在描述什麼；試著去聯想生活中的經驗會幫助理解線性回歸的概念。針對線性回歸這個概念，可以通過房價波動和驅動因素來做聯想，假設我們有1000條關於深圳房子的綜合資料，每條資料作為乙個樣本，內含信貸**、常住人口/戶籍人口、工作人口/常住人口、小學生在校人數這些資料看作特徵變數，房價為目標變數。線性回歸解釋的便是這些特徵變數對房價波動的影響度。
6.降本提效是推動人工智慧發展的最強動力
人工智慧技術價值的實現，最終需要落地商業化、為行業帶來價值和形成真實有效規模化的剛需來體現。目前大部分人工智慧公司在做的是單一的人工智慧驅動產品，如自動駕駛汽車演算法、零售領域的刷臉支付、醫療領域的人工智慧影像分析。所有員工工作中的任務自動化比例將提公升，一部分勞動力也會被人工智慧所替代。衝擊較大的工種為人工客服、流水線工人、銀行櫃檯職員等。
還有一種ai公司，不是去用某種人工智慧的能力去替代某一工種的工作，而是完全重塑整個行業的的勞動力配置，比如阿里的無人酒店，從接待到打掃的服務員全都是機械人，他們沒有僱傭人類員工，去利用演算法取代某種型別的工種；隨著低本、高效和優質的服務模式逐漸鋪開並且占領市場，高昂的人力成本可能會導致對手們重新調整公司對勞動力配置。
根據來自普華永道的資料：「預計到2023年，ai將能為世界經濟貢獻15.7萬億美元，這相當於目前印度加中國的生產總值總和，中國公司在其中將起到非常重要和關鍵的作用。」相信不久的將來，會有越來越多的行業和人工智慧結合在一起。如何去挖掘行業的切入點、利用ai去重塑應用場景，為實體行業提公升執行效率、甚至顛覆當前的傳統的商業模式，提供一套可行的ai解決方案是ai產品經理需要掌握的核心技能。
當有了一定積累，面對工作就會得心應手，使人的行為處於乙個穩定的水平，慢慢有了自己的舒適區，時間久了會不願離開這樣的狀態。但若一直沉浸在乙個自己非常熟悉的領域，難免被固化了行為，不過是日復一日發揮著乙個螺絲釘的功效。
切換到ai領域發現，這是個一旦不保持自己技能set更新狀態便會被淘汰的領域，包括在乙個專案組內的演算法、開發童鞋，也是每天不斷在學習，了解當前最前沿的知識。
世界總是不斷前進變化和充滿著不確定性，保持著自己所積累的技能和可預見/突破的挑戰的平衡，逐步爬坡，穿透自己的高牆，才能擁有人生更多的可能性。
產品化的思考
關於產品化，公司也進行過相應的 也是公司的目標。公司一直在做專案，沒有很好的產品化的思路。個人認為為什麼會稱之為產品，產品應該是有大部分共性的特點，按照相應的技術標準或規範生產出來的東西。比如螺絲釘，有各種規格的螺絲釘，但每種規格都有統一的標準。比如手機，有相應的通訊標準。那麼我們的軟體產品如果要產...
做產品的一些思考
從我當前的職業經歷來看，做過兩種類別的產品 一種是客戶定義好了需求由我們去實現，我姑且稱其為做專案 一種是自己去探索使用者需求然後在不斷的摸索中引導使用者，實現價值，這是我筆下真正的產品。做專案目標明確，使用者參與度高，風險小 做產品屬於定位目標，然後摸著石頭過河，中間淺灘礁石密布，風險挑戰可見一斑...
做產品的一些思考
從我當前的職業經歷來看，做過兩種類別的產品 一種是客戶定義好了需求由我們去實現，我姑且稱其為做專案 一種是自己去探索使用者需求然後在不斷的摸索中引導使用者，實現價值，這是我筆下真正的產品。做專案目標明確，使用者參與度高，風險小 做產品屬於定位目標，然後摸著石頭過河，中間淺灘礁石密布，風險挑戰可見一斑...