AI产品经理快速学习——AI产品经理需要掌握的知识框架

包含AI产品经理需要掌握的知识框架，对于AI产品经理工作有很大帮助。对于面试AI产品经理的人员，可以短时间学习，应付面试没有任何问题。

AIPM的快速学习

• AI是什么
  • 定义
    • 基于“机器学习”理论，由机器代替人的技术
      • 对“机器学习”理论解释
        • 由AI科学家建造的模型，经过数据训练过程中，模型自己总结规律（特定算法），然后它就会根据自己总结的规律，举一反三，遇到新的问题时，根据自己的总结推测出答案
          • AI解决方案比互联网解决方案有什么优势：再也不需要去归纳总结知识和规律，然后进行越来越复杂的编程，只需要用数据喂养机器，让机器完成所有工作。而且传统的互联网解决方案遇到需要求变时，是个头痛的事，因为直接让工程师对程序、算法进行修改的过程中会需要考虑很多既有程序带来的限制及改动后的未知风险（同时也容易造成人力成本更高），而AI模型是可以迁移、叠加利用的，所以需求变化时，少了很多既有积累的东西带来的问题。
            • AI模型是个“中间件”，不能直接与用户完成交互，所以AI还是需要借助传统的应用程序，应用程序直接与用户进行交互，同时提交输入数据给模型，模型处理后返回输出数据给应用程序，应用程序再转化为合适的呈现方式反馈给用户。
  • AI应用的根基（数学理论--机器学习理论--基础技术--AI应用）
    • 数学理论是AI的根基第一层（涉及到的数学理论包括：线性代数、概率论、统计学、微积分）
      • 数学理论的基础上研究出机器学习理论。机器学习理论是根基第二层（机器学习分类为：监督学习、无监督学习、强化学习、迁移学习、深度学习）。
        • 机器学习理论的基础上研究出“基础技术”。基础技术是根基第三层（基础技术包括：机器学习ML、深度学习DL、语音识别ASR、语音合成TTS、图像识别（计算机图像）CV、机器视觉（MV）、自然语言理解NLU、自然语言处理NLP）
          • 基础技术支撑AI应用得以实现。
  • 技术分层
    • 认知
      • 通过收集、解析信息对世界和环境进行认知。包括图片处理技术、语音识别、自然语言识别技术。
    • 预测
      • 预测行为和结果。比如在用户行为研究的基础上根据对用户当前行为的识别，预测用户下一步想做什么，然后主动满足用户。
    • 决策
      • 确定实现的方式和路径。比如AI代替医生给病人看病，得出病症和治病方案。
  • 框架及语言
    • 框架
      • TensorFlow、Caffe、Torch、Theano等等，目前大部分工程师利用的是tensorflow。
        • 按照官方的教程安装TensorFlow，安装好之后，你就可以用它提供的多个API来训练机器学习模型了。具体的教程可以参考TensorFlow官网http://www.tensorflow.org/，不想看英文的也可以参考TensorFlow中文社区-首页
    • 语言
      • AI编程可以利用多种计算机语言，目前最常用的是C++和python
  • AI 的价值
    • AI 的意义相同于移动互联网在2010年对于市场的意义，会带来无限的新商业机会，以及改变多个行业或领域的现状。互联网的价值在于降低成本、提高效率；而AI 可以替代人力，让成本直接为0，其蕴含的市场价值更高。
• AI的边界
  • 目前的AI还是有明显边界的。
    • 1秒法则
      • 当前的AI可以实现到处理人1秒内可以想到答案的问题。而且这个问题还得满足以下特点：大规模、重复性、限定领域
        • 面对具体需求时，边界的认知极其重要（对边界的认知需要建立在对目前AI技术的整体理解基础上）
          • 分析该需求用什么AI技术--分析用什么模型--根据所用模型算法范围等判断能实现到何种程度--通过该需求需要何种质量、何种标签的数据来判断提供数据的难度--理解云计算能达到的计算力（或者自备服务器进行计算）--判断该需求能否通过AI 方案解决或能解决到什么程度
  • 帮助理解AI边界的三要素
    • 算法模型
      • 算法模型已经介绍过了，现在深度学习模型已越发成熟，算法的支撑已经足以解决大多数领域的问题
    • 计算力
      • 云计算的成熟使得计算能力得到了保证（且为了获得高计算能力的成本得以控制）
    • 数据
      • 互联网公司的发展，各种互联网产品的成功，都保证了数据的多样性和体量。
    • 算法、计算力、数据这三要素是AI可行的基础，也决定了AI 的边界。以后AI 边界的拓展也是看这3要素的发展
• AI的市场情况
  • AI应用分类
    • 关键性应用
      • 需要算法准确度在99.9999%以上的应用。比如无人驾驶汽车、手术机器人等。
    • 非关键性应用
      • 只需要算法准确度在99%或95%以上的应用。例如人脸识别、广告推送等。
    • 关键性应用对算法要求极高，需要特别优秀的AI算法专家来推动实现。非关键性应用对算法要求相对低，借助开源算法即可以进行落地。关键性应用的关键角色是AI算法专家（AI 科学家）、非关键性应用的关键角色则是AI PM 。
  • AI的市场化
    • 由于云计算解决了计算力的问题，又有开源算法以及Google等公司开放的框架可利用，很多AI产品的落地条件只剩下找到数据了。而一些有数据积累的互联网公司在这一点上具备先发优势，比如百度、阿里、腾讯，都开始抢夺下一个商业风口（AI）了。百度已经是all in AI 了，目前百度的无人汽车驾驶已经初见成效，离大规模商品化不远。阿里利用AI为自己的服务进行各种升级，比如人脸识别、人脸解锁等等，现在阿里布局的新零售线下无人超市等必不可缺AI支持。腾讯的计算机识别相关软件已经成熟并等待深度商业化。
    • 另外一些小一点且针对领域相对垂直的互联网公司，如喜马拉雅、美团等，都开始为自己的应用或服务AI 赋能。（此处针对非关键性应用介绍）
      • 硬件（软硬结合）为载体
        • 喜马拉雅出了AI音箱，配合自己的app，提高用户体验
      • 仍以软件为载体（在原应用上AI升级）
        • 美团在原外卖app上加入AI 功能，提高用户体验
  • 硬件（软硬结合）及软件
    • 硬件（软硬结合）的AI包括无人驾驶汽车、手术机器人等
    • 软件的AI，小至一个app的程序中封装一个SDK。让一个app有了智能的一面，比如淘宝app的推荐智能度就是靠类似的方式。
    • 在真实的机器人上训练模型慢且昂贵。解决办法是先进行模拟学习（即先只限于软件上学习），将模拟学习学到的知识迁移到现实世界的机器人训练中,这里源域和目标域之间的特征空间是相同的。
  • AI 市场的需求
    • 目前人才需求是市场第一需求。人才包括新兴岗位：AI算法科学家、AI工程师、人工智能训练师、AI产品经理、数据标注专员。涉及到关键性应用时，AI算法科学家、AI工程师是最稀缺且第一需求人才；涉及到非关键性应用时，AI产品经理为最稀缺且第一需求人才。
    • 目前市场在尝试各行各领域的AI产品，但由于AI产品经理的匮乏，大部分进展过慢或难以开展。市场需要更多的合格的AI产品经理，合格的AI产品经理需要对AI认知全面且懂得如何与实际的市场需求相联系，同时还需要有对新的需求场景的开发、摸索（所以AI产品经理还是得具备行业经验，对行业理解深刻）。
• 产品经理为自己的产品AI赋能
  • 很多移动互联网的产品都可以进行AI升级，所以建议产品经理们进行AI学习，可以为自己的产品进行AI赋能。（此处我们只针对于分关键性应用进行讨论，即不需要AI科学家的岗位，只需要懂得利用开源框架和模型即可。）
    • 用AI解决方案代替传统的算法解决方案
      • 举例：新闻app的智能推荐功能
        • 例如，以前今日头条的智能推荐功能是基于对用户行为路径的研究得出的用户模型，根据用户的过去行为产生的数据，对用户当下想看的或喜欢的内容进行预测并推送。概括讲就是通过研究先找到用户行为跟用户喜欢之间的映射关系，然后根据映射关系写好算法。该解决方案的缺陷是：1、找到准确的映射关系难度大，并且很可能遗漏很多规律。2、需要对用户体验进行优化就需要更新算法，工作量大，且优化周期偏长。3、产品体验跟算法工程师的技术能力直接相关，并非每一个公司都有足够优秀的算法工程师。 用AI方案替代：直接利用数据进行训练，让模型在学习的过程中自己找到映射关系，然后接入应用。优点是：1、可以找到人未能总结出的一些规律，效果可能出乎意料。2、AI自己时时刻刻通过数据进行自我升级。3、即使没有算法工程师，也可以实现智能推送效果。
    • 在原app上添加AI功能
      • 举例：外卖app
        • 利用AI增加个性化界面功能
          • 让app调用AI模型，利用用户数据对AI模型进行训练，让AI找到不同行为的用户分别有什么点餐习惯或者说属于什么用户行为模型。当用户进入app时，根据用户之前的行为数据，展示界面定制化呈现。
        • 利用AI帮助用户更快做出更佳选择
          • 用户进入外卖app时，可以直接语音提问：今天哪些店铺活动中？有什么粤菜新店？...经过语音识别、语音合成、专家系统训练的AI会迅速得出答案并回复用户，同时带上链接。如此用户就可以快速完成下单。（其实AI对移动互联网的升级有更多方式，这个需要靠产品经理对业务、用户需求有足够深度的理解并挖掘出来）
• AI产品经理需要推动的重要产品流程
  • 分析用户需求，找到痛点并思考用什么样的AI方案进行解决
  • 设计产品的后台数据采集功能，保证数据的采集更方便机器学习时利用。（设计产品时，要分析出机器学习时需要的数据量、数据类型以及数据特征）
  • 与AI训练师沟通制定数据标注规则
  • 与AI工程师进行交流，告知AI工程师需要的AI模型，预期效果，以及与客户端的数据交互需求。 与用户端工程师进行交流，告知AI如何与客户端进行数据交互。
  • 设计客户端，推动客户端开发实现
  • 数据训练机器
    • 准备样本数据（训练数据和测试数据）
    • 为训练数据打标签
    • 输入带标签的训练数据
    • 输入测试数据
    • 查看拟合情况，或调整模型参数
    • 循环训练直至达到最佳拟合
  • 检查训练后的AI模型是否满足需求。若不满足，与AI工程师共同分析问题并找出解决方案
  • 将成型的AI产品面对“用户角色”测试，无问题后上线正式运营