工作需要，这两天读了一本《人工智能产品经理 - AI 时代 PM 修炼手册》这本书，总体来讲还是有一些收获的，但很多地方需要更多的书籍作为相应知识的补充，很多地方都是相对粗浅的概括。

这两天比较忙，就先把自己记的提纲摘录下来，有空再慢慢完善之后的读书笔记好啦 ww

人工智能人才

• 可以实现人工智能技术的工程师
• 将人工智能与行业知识结合的人工智能产品经理

第 1 章：逻辑基础和背景前提

人工智能产品：颠覆性策略

• 互联网：对生产要素和资源配置方式的优化 eg: 滴滴
• 人工智能：直接形式的颠覆：自动驾驶

主流研究方向

• 计算机视觉
• 自然语言理解
• 认知与推理

理论基础是概率论 - 判断与预判
本质是实现概率和成本之间的平衡

主流研究类别

• 个性化精准服务 eg: 金融产品个性化推荐
• 简单或重复劳动 eg: 自动驾驶
• 提升效率和准确率 eg: 反金融欺诈
• 提升用户体验 eg: 智能语音
• 自主创作 eg: 绘画，剧本，诗歌

三要素：算法，计算能力，数据
必要条件：核心技术，产品化，商业化

• 资源管理思维
• 目标导向思维
• 解决方案思维

第 2 章：行业知识，方法论

人工智能公司分类

• 行业 + 人工智能公司：梅赛德斯奔驰

  • 核心要求：行业趋势的洞察力

• 应用人工智能公司：基础能力

  • 商务技能 & 项目管理能力
  • CAC customer acquisition cost 用户获取成本
  • LTV Live Time Value 用户终身价值
  • PBP Payback Period 回收周期

• 平台类人工智能公司

  • 对底层技术的理解

行业分析维度

• 行业特点：历史背景，增长能力
• 行业运行趋势
• 竞争力因素分析：价格，品质，质量，分销能力，上游资源，成本，产品差异，技术壁垒，管理水平，地理位置
• 行业整合：行业集中度，外资进入，收购兼并
• 政府管制：准入门槛

• 确定价值场景
• 收集场景基本信息：人物，时间，地点，做什么事，达到什么目的，之前的做事方式和解决方案，客户期望的方式和解决方案

• 场景有关的干系人和干系场景：上下游企业在场景中的角色

  • 定义干系人
  • 判断干系人的重要性
  • 判断干系人的利益
  • 描述干系人的利益
  • 描述干系人对产品的期望 / 要求
  • 干系人的痛点和快点分析

第 3 章：基础技能

优化信息存储和互通的方式

AI 对需求的重塑

• 降低用户的使用门槛，减少用户的交互流程，降低使用难度，让产品使用接近用户的自然行为
• 从用户角度考虑投入产出比
• 算法的可解释性差
• 传感器技术进步
• 产出需求的真正多样
• 应当充分了解当前技术局限

功能性需求

• 宏观：符合公司整体战略
• 微观：尽可能明确业务背景与业务目标，将目标量化

非功能性需求

• 建议架构师尽早参与到需求分析中，尽早考虑非功能需求
• • 可得性：权限控制
  • 私密性：数据隐私
• • 用户是否用产品完成任务，效率如何，感受如何
  • 与 UI/UX 直接相关
  • 一致性：设计目标一致性，外观元素一致性，交互行为一致性
• • 条件：系统的状态和输入条件
  • 时间：软件的具体运行时间段
  • 功能：提供服务是产品的功能
  • 自我恢复速度
• • 响应时间：2/5/10 原则
  • 吞吐量：系统在单位时间内处理请求的数量
  • 并发用户数
  • 资源利用率

量化需求分析

• 明确产品的业务需求：业务机会，业务目标，成功标准，产品愿景

  • 自动驾驶的 SAE 分级
  • 不智能 -> 驾驶辅助 -> 半智能 -> 条件智能 -> 高度智能 -> 完全智能
• 明确产品的需求场景

• 定义场景中的可量化标准

  • 内部因素：已有的数据集
  • 外部因素：医生的技术水平
  • 同行业表现
  • 输出对模型预测的精度期望
• 根据具体的场景定义算法的指标

思考 ROI

第 4 章：人工智能产品的原理和组成部分

产品实现逻辑

感知 -> 认知 -> 识别 -> 理解 -> 决策

• 基础设施提供者

  • • 生物传感器，光敏传感器，声音传感器，化学传感器
    • 应用：可穿戴应用，高级辅助驾驶系统，健康监测，工业控制
  • • 模型训练，云端推断，设备端推断
    • 通用芯片，半定制化芯片 FPGA，定制化芯片 ASIC
  • 大数据技术：从海量数据中挖掘价值
  • 云计算技术：按使用量付费，提供可用的，便捷的网络访问和计算资源共享池

• 数据提供者

  • 数据的质：Relevncy Recency Reliability Range

• 数据处理者

  • 理解与推理

• 系统协调者

  • 项目 -> 产品化 -> 服务化 -> 平台化

第 5 章：机器学习工程实践对人工智能产品经理的需求

机器学习流程

• 原始数据采集
• 数据预处理
• 调参（超参数和参数）

机器学习分类

• 监督学习，无监督学习，半监督学习，强化学习

  • 监督学习：人工神经网络类，贝叶斯类，决策树类，线性分类器
  • 无监督学习：人工神经网络类，关联规则学习类，分层聚类，聚类分析，异常检测类
  • 半监督学习：生成模型，低密度分类，基于图形的方法，联合训练
  • 强化学习：Q 学习，状态 - 行动 - 奖励 - 状态 - 行动 SARSA，DQN，策略梯度，基于模型强化学习，时序差分学习
  • 深度学习：深度信念学习，深度卷积神经网络，深度递归神经网络，分层时间记忆，生成对抗网络
  • 迁移学习：归纳式，直推式，无监督式，传递式
• 二分类算法，多分类算法，回归算法，聚类算法，异常检测

第 6 章：人工智能产品经理的工作流程

• 设定产品目标

  • 用户 / 客户痛点分析：场景描述

    • 说明用户 / 客户具体的业务或需求场景
    • 如果产品 / 功能投入使用，用户 / 客户将在该场景中的哪些流程环节中使用他们
    • 在产品没有问世前，用户 / 客户都是用什么样的替代方案
    • 替代方案在多大程度上满足了用户 / 客户的需求

  • 用户 / 客户痛点分析：痛点来源

    • 用户 / 客户的痛点来源是自身还是外界的压力，为什么存在这种压力，痛苦链条是什么
    • 用户 / 客户的痛点是否来自于人性

  • 用户 / 客户痛点分析：痛点全方位剖析

    • 痛点涉及的面有多广，是普遍问题还是个别问题
    • 痛点是否符合政策导向或是否合规
    • 用户 / 客户愿意为此痛点买单吗？他们愿意付出怎样的代价来解决这个问题
    • 感觉到痛的人是否有采购选择权
  • • 产品 / 功能在市场上的主要竞争对手都有谁？各自的竞争优势是什么？市场占有率如何
    • 是否已经有占有率比较高或者比较被认可的产品，其有怎样的优势
    • 相比于竞争对手，我们的优势是什么，用户选择我们的理由是什么

• 进行技术预研

  • 人脸图像采集
  • 数据预处理
  • 人脸图像特征提取
  • 人脸匹配与识别

• 需求分析与产品设计

  • 常见失败原因

    • 技术驱动产品设计 —— 应当从需求出发
    • 忽略用户期望管理 —— 用户期望过高而产品华而不实
    • 单点突破带来的价值有限，与产品价格或用户付出的代价不成正比
    • 追求底层技术而忽视用户体验

  • 常见设计原则

    • less is more
    • 微观到宏观 —— 先做个性化信息流，在做商品推荐
    • 同理心：认知，情感，身体感受

  • 定制产品需求优先级

    • 价值 - 复杂度矩 ac 阵
    • 卡诺模型：用户愉悦度 vs 功能完善度
    • 相似组分类法
    • 加权得分法

• 参与研发流程

  • 提供优质数据
• 持续产品运营

第 7 章：端到端产品管理方法论

注重跨部门沟通