AI摘要：本文为《人工智能产品经理 - AI 时代 PM 修炼手册》的读书笔记。书中介绍了人工智能产品经理所需的技能和知识，包括人工智能人才、行业知识、方法论、基础技能、人工智能产品的原理和组成部分、机器学习工程实践、人工智能产品经理的工作流程以及端到端产品管理方法论。文章强调了从需求出发进行产品设计、关注用户体验、整合资源和同理心等设计原则，以及在研发流程中的参与和持续产品运营。
Powered by AISummary and MoonShot KimiChat.
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
主要思维
- 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
- 商业模式
切入行业
- 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
安全性
- 可得性：权限控制
- 私密性：数据隐私
可用性
- 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
- 易用性
- 一致性：设计目标一致性，外观元素一致性，交互行为一致性
- 观感需求
可靠性
- 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
- 出错频率
- 自我恢复速度
性能
- 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
可支持性
- 可扩展性
- 可维护性
- 可安装性
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
传感器
- 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
芯片
- 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
- 识别
- 理解与推理
- 决策
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
- 模型训练
- 模型评估
- 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
市场分析
- 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
- 人脸检测
- 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
- 整合资源
- 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
- 训练模型
- 测试调优
- 目标管理
- 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
没有评论 T^T