四步成为人工智能产品经理

作者:教育

  近几年来,人工智能概念与相关产品都非常火热,更有许多产品经理换行去当人工智能产品经理。本文特地整理了人工智能产品经理的4项基本技能,希望能给你带来启发。

  大家好,我是白白,人工智能产品经理是现在非常火热的话题,白白本人负责医药AI产品多年,但是什么样的人能做人工智能产品经理呢?人工智能产品经理都需要什么样的技能?本片白白与你讨论。

  如果从效率方面来讲,互联网产品更多提高信息传递的效率,而人工智能产品提高信息产生的效率。两种类型产品的功能重点不同,自然对产品经理的要求也不尽相同。

  人工智能产品经理属于产品经理的一种,必须对用户、需求、商业模式有深刻的认知。除此之外,人工智能产品经理还需要4项基本技能:懂数据、懂算法、会沟通、懂行业,如图1所示:

  数据由行业产生,人工智能产品经理需要拥有敏锐的数据洞察力,这样才能在众多业务数据中梳理出有价值的数据信息;

  算法在没有使用场景时,只是一些数学公式,行业就是算法的使用场景,算法过程需要根据使用场景而改变,这样才能更好的服务于场景,数据是算法血液,算法中的很多参数是依靠数据训练而得到;

  沟通是产品经理的固有技能,人工智能产品经理的沟通需要根据自身对行业、数据、算法的理解,与开发工程师、运营人员及行业专家等不同角色进行交流,才能有效的调动资源;

  数据是人工智能产品的基础,人工智能产品经理必须懂得如何利用数据去构建产品。懂数据经常与懂行业相伴相生,数据毕竟来源于行业,所以数据自然带有行业的一部分特征。

  无论是做数据分析,还是做人工智能产品,首先要搞清每种数据的含义——数据通常来讲能够反应出某项业务或某类业务,模型的构建过程也是对业务关系的梳理。懂得数据业务内涵对也有有利于掌控数据标注的相关工作。

  数据属性是指数据本身的特征,数据属性包括数据类型、数据质量等不同维度的属性。

  (1)数据类型很多,有图像数据、文本数据、声音数据等,每种数据类型具有不同的分析方法与建模方法。

  图像数据可以采用卷积神经网络进行处理,文本数据可以采用决策树以及马尔科夫链模型进行处理。

  (2)数据质量包含的内容较多,包括数据真实性、数据结构化程度、数据异常情况等。不同质量的数据处理过程也不同。大多数情况下,非结构化数据需要转化为结构化数据后才能构建模型。

  数据处理是指将原始数据变为对特定场景下有价值、有意义的数据形式。人工智能产品经理应该掌握数据处理的技术与流程,数据治理在整个数据科学中占有基础性的地位。

  人工智能产品经理首先需要对数据进行整体评估,确定数据是否能够满足业务需求,评价数据质量等相关情况。在对数据充分认知后,才能够进行数据处理与建模工作。

  人工智能产品经理需要参与算法的设计过程,所以必须深入了解算法原理。懂算法可以更好地与算法工程师沟通,并且能够知晓不同算法的应用场景。

  熟悉普通产品经理工作流程的人都应该清楚,普通产品经理主要以提出需求为主,他们撰写产品需求文档提交给开发工程师,由开发工程师应按照需求文档的内容进行开发。

  普通产品经理的工作模式是制定一个产品开发的目标,由开发工程师去完成这个目标。

  普通产品经理以“目标”为导向来参与产品研发,他们制定产品功能的目标,为最终结果负责。对于具体“目标”的实现过程,普通产品经理很少参与,大部分由开发工程师完成。

  在产品开发的过程中,人工智能产品经理始终参与算法的研发,一直需要与算法工程师保持紧密的配合。

  人工智能产品经理需要针对行业特征进行技术预研,评估哪些算法适合产品的应用场景。算法模型的训练以及训练数据的准备工作,都需要人工智能产品经理参与。

  首先,人工智能产品经理会提出产品需求,在提出产品需求后,他们会帮助算法工程师寻找合适的路径去实现。

  人工智能产品经理不仅要撰写需求文档,还需要撰写技术文档,通过自己对技术和行业的了解,在需求与算法间建立一栋桥梁,提出最佳的算法及技术实现路径。

  人工智能产品经理更多地参与产品“目标”的实现过程过程,是以“过程”为导向来参与产品研发。

  由此可见,人工智能产品经理需要懂技术,这样才能顺利进行技术预研,并保证与算法工程师沟通顺畅。

  基于行业特点,人工智能产品经理首先需要确定“哪些是分类问题?哪些是预测问题?解决这些问题适合用什么算法?”,这些都需要与算法工程师深入的沟通,沟通的基础就是对算法的理解。

  通常情况下行业问题都比较复杂,很难用单一的算法满足需求。人工智能产品经理需要探索如何组合不同的算法来满足行业需求。

  算法就像积木,人工智能产品经理需要根据行业需求的特点,去将算法积木搭建成相应的形状。只有人工智能产品经理懂得算法原理,才能知道如何利用算法满足行业需求。

  确认需求是一个反复的过程,首先通过自己对行业的了解提出需求,之后要通过访问行业专家或用户调研确定需求。

  算法设计考虑的维度较多,首先要将需求分解成几个部分,分析这些问题属于哪类问题。如果是文本分析问题,可以考虑使用长短时记忆神经网络解决;如果是策略规划问题,可以考虑用强化学习解决,除此之外还需要考虑数据的情况。综合以上各种情况确定使用何种算法。

  算法达到三个要求可以认为完成了算法确认。其一,能够满足也业务要求;其二,在现有资源环境下可实施开发。当算法得到几方确认后,便可以开始实施开发。

  算法在实施过程中会有非常多问题存在,需要真正完成开发才能知道效果如何。在算法模型与真实业务系统完成对接,运营环境、运维等工作都得到确认,并确定算法模型能够达到需求之后,算法验收工作才能结束。

  算法模型就像产品一样,同样是一个不断改进更新的循环过程。在这个过程中,伴随着硬件的升级,新模型的设计思路,甚至新业务数据的加入,算法只有不断改进才能更好的符合业务需求。

  人工智能产品经理作为需求、算法、项目三方的协调者与管理者,尽量采用专家方式沟通会更有效。

  所谓专家式沟通主要强调沟通者以专家的身份,有理有力有节的阐述观点进行沟通。

  无论是对于行业还是对算法,以及在规划功能和设计流程时,都应该始现自己的专业性。只有突出专业性,才更容易取得信任。

  无论什么样的沟通首先阐述结论,在阐述理由,同时说明问题的背景及相关说明。沟通时,必须做到条理清晰,阐述理由时尽量使用推理演绎的逻辑路径,能够用图表达的尽量不要用文字。

  需要人工智能产品经理有广阔的知识面与变通能力,针对不同的沟通对象尽量使用同样的语言,或类似的思考路径进行沟通,否则很容易产生无效沟通,而浪费了大量的时间。

  人工智能产品经理沟通对象很多,所以需要有足够的知识储备,所以尽量做到懂算法、懂行业、懂设计、懂运营的综合人才。

  人工智能产品经理最重要的沟通对象是算法工程师。吴恩达在NIPS 2016演讲中提到了人工智能产品经理的角色定位,强调人工智能产品经理是用户与算法人员间的桥梁。

  由于算法工程师并不很了解行业,如何将行业内容用算法语言描述给算法工程师是十分重要的,这种沟通我们称之为“转译”。

  转译就像是一个翻译过程,将不同两个领域的术语翻译给对方。人工智能产品经理进行转译时,需要注意以下几个要点:

  人工智能产品经理具有行业背景,与算法工程师沟通时,尽量使用对方能够听懂的语言,解释产品给行业带来的价值。

  首先双方应该沟通产品的行业背景,能够使算法人员对整个产品有更全面的了解,有利于代码质量的提高。

  例如在与算法工程师沟通时,首先让对方明白我们需要实现产品功能是什么。在了解产品功能之后,再进行算法方面的讨论。

  产品功能通常由很多小的功能模块组成,人工智能产品经理需要根据自己对行业的理解,将产品功能进行模块化拆分,与算法工程师针对单个模块内容进行沟通。

  数据例指的是训练数据的数据样例。人工智能产品经理需要负责数据的协调工作,应该尽快让算法工程师看到数据例,这样能节省很多沟通的时间。即使现在没有足够的数据,数据的基本情况也要尽快与算法工程师沟通。

  人工智能产品经理需要进行技术预研,应该首先提出一套算法方案用于和算法工程师交流。该算法方案包括建议使用的算法类型、数据处理方案等。这样可以就具体的算法路径进行讨论,提高了沟通的效率。

  下面以一个行业壁垒的很高的产品为例,说明人工智能产品经理如何与算法工程师进行沟通。

  【例】笔者一直从事分子质谱(MS)模拟相关产品的研发,质谱(MS)是一种分子检测的技术手段。该产品涉及到多个学科交叉,并且专业度极高,需要人工智能产品经理与算法工程师进行良好沟通协作。分子质谱模拟产品沟通路径,如图5所示:

  分子质谱模拟产品主要用于医药、化工行业,主要用未知分子的鉴定工作。该产品主要为医药领域研发人员提供结构鉴定帮助。

  当一个新物质诞生时,我们并不知道它的分子结构,但是我们可以利用一些手段将这个分子打成碎片,由于碎片分子的结构相对比较简单,所以通过碎片分子结构去回推出新物质分子的结构。

  我们能提取到的碎片分子信号,称为质核比(m/q),是分子质量与其所带电荷的比值。本产品需要根据碎裂的规律构建模型,通过碎片分子的质核比推断出新物质分子的结构。

  该产品的核心价值用于进行未知物检测——通过未知物的质核比的信息,推断出未知物的分子的结构。

  以往对未知物进行推断,都是通过人的历史经验来完成,本产品价值在于通过人工智能技术,取代人来进行分子结构推断。本阶段沟通的目的,为了使算法工程师明确产品能够解决的问题,以及开发该项目的原因。

  第二步,寻找比较有特征的数据,这些数据对应着某种固定的分子结构,如果能找到这些特征数据,则证明这个未知物分子中存在这样的结构。

  第三步,根据数据特征,找到全部可能的结构。第四步,将这些找到的结构组合,推断出可能的未知物分子结构。在和算法工程师解释基本知识后,需要用通俗的语言将业务过程阐述出来。

  人工智能产品经理应与算法工程师共同讨论,确定各部分功能所使用的算法。第五步能否顺利实施,取决于第三步是否能够使算法工程师理解产品功能。算法的确定需要双方经过多次讨论、尝试才能确定。

  人工智能产品经理的沟通更像是一门艺术,不仅仅要做“转译”的工作,还需要与很多角色协调部署工作。人工智能产品经理沟通不仅仅是个人情商魅力的表现,也同样体现了你的行业能力与算法功底。

  2017年,吴恩达在高山大学(GASA)作主题名为《探索人工智能》的演讲时,曾经说:

  “我经常对很多公司说,如果能够找到一个独立的人工智能团队,就把这些有人工智能力的人放到不同的业务团队矩阵去”。

  这句话足以证明行业对人工智能的重要性。人工智能产品经理是人工智能产品的缔造者,对行业认知程度有则有更高的要求。

  人工智能产品经理需要懂行业,这一点在本书很多地方都有体现。懂行业分为2个方面:

  产品最终需要追求商业价值,很难想象一个不懂行业的产品经理,能够设计出给业内人士使用的产品。一个不懂行业的人,更不可能明白一个行业的商业运转规律,以及产品商业化过程都有哪些“坑”。

  产品经理需要有商业的前瞻性,才能构建产品价值,并能协调现有资源产生最大的商业价值。

  如图6所示,人工智能产品经理只有具备充分的行业认知,才能构造良好的商业模式,才能创造较高的产品价值。产品价值能够满足行业需求,商业模式能够保证产品价值与行业需求间的平衡稳定。

  【例】临床科研智能平台是针对医院进行临床研究需求所使用的数据汇聚及人工智能算法的集成平台。此类平台主要是解决医院用户进行临床科研的刚性需求,该平台的搭建需要深刻的行业认知,需要熟悉医疗科研的流程与方法,平台架构图7所示:

  临床科研智能平台与医院多个系统对接,将多个系统数据结构化供临床科研智能平台使用。临床科研智能平台上集成了多种算法,为临床原始研究与二次型研究提供了工具。

  设计此类平台产品,需要对临床科研具有深度行业认知,对医疗体系数据充分理解。

  基于行业的思考,临床科研智能平台不仅能给医生科研带来便利,更能够成为医疗数据走向市场的一个基础。当前为了隐私性等问题,临床数据一直无法走向市场,也意味着医疗数据利用无法快速向前推进。只有进行了良好的商业模式布局,医疗大数据才能更加健康地向前发展,临床科研平台的商业模式如图8所示:

  临床科研智能平台依托承载的临床数据具有极高的价值,针对药企、医院、政府、保险公司都可以形成商业闭环。如果对行业不够了解就无法得到上述产品商业模式,所以人工智能产品经理需要充分了解行业才能构建有价值的产品。

  白白,人人都是产品经理专栏作家。公众号:白白说话(xiaob-talk)。医药行业资深产品专家,负责人工智能行业类产品综合架构与技术开发。在行业云产品架构,药物设计AI辅助、医疗知识图谱等领域有深入研究。

  人人都是产品经理(是以产品经理、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位服务产品人和运营人,成立9年举办在线+期,线+场,产品经理大会、运营大会20+场,覆盖北上广深杭成都等15个城市,在行业有较高的影响力和知名度。平台聚集了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一起成长。

本文由澳门新葡亰亚洲在线发布,转载请注明来源