导语:AI产品经理是近年来职业市场上出现的一个新物种,遵循进化规律,市场自然会逐渐对其提出新的职业要求。如何成为一名合格的AI产品经理?除了需要具备传统PM的核心技能,还需要有契合职业本质的基本技能——将AI能力与场景匹配。

一、正逆向匹配

AI产品经理工作中涉及的AI能力与场景匹配情形主要有两种,分别是正向匹配和逆向匹配。

正向匹配从AI能力出发,寻找匹配场景。AI产品经理经常会关注行业趋势,跟踪、分析新近出来的算法表现,如果理论效果特别优秀,会尝试将算法表现对应到AI能力,再去寻找AI能力所能解决的场景,探知是否比现有的场景解决方案做得更好,有没有替代或者优化的可能性。

逆向匹配从需求场景出发,匹配最合适的AI能力。在产品设计过程中,需求采集完毕之后,需要进行需求转化,即把需求转化成功能。

这一步,传统PM更多是进行产品元素的组合,登录注册、详情页、个人中心、推荐、评价等,AI产品经理还需要适度的穿插AI能力,通过获取的用户需求场景去探究如何选取合适的AI能力进行匹配。

二、AI能力与场景匹配

不管是正向匹配还是逆向匹配,都需要按照一定的匹配流程,找寻AI能力和需求场景的契合点。

按照思维逻辑发展的顺序,将AI能力与场景匹配时,核心关注点主要有三——场景需求是否适合用AI能力解决,用什么AI能力解决,解决到什么程度。

1. 场景需求是否适合用AI能力解决

显而易见,并非所有场景需求都有必要动用AI能力,但是很多AI产品经理都可能陷入的误区是,任何需求到手,都喜欢请出AI能力这尊大佛,结果往往尴尬而过犹不及。

陷入误区之后的AI PM可能已经忘却作为PM的本心——最简的方法,最优的体验,最大的效用。

跟任何解决方案一样,AI能力也有自己的适用范围。这里借鉴车马的观点,从服务对象和服务内容两个维度对AI能力适用度进行区分,其中服务对象分为对人和对物,服务内容分为标准和非标,划分如下:

举几个例子,服务对象对人的比如人脸支付,服务对象对物的比如照片处理,服务内容标准的比如刷卡进站,服务内容非标的比如自动驾驶。

人脸支付是一个典型的对人的场景,如果在支付时不对支付人加以引导,则会发展成非标的场景,正是因为目前的解决方案都对支付人有支付引导,比如人脸框提示,才将场景从非标变成标准,即对人标准场景——适合AI的场景。

比较好的理解这套规则能够让匹配过程一开始就事半功倍,避免绕弯,而更进阶的是,某些情况下还可以充分利用这套规则,发挥想象力,将对人非标的情况转换成对物标准的情况,在解决方案上达到质的提升。

举个简单的例子:解决快递件录入库的问题,是选择为录入人员开发一套智能录入系统,方便人对物的录入,还是选择改进快递分拣作业线,直接在作业线上对快件进行录入?

2. 用什么AI能力解决

如果判断手上的需求场景适合调用AI能力,就要考虑到底选择什么AI能力进行解决。

有一些AI能力天生就适合特定场景,如果将对应关系弄错,就会走不少弯路,而对应关系的理解,“无他,但手熟尔”,靠平时的见解与积累。个人归纳的对应关系如下:

AI行业快速迭代的特殊性质决定了AI产品经理里必须不断更新自己,将知识内化,形成能力壁垒。当涉及方案匹配时,多一种想法,就多一种质变的可能。

选择AI能力时,仅考虑AI能力与需求场景的对应性还不够,同时要兼顾的还有设备性能和系统平台。

AI硬件的设计除了要考虑软件架构,还需要考虑硬件设备的性能,因为硬件设备性能才是AI能力施展拳脚的天花板。

如果AI能力需要部署在本地硬件设备上,在挑选AI能力时就不得不基于设备性能进行权衡,目前学界的算法喜欢为了百分之零点几的准确率的提升,在设备性能上毫不设限,诞生不少巨无霸算法,多少脱离实际,应用中还是应该以设备性能为限。

AI能力的应用广泛,在Windows、Linux、Android、iOS等不同系统平台上都有涉及,而不同系统平台的支持库相差不小,不同算法所适用的部署平台也不尽相同,这一点在选择的时候也要考虑。

3. 解决到什么程度

挑选完合适的AI能力之后,研究内容需要细化到具体的算法选择。同一项AI能力会有很多不同的算法解决,每一个算法都对应一个准确率,选择哪个算法就等于希望场景需求被解决到什么程度。

通常情况是,越复杂、体积越大的算法得到的精度、准确率越高,算法越好,需求越能被解决好,但并不是越好的算法就越适合当前场景,这就涉及到一个权衡——场景需求被解决到什么程度才正好?可以从三个方面进行展开:适度匹配,SOTA极限,团队资源。

适度匹配的意义更多在于性能的合理利用,90%的人脸识别准确率显然不能用于金融支付场景,但是90%的人体检测准确率在人流量监测场景下却能够适用。

硬要将人流量监测场景下的人体检测准确率提升到99%,暂且不谈能不能实现,单是研发投入就会极大提升,实际效用差却没有多大。

金融支付场景下的人脸识别准确率对于实际效用影响巨大,是硬着头皮也要进行研发投入的点。将性能合理利用,适度匹配,根据实际调整解决程度。

SOTA极限其实决定了解决程度的上限,SOTA是State-of-the-Art的缩写,有趣的是,它的意思指向“在一些benchmark的数据集上跑分非常高的模型”,代表了最优秀的一批算法。

很容易理解,如果目前行业的极限算法的能力是这样,那对于场景需求的解决程度也只能以此为上限。

如果说SOTA极限来自于外部,那团队资源则是内部的上限。学界的有些算法方案在发布的时候,会切实考虑到工业应用,会将源码及部署方案一并发布到github等托管平台;有些算法方案则只有paper放出,没有相关实现资源。

如果最合适的算法恰好没有放出实现资源,而团队人力和时间又不足,则只能在放出过实现资源的算法里面找相对合适的,相应的解决程度也会受限。如果团队资源充足,就有机会通过paper进行算法复现,将需求解决得更好。