AI產(chǎn)品經(jīng)理入門手冊

AI產(chǎn)品經(jīng)理入門手冊一、AI通識AI產(chǎn)業(yè)結(jié)構(gòu)AI發(fā)展至今大致按照在產(chǎn)業(yè)結(jié)構(gòu)上的分工不同產(chǎn)生了三種類型適合著眼于哪個層面的工作，從而進行針對性的學(xué)習(xí)和提升。行業(yè)+AI這類公司重在“行業(yè)”，本身有著一定的行業(yè)積累，給用戶提供AI。目前此類公司的戰(zhàn)略趨勢是會越來越細分到具體的垂直場景上，所以這也對產(chǎn)品經(jīng)理的場景分析能力有較高要求。行業(yè)”，是由AItoB把控管理能力?；A(chǔ)平臺AI技術(shù)平臺，包括一些計算平臺、算法平臺，或者提供各場景的一手數(shù)據(jù)，從而幫助企業(yè)快速對接AIAI產(chǎn)品經(jīng)理的分類AIAI技術(shù)，進而完成相關(guān)AI產(chǎn)品的設(shè)計、研發(fā)、推廣、產(chǎn)品生命周期管理等工作的產(chǎn)品經(jīng)理。AI產(chǎn)品經(jīng)理可以從狹義和廣義來分類：AI產(chǎn)品經(jīng)理定義直接應(yīng)用了語義、語音、計算機視覺和機器學(xué)習(xí)這4個領(lǐng)域的AIAI產(chǎn)品的設(shè)計、研發(fā)、推廣、產(chǎn)品生命周期4個特點：直到近些年才逐漸“可商用”（4AI就有了，但一直不夠完善）；可以應(yīng)用到新產(chǎn)品形態(tài)/品類，比如：實體服務(wù)機器人、智能音箱、虛擬機器人等；很可能應(yīng)用了新的交互方式，比如：對話/語音/多模態(tài)等；慢慢形成新職位，比如：TTS產(chǎn)品經(jīng)理。分類：語義類AI產(chǎn)品經(jīng)理：對話PM（可再細分為聊天、垂類等）、知PM等語AI產(chǎn)品經(jīng)理：ASR、TTSPMAI涵蓋了人臉、車輛、多目標等等）PMAIPMAI4AI1種或多種，比如：實體機器人PM、、、、手表、手環(huán)、耳機等）、其他互QQweb頁面、App等）AI產(chǎn)品經(jīng)理定義間接涉及了語義、語音、計算機視覺和機器學(xué)習(xí)這4個領(lǐng)域的AIAI技術(shù)（腦機接口、量子計算等），AI廣、產(chǎn)品生命周期管理等工作的產(chǎn)品經(jīng)理。廣義AI產(chǎn)品經(jīng)理具有如下特點：4AI2015AI技術(shù)”，這類經(jīng)理的產(chǎn)品設(shè)計職責(zé)不像互聯(lián)網(wǎng)產(chǎn)品經(jīng)理這么“重”。所以很可能由技術(shù)人員或公司創(chuàng)始人兼任，并會承擔(dān)較多的項目經(jīng)理工作職責(zé)——相應(yīng)的，這類產(chǎn)品經(jīng)理的數(shù)量，目前還非常少。AIAI融合。分類終端應(yīng)用類產(chǎn)品經(jīng)理（AI）：虛擬機器人、智能車載、智能家居、穿戴式設(shè)備、其他互聯(lián)網(wǎng)產(chǎn)品形態(tài)等各種終端載體上，沒有直接應(yīng)用（但間接涉及了）語義、語音、4AI。策略類產(chǎn)品經(jīng)理（AI）：沒有直接應(yīng)用（但間接涉及了）PM非成熟AI技術(shù)類：腦機接口、量子計算等。AI產(chǎn)品經(jīng)理的能力模型3AI行業(yè)已經(jīng)步入第二個階段即產(chǎn)品的優(yōu)先性要高于技術(shù)和運AI產(chǎn)品經(jīng)理在如下方面提出了更高的要求：找準商業(yè)變現(xiàn)模式和閉環(huán)找到場景和商業(yè)模式，做出極致體驗，并快速迭代。目前AI市場實現(xiàn)商業(yè)變現(xiàn)主要有兩種方式：AIAI率并節(jié)省人力成本，例如智能客服系統(tǒng)等；AIAI都是作為助手的角色來幫助人類。AI技術(shù)跟垂直行業(yè)結(jié)合，都要求AI業(yè)服務(wù)：數(shù)據(jù)的智能攝像機、后臺分析系統(tǒng)等產(chǎn)品落地速度快。在民用市場，人臉閘機成為民用市場的明星產(chǎn)品。在金融領(lǐng)域快速落地。P知識圖譜和語音交互技術(shù)而正在被廣泛應(yīng)用于各行業(yè)。把控產(chǎn)品需求MVP，驗證AIAIAI領(lǐng)域迅速落地能解決痛點問題的產(chǎn)品?，F(xiàn)階段的行業(yè)通識是選準一個足夠細分的垂直領(lǐng)域去構(gòu)建商業(yè)AItoBC的場景則更側(cè)重于提高便利性。與技術(shù)互相推動，互相成就AIAI產(chǎn)品經(jīng)理在這個意義上可以根據(jù)商業(yè)及產(chǎn)品需要倒逼技術(shù)優(yōu)化。AI產(chǎn)品經(jīng)理必須理解技術(shù)實現(xiàn)過AI技術(shù)的交叉點，設(shè)計的產(chǎn)品要和團隊現(xiàn)有數(shù)和客戶溝通，來獲得支持和認可。此外，AI產(chǎn)品經(jīng)理還需要拓寬自己的認知極限，了解技術(shù)邊界，多跟團隊里的AI工程師交流，平時也要隨時關(guān)注AI行業(yè)最新動態(tài)和變革，閱讀前沿paper。獲取用戶信任AI技術(shù)的發(fā)展，AI涉及到的倫理和道德及法律風(fēng)險也越來AIAI對人類在道德倫理上的影響并做GoogleAssistant加入Prettyplease功能，鼓勵小孩對進行禮貌提問。20163就在與網(wǎng)民互動過程中學(xué)習(xí)成為了一個集性別歧視、種族歧視等于一身的“不良少女”。這種個性化推薦可能侵犯了他們的隱私權(quán)。AI未來的發(fā)展方向可能更應(yīng)該將更多的決策過程展示出來，讓用戶理解和明白為什么要做這樣的決策，而不應(yīng)該僅僅是一個黑盒。二、AI應(yīng)用領(lǐng)域AI3互、自然語言處理。計算機視覺機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺的應(yīng)計算機視覺在現(xiàn)實場景中應(yīng)用價值主要體現(xiàn)在可以利用計算機輸出的流程，不過利用深度學(xué)習(xí)，很多問題可以直接采用端到端，從輸入到輸出一氣呵成。研究內(nèi)容實際應(yīng)用中采集到的圖像的質(zhì)量通常都沒有實驗室數(shù)據(jù)那么理抑制和去除成像過程中引進的噪聲，這些統(tǒng)稱為圖像的恢復(fù)。這一過程還包含了各種圖像變換（如：校正）運動檢測等。線條、紋理、邊緣、邊界、物體的各個面等從圖象中分離出來，并且建立起各個基元之間的拓樸學(xué)上的和幾何學(xué)上的關(guān)系——稱之基元的分割和關(guān)系的確定?；蚰承┗M合所代表的客觀世界中的某些實體——稱之為模型匹得出圖象的解釋或描述。應(yīng)用場景BCVB站核心價值之一的彈幕進行了進一步優(yōu)化，大大提升了用戶體驗。瓶頸算法彌補，但是很多情況下信息缺失無法利用算法來解決。在一幅或多幅平面圖像中提取深度信息或表面傾斜信息并不是預(yù)知識設(shè)置的不同也使得同樣的圖像也會產(chǎn)生不同的識別結(jié)果，（語音交互比較典型的場景便是智能音箱，這也是目前比較火的兩個細分方向。一個完整的語音交互基本遵循下圖的流程：語音識別研究內(nèi)容語音識別的輸入是聲音，屬于計算機無法直接處理的模擬信號，所以需要將聲音轉(zhuǎn)化成計算機能處理的文字信息。傳統(tǒng)的識別方式需要通過編碼將其轉(zhuǎn)變?yōu)閿?shù)字信號，并提取其中的特征進行處理。傳統(tǒng)方式的聲學(xué)模型一般采用隱馬爾可夫模型（HMM），流程是語音輸入——編碼（特征提取）——解碼——輸出。（減少了編碼階段的工作），輸出也不再必須經(jīng)過音素等底層元素，可以直接是字母或者漢字。DNN語音識別的效果一般用“識別率”，即識別文字與標準文字相匹配的。衍生研究內(nèi)容（一般是麥克風(fēng)統(tǒng)，可以實現(xiàn)語音增強、聲源定位、去混響、聲源信號提取/分離。4麥克風(fēng)陣列、6麥克風(fēng)陣列、6+13個音節(jié)以上的echo。語音喚醒基本是在本地進行的，必須在設(shè)備終端運行，不能切入云平臺。因為一個24小時監(jiān)聽的設(shè)備要保護用戶隱私，只能做本地處理，而不能將音果都有要求。為重要。語音合成（TTS）研究內(nèi)容（朗讀出來分別是：拼接法和參數(shù)法。過大。方法的數(shù)據(jù)庫要求小，但是聲音不可避免會有機械感。DeepMind型，能夠在文本轉(zhuǎn)語音和常規(guī)的音頻生成上得到出色的結(jié)果。瓶頸TTSAI戶預(yù)期。（自然語言理解研究內(nèi)容科，是理解和處理文字的過程，相當(dāng)于人類的大腦。NLP是目前AI發(fā)展的核心瓶頸。NLP出各種方法來不斷提高語言模型的能力——根據(jù)語言模型來設(shè)計各都屬于自然語言理解的概念范疇。對用戶的問題在句子級別進行分類，明確意圖識別（IntentClassification）；同時在詞級別找出用戶問題中的關(guān)鍵實體，進行實體槽填充（SlotFilling）。模塊就可以識自然語言生成習(xí)生成帶有實體槽的模板。應(yīng)用場景CUI（ConversationalUserCUI的應(yīng)用場景都需要自然語言處重要應(yīng)用領(lǐng)域。瓶頸詞語實體邊界界定詞義消歧個性化識別同的表達。這種個性化、多樣化的問題非常難以解決。三、AI技術(shù)學(xué)習(xí)這些算法，會更有針對性而且效率會更高，事半功倍。機器學(xué)習(xí)應(yīng)結(jié)果。到規(guī)律的數(shù)據(jù)。工作方式：根據(jù)任務(wù)目標確定算法；在預(yù)處理階段把數(shù)據(jù)分成三組：訓(xùn)練數(shù)據(jù)（用來訓(xùn)練模型）、驗證數(shù)據(jù)（開發(fā)過程中用于調(diào)參）、測試數(shù)據(jù)（測試用）；用訓(xùn)練數(shù)據(jù)來構(gòu)建使用相關(guān)特征的模型；把驗證數(shù)據(jù)接入模型調(diào)參；用測試數(shù)據(jù)檢查被驗證的模型的表現(xiàn)；用更多數(shù)據(jù)或選取不同特征以及利用調(diào)整過的參數(shù)來提升優(yōu)化算法的性能表現(xiàn)。分類：按學(xué)習(xí)方式可以分為監(jiān)督學(xué)習(xí)（包括半監(jiān)督學(xué)習(xí)）、無監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)、遷移學(xué)習(xí)。監(jiān)督學(xué)習(xí)概念：機器學(xué)習(xí)的一種，通過學(xué)習(xí)許多有標簽的樣本，得到特征值和標記值之間的對應(yīng)規(guī)律，然后對新的數(shù)據(jù)做出預(yù)測。分類：根據(jù)輸入數(shù)據(jù)xyy是整數(shù)的類別KNN、yKNN、、線性回歸。主流算法：決策樹算法決策樹是一種判別模型，既支持分類問題，也支持回歸問題，是一種非線性模型（分段線性函數(shù)不是線性的），它天然的支持多分類問題。決策樹的構(gòu)建由機器訓(xùn)練得到，而不是人工制定。ID3算法以CART算法。下圖以銀行判斷是否給客戶貸款為例大致說明決策樹的原理：主要用途：基于規(guī)則的信用評估、賽馬結(jié)果預(yù)測。優(yōu)劣勢：擅長對人、地點、事物的一系列不同特征、品質(zhì)、特性進行評估，非常容易解釋，但容易趨于過擬合。隨機森林機抽樣構(gòu)造，因此稱為隨機森林。支持回歸問題，并且支持多分類問題，這是一種非線性模型。主要用途：用戶流失分析、風(fēng)險評估。樸素貝葉斯x的條件下反推樣本所屬的類別y葉斯可以處理多分類問題，是一種非線性模型。拼寫糾正、文字廣告過濾、識別惡性評論等領(lǐng)域。4）k近鄰（KNN）樣本最近的kkNN算法是一種判別模型，即支持分類問題，也支持回歸問題，是一種非線性模型。它天然的支持多分類問題。kNN算法沒有訓(xùn)練過程，是一種基于實例的算法。主要用途：適用kNN可以處理數(shù)值型（從無限的數(shù)值集合中取等）和標稱型（只在有限目標集中取值，如：真與假）優(yōu)劣勢：這種算法思想簡單，理論成熟，準確度高。但是會占用大量內(nèi)存，因為需要存儲所有的訓(xùn)練樣本點，而且每個新測試樣本需要通過kNN算法分類，都要計算這個測試樣本與所有訓(xùn)練樣本點的距離。線性回歸主要用途：適用于數(shù)值型和標稱型數(shù)據(jù)。優(yōu)劣勢：結(jié)果易于理解，計算不復(fù)雜，但是只能用于擬合線性數(shù)據(jù)，非線性數(shù)據(jù)擬合效果很差。邏輯回歸基本原理：邏輯回歸只是對線性回歸的計算結(jié)果加了Sigmoid函01logistic主要用途：路面交通流量分析、郵件過濾，優(yōu)劣勢：實現(xiàn)簡單，分類時計算量非常小，速度很快，存儲資源低，但是容易欠擬合。支持向量機樣本到超平面的距離盡可能遠。SVM是一種判別模型，它既可以用于分類問題，也可以用于回歸問題。標準的SVM只能支持二分類問題，使用多個分類器的組合，可以解決多分類問題。主要用途：新聞分類、手寫識別。x大，而且可解釋性也比較差。非監(jiān)督學(xué)習(xí)進行劃分。分類：聚類和降維。主流算法：1）k均值（k-means）基本原理：將觀測值分為k個聚類，隨機初始化每個類的類中2）主成分分析（PCA）基本原理：PCA是一種數(shù)據(jù)降維和去除相關(guān)性的方法，它通過線PCA它是線性模型，不能直接用于分類和回歸問題。半監(jiān)督學(xué)習(xí)有監(jiān)督學(xué)習(xí)可以大幅降低人工標記成本。便可以采用半監(jiān)督學(xué)習(xí)，只需要對訓(xùn)練樣本進行少量的人工標注處理，便可以得到較高精度的分類結(jié)果。強化學(xué)習(xí)遷移學(xué)習(xí)深度學(xué)習(xí)或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。（Convolutionalneural就是一種深度的監(jiān)督學(xué)習(xí)下的機器學(xué)習(xí)模型，而深度置信網(wǎng)BeliefNetsDBNs）就是一種無監(jiān)督學(xué)習(xí)下的機器學(xué)習(xí)模型。（tensorflow、、、theano、torch等。卷積神經(jīng)網(wǎng)絡(luò)一部分覆蓋范圍內(nèi)的周圍單元，對于大型圖像處理有出色表現(xiàn)。卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、激活函數(shù)、池化層、全連接層池化層的作用是對上層的數(shù)據(jù)進行采樣和壓縮，一方面使特征圖變小，簡化網(wǎng)絡(luò)計算復(fù)雜度；一方面進行特征壓縮，提取主要特征。全連接層連接所有的特征，將輸出值分類。0~9的十個類別也可以用于回歸問題，并且支持多分類問題。主要用途：圖像處理，計算機視覺和圖像分類的主要算法。遞歸神經(jīng)網(wǎng)絡(luò)都通過1個或多個隱藏層來將很多輸入轉(zhuǎn)換成單個輸出。遞歸神經(jīng)RNN對之前發(fā)生在數(shù)據(jù)序列中的事是有一定記憶的，這有助于系統(tǒng)獲取上下文。RNNGRU（GatedRecurr