人工智能产品经理系列(六)端到端的产品管理方法AI学院

来源:AI产品经理之家 / 作者: 特里 / 2018-04-08 21:21
该系列的前七篇文章介绍了在人工智能领域产品经理的思维模式、对行业的理解、应具备的技术背景、数据的使用、常见算法、常见的工作量流程等内容。可以说将产品经理应具备的一些

该系列的前七篇文章介绍了在人工智能领域产品经理的思维模式、对行业的理解、应具备的技术背景、数据的使用、常见算法、常见的工作量流程等内容。可以说将产品经理应具备的一些基础技能体系回顾了一遍。本篇文章作为阶段性总结,从产品经理最基本也是最核心的能力框架出发,一起探讨一下人工智能领域尤其是在当今最火爆的机器学习范畴中产品人的“端到端”产品管理方法。

 

 

领域背景:

 

实际上从学术界或科学研究领域,严格意义上讲机器学习也只能算是人工智能的冰山一角。如果你是人工智能的产品经理可千万不要以为机器学习就是开启人工智能的唯一一扇窗户,更不要因为近两年的深度学习算法的突飞猛进就以为人类理想的人工智能通过机器学习就可以实现。例如在很多缺乏高质量数据的场景中,机器学习的效果就不尽如人意而且泛化能力也存在很大局限。在科学界,人工智能至少还包含如下领域:


人工智能的主流分支
 

但是考虑到机器学习(包含深度学习)近两年来成为相对关注度较高的学术研究和科技应用领域,包括一些底层的基础设施(算法平台、云计算平台)以及垂直场景中的应用无论从需求还是招聘市场上的火爆已经从互联网行业逐渐蔓延到各行各业。人工智能领域的人才巨大缺口在2017年显现出来,其实大部分都是从事机器学习相关工作。

 

数据获取

 

机器学习算法最依赖的就是高质量的数据。如果你不能把数据变成信息、信息变成知识/情报,再讲知识/情报变成智慧,那么数据将毫无意义,例如知识图谱的内在逻辑:

 

知识图谱(Knowledge Graph/Vault)
 

产品经理设计产品或思考的最佳路线应该是倒推,即从实现“智慧”目标需要的知识倒推到需要获取什么样质量的数据,而这样的数据可以通过什么样的数据采集手段(从底层的传感器、机器采集到),具体采集什么类型的数据,对于一个公司来说是外部海量在线数据,还是公司内部业务数据,是结构化数据还是非结构化/半结构化数据;存储数据的手段什么。也就是说通过商业目标确定获取数据、清洗数据以及如何使用数据的逻辑,而机器学习领域的商业目标往往是可以通过训练出高质量的算法建立行业竞争门槛,产品经理正是应该找到这样的门槛并专注的投入精力去做。

 

开发

 

设计机器学习相关产品,产品经理更多关注的不是界面而是从能够解决具体问题的点出发,最终实现预测、回归、聚类和异常检测等一些机器学习擅长的领域。由于开发人员对于业务需求和目标有些时候不清晰导致最终产品的效果和价值无法最大化,因此需要产品经理充分参与到开发过程中,例如和大数据架构师和数据分析师完成数据获取、存储、清洗;和算法工程师共同完成数据训练以及算法调参后的效果校验以及评估整个项目过程中可能遇到的风险,并在项目早期和技术经理针对现有的数据条件和团队配备条件以及项目上线节点进行反复确认保证产品的迭代效果和预期。

 

测试

 

机器学习产品/功能的测试工作和传统产品功能不同,测试人员需要早期介入参与到算法团队基于数据质量和产品目标评估产品研发的可行性阶段,后期需要依据产品设定的目标进行产品交付质量的确认。因为往往机器学习产品的目标相比于传统页面或交互设计较为模糊甚至抽象,而且机器学习模型的稳定性较差,因此产品需要从以下几个步骤入手深入参与到测试过程中来。

1、模块拆分。产品经理应主导一开始就将可测试模块最小化。这样能尽量降低机器学习过程中的不稳定性。

2、制定清晰测试标准。产品经理需要事先对行业有深入的理解并尽量做到行业专家,只有这样才能制定每个模块的可量化的精确度或误差范围。而往往精准的测试标准也可以节省大量不必要的研发投入。

3、引入“第三方”数据。往往使用多样化维度的数据进行测试能带来意想不到的效果。当然在必要的时候需要针对性的返款测试的标准。因为毕竟机器学习的泛化效果是公认的技术局限。

 

产品运营

 

本文产品运营是比互联网的运营更广义的概念,除了用户运营,也包括产品上线后的包装,宣传以及内部培训文档的撰写等一系列将产品正式推向市场的工作。因为机器学习天生就不是一门精准的科学,目标本身也不是精准,而往往是一种规律总结和趋势预测。因此在很多时候,尽管产品经理是唯一一个有权利或有能力平衡算法的研发投入性和产品商业价值的人,也就是说有些时候不必追求99%甚至100%的算法准确度,而在某些情况下对于用户来说,哪怕80%的准确度对于他们来讲已经够用,甚至出乎意料了。毕竟,在很多领域或场景中,机器学习给人们已经带来的是颠覆性的革新,而为了完成99%-100%的准确度往往需要投入上百倍于实现前99%的成本。

以上就是从数据获取到开发、测试最终到产品运营过程中一些通用的机器学习产品管理方法,希望你也可以从实践中总结更多的方法论,当前机器学习领域中文章中提到的任何一个环节相比于传统软件开发都不够成熟甚至没有成型的方法论,只有靠我们这代人的不懈努力才能早日实现人类心目中的人工智能。而机器学习也注定在这个过程中扮演至关重要的角色。
 

阅读延展

1
3