AI產品經理的工作流程
今年年初,我在人工智慧產品實驗室進行了一次產品助理實習,在這裡結合自己的實習經驗,對AI產品經理的工作流程做了一個小整理,文章分為以下兩個部分:
1.用自己的話闡述對AI的理解
2.AI產品經理的具體工作流程
受限於資歷和經驗的不足,文章可能存在很多不足或錯誤的地方,希望看文章的大家能夠多多給予我建議和指正~謝謝大家 (鞠躬~)
一.AI的理解
(一)AI是什麼
我認為,AI是一個找出對應關係的工具。
AI產品經理,把需求轉化成「輸入」和「輸出」,讓找出了輸入與輸出對應關係的AI,能夠解決實際場景中的問題。
舉個例子來說,我有一個「挑選好瓜」的需求,就需要把這個需求轉換成「輸入一個瓜的信息,AI輸出這是好瓜還是壞瓜」的問題,AI要負責的就是尋找「瓜」和「好壞」之間的對應關係。
而AI如何找出這個對應關係呢,依靠的是數據。
(二)數據
為AI準備的一系列「輸入-輸出」的數據,就是訓練集,人工智慧通過訓練集內的數據構建出模型,使得這個模型的對應關係能在真實場景中得到運用。
訓練集的數據越多,模型就會越準確,AI在實際場景中得到正確的「輸出」的準確率就越高。
(三)實際運用
數據是AI的養分,AI能做到什麼,還是要看能不能夠提供足夠數量的相應問題的訓練集。
現階段,受限於數據量和數據的內容,AI的運用也受到了很大的限制。
雖然說互聯網時代數據量大幅增長,但我認為,現階段積累的數據,不管從內容還是數量上來看,都還遠遠不夠支撐起AI引發更廣闊和巨大的變革。
因此現階段AI的運用,大部分都還停留在很小很小的某一些功能點上,比如通過口語尋找電視劇、在網頁上智能填寫報表、幫助篩選文獻內容。這些一個一個的功能能夠幫助人們更便利地生活、輔助工作。
(四)未來
未來是數據的未來。
數據量越大,數據內容越豐富,AI能解決的問題就越多越大。
隨著數據的積累、數據內容的豐富,以及演算法和硬體的發展,AI的能力會在未來真正發揮出來。
AI像一隻鯨魚,我們現在的時代是長江,未來的發展是AI能夠暢遊的大海。
隨著AI在不同行業一點一點開始運用,隨著萬物互聯數據量的增長,AI會逐漸在跨向數據大海的過程中成為新的基礎設施和生產力。
當然這個過程還需要一段時間,會是一個由點到面,迅速發展逐漸改變社會的過程。
二.AI產品經理的具體工作流程
我歸納的AI產品經理具體的工作流程有以下幾個步驟:
定義需求——數據準備——產品設計——上線反饋。
(一)定義需求
1.解決什麼問題
AI產品經理,本質還是「產品經理」,最核心的工作,還是找到需求,專註於產品價值。
AI是個用新技術的解決問題的工具,對於產品經理來說,最主要的工作,還是去思考,用這個工具,能夠解決什麼以前不能解決的需求,或者用什麼更好的方式解決原來的需求。
結合自己的行業經驗,去洞察,去發現問題,作為「產品經理」本質的、核心的意義還是不變的。
2.如何通過AI解決——技術理解
找到需要解決的問題後,在如何解決方面,涉及到了對AI的技術理解。
根據產品現狀,不同的的產品對應的技術方向不同。
AI大的技術方向有計算機視覺、自然語言處理、語音工程、規劃決策、大數據分析。根據自己所做產品的行業,對不同的技術理解有不同的要求。
但是總體,還是文章開頭提到的,AI是一個找出對應關係的工具,把行業內的需求,轉化成的「輸入」和「輸出」的問題,然後收集數據,整理成訓練集給AI進行學習。不同技術方向下的「輸入」和「輸出」,形式會有不同。
接下講一講我對幾個概念的理解:
(1)機器學習、深度學習
機器學習是人工智慧的主要技術。它的定義是:使用演算法來解析數據、從中學習得到模型,然後對真實世界中的問題作出決策和預測。
也就是上文所說,通過訓練集訓練,AI得到「輸入」和「輸出」的對應關係,這個對應關係在真實世界的「輸入」中也能得到準確的「輸出」。
深度學習:在構建「輸入」和「輸出」的對應關係模型中,深度學習能夠幫助這個對應關係建立地更加準確。
它用深度的神經網路,能夠把模型做得更複雜,使模型對數據的理解更加深入。
所以,深度學習是機器學習的一個子集。
(2)知識圖譜
知識圖譜是一種像人一樣把知識進行關聯的方式,偏向於運用在搜索方面。
知識圖譜能夠把一個領域內的知識串聯起來,以關聯的形式教給機器。讓機器通過通過知識圖譜的方式認識信息,可以使它對信息之間關係的認識更加符合人類的思考方式,形成更接近於人的知識結構。它的樣子類似於腦圖。
比如說,我要訓練機器回答天氣的問題,用戶問:今天的天氣怎麼樣?這個「天氣」里就會包括很多分支,天氣的溫度、日照、穿衣指數、空氣指數等等,溫度的分支里可能又關聯上體感溫度、明天的溫度、一個星期的溫度.....以人的知識結構串聯起信息,能夠使機器的知識結構更貼近人。
(二)數據準備
當定義好需求,明確了根據需求要給AI定義的「輸入」和「輸出」是什麼之後,接下來就需要為AI準備「輸入-輸出」的訓練集,並訓練AI了。
我把數據準備分成了三個階段,數據來源——數據定義——數據交付。
在這三個階段中,需要的規劃、收集、整理數據的能力,我覺得是AI產品經理與傳統產品一個非常大的差別了。
1.數據來源
就像傳統產品一樣,產品開始前必須先確定數據來源。
傳統產品的數據來源是直接給提供給用戶的使用數據,AI的數據來源是指訓練AI的數據來源。
AI是數據養的,訓練集的數據越多,AI得出的模型越準確,解決實際問題的能力就越強。
我把數據來源分成了兩個方面,第一個是為AI準備的基礎數據,第二個是結合產品設計,在和用戶交互中收集的數據。
基礎數據是用來製作AI產品的數據,交互中收集的數據,是產品上線後,用戶對產品進行訓練的數據。
(1)基礎數據
產品經理首先要找到合適的數據源,它可能會是所做產品原來的數據積累,也可能是各方收集的數據甚至人力撰寫而來的數據。這些數據需要被整理成教育AI的訓練集和測試集。大量的深度學習對數據的質量也有很高的要求。
準備訓練集和測試集是AI產品經理相對與傳統產品經理新增的任務,也是一個非常艱難和繁雜的任務,而且任務量很大,需要團隊一起配合完成,並且不斷探索更加簡便的方法。
(2)在交互中收集數據
AI產品並不像傳統產品一樣,每一版是一個固定的形態。
它有一個很大的特質是「動」,AI是成長的,是不斷進步和變化的,和用戶交互的過程,就是它的迭代過程。
如果說,通過基礎數據訓練AI是「言傳」,給AI準備好了題目和答案,監督它根據題目和答案學會怎麼做,那麼讓AI在和用戶交互的過程中學習,就是「身教」了,在用戶使用的過程中讓用戶直接教育AI產品。
那麼什麼是在交互中學習呢?就是通過用戶的行為,讓機器知道什麼是對的什麼是錯的,用戶想要的是什麼。如下圖的chatbot,贊同和不贊同的icon、推薦的選項,都是通過用戶的交互為機器積累「身教」的數據,讓機器在和用戶交互的過程中,越來越了解用戶的意圖和偏好。這一點在之後的產品設計中也會談到。
交互中的數據是數據來源的一個重要方面。
(2)數據定義
當有了數據來源,接下需要為AI整理訓練集和測試集。這期間涉及到很多繁雜的工作,大量的數據清洗、整理數據,並且有非常多需要考慮的問題:
- 用什麼樣的方法清洗和整理數據?
- 設置什麼樣的「輸入」和「輸出」能夠保證測試集訓練出的機器能更好的運用在實際場景中?
- 不同的輸入之間有什麼層級關係?用什麼形式展現這些層級關係?
- 如何更迅速高效地標註數據?
- 在交互中,要收集什麼數據?用什麼樣的形式收集數據?如何把收集數據的交互更好地融合在用戶的使用中?
這些都是AI產品經理面對數據時需要考慮的,每一個問題下都有非常非常多的內容需要探索。在真正的實踐過程中,還有各種各樣的疑難雜症,需要根據機器學習效果對訓練集進行不斷的不斷的調整和修改。
對數據的把握,可以說是AI產品經理工作里非常繁雜困難的部分了,而人工智慧產品的工作方法和經驗也都還在發展和積累中,很多事情都還沒有找到最好的方式,輔助工具也少,因此也需要AI產品經理多交流經驗一起探討。
(三)產品設計
定義好了產品需求後,就可以開始進行產品設計了。產品設計本質和傳統產品經理的工作是一樣的,根據需求和問題做出能解決問題的產品。
這一塊我主要寫了三個方面:基礎功能、動態中發展、AI產品的不確定性。
(1)基礎功能
產品的大框架肯定還是基於我們的產品本身的形態,它是一個智能音箱還是一個智能電視,還是在App里的一個智能助手......
接下來看我們要完成的需求,如果它是一個用在App里的智能助手,現在要訓練它完成「找功能」這個需求,那麼產品的形態和設計肯定就是圍繞著「找功能」來做。
(2)動態中發展
動態中發展的含義兩個方面,第一個在上文中已經提到了,產品在使用中迭代。
要在產品設計中添加數據收集的設計,通過產品的不斷使用,不斷從用戶那裡得到更多的更深入的數據,在使用中為AI進行訓練,在AI解決問題越來越準確和深入的過程中迭代產品。
基於新獲得的更加深入和了解用戶的數據,也可以為該場景下更加深入功能的製作提供基礎。比如一開始只能幫助用戶喚起應用,之後就可以考慮幫助用戶喚起並使用應用內的內容。
第二個動態指的是用戶和產品的交互是動態的。
不同於傳統產品,點一個確定按鈕就是確定按鈕,點一個取消就是取消,在語音對話等場景下,產品的功能是需要在和用戶的動態交互中被喚起的。
當然這裡主要談到的是語音對話等場景下,大部分用在搜索、推薦等傳統界面內的AI交互還是和互聯網界面一樣。
而語音場景下和用戶不斷對話的情況,涉及到了場景劇本編寫、多輪對話設計、詞槽設計等方面,還有語音交互的規則以及經驗。
比如地圖應用的小助手使用場景多在開車用戶開車時,用戶會問些什麼,怎樣編寫劇本,怎樣進行詞槽填充?
在未來,也會出現越來越多AI產品不局限在固定的界面內,AI產品經理面臨的是對更豐富和廣闊的場景的把握。
(3)不確定性的把控
AI產品設計本身具有很大「不確定性」,主要分為以下幾個方面,這裡針對的也是語音產品來說的。
1.機器人的智力感受、用戶預期。
人們無法像傳統產品一樣直觀確定地了解AI產品「是什麼」,對它的認識、對它智力水平的了解是模糊的。
於此同時,能夠對話的AI產品帶有一種「人」的屬性,用戶對它會有更加有溫度的情感。相比與傳統產品,確定取消、能夠選的選項整齊地排列,用戶對AI產品會有一種與「人」相關的預期。
在用戶對產品的預期很高的情況下,產品對用戶的提問回答的不好,或者用戶提了太多超出產品功能外的問題沒有得到正向的反饋,用戶的心理落差會很大,會影響到用戶對產品的評價。
因此,設計AI產品時,要注意對用戶期望的把握。收窄用戶預期,把預期降低到與產品能力相近的水平,並且注意對話中的情感設計。
2.機器人功能邊界的傳達
面對界面為對話的chatbot或者根本沒有界面的智能音箱,用戶不能直接了解到產品能夠做到的事情。
因此AI產品需要對用戶做引導,比如剛剛打開時,告訴用戶我可以做什麼,在使用中,遇到無法解決的問題,要有一些相似功能的引導,「試試這些功能吧~」,這些引導要注意貫穿在與用戶交互的過程中,及時為用戶引導產品當下的狀態與能做的的事情。
告訴用戶產品的功能邊界,讓用戶建立對產品的功能的認識。
3.場景的開放
基於AI技術的發展,越來越多的AI產品會脫離界面的限制並觸及更廣泛的行業。
就如語音產品,一個放置在家庭里的智能音箱,它的使用場景、使用的人群都比互聯網產品更加立體深入和廣泛。AI產品經理需要面對的是更豐富的場景、更貼近人的需求。在新的立體的場景下,產品經理對人的理解、對產品的把控都會有新的要求,這是AI產品經理相比於傳統產品經理面臨的新挑戰。
4.工作步驟的探索
AI產品現在還處於剛剛興起的階段,從整體來看,AI產品經理在AI產品製作中的經驗都還不是很豐富,遇到的很多問題都沒有相對來說比較確定和成熟的做法,缺少解決方案或經驗總結,很多問題都需要隨著AI的不斷發展不斷探索。
與此同時,AI技術本身的邊界和能力正在飛速發展中,AI產品經理需要及時跟上一些新的技術,對自己的工作作出調整。
(四)上線反饋
上線反饋與傳統產品一樣,不再贅述啦。
最後:其實比較AI產品經理和傳統產品經理兩者,我覺得身為「產品經理」的本質是相同的,只是面對的技術不同,不同技術下思維方式和工作方式會有相應的變化,也就產生了AI產品經理和傳統產品經理的區別:
1.對AI的技術理解
2.數據思維
3.產品在動態中迭代的思維
這三點區別並非鴻溝,AI也並非永遠帶著光環,在具體的運用中,總會落到實地呈現具體可操作的樣子。
但是更加深入的理解,還需要不斷學習和思考,在工作中總結和積累經驗,成長的路總是很漫長。
(ps.2019屆畢業生一枚,求春招產品經理實習崗)
推薦閱讀:
※萬神殿,安藤忠雄和二維碼
※人工智慧帶給我們的恐懼該終結了
※人工智慧對未來的預測越來越准了
※智能互聯網代表未來,聯想如何打贏這場攻堅戰?
※對話孫慶凱:雲從科技如何憑藉三板斧敲開1500億安防市場 ?