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）