近幾年來，人工智能概念與相關(guān)產(chǎn)品都非常火熱，更有許多產(chǎn)品經(jīng)理換行去當人工智能產(chǎn)品經(jīng)理。本文特地整理了人工智能產(chǎn)品經(jīng)理的4項基本技能，希望能給你帶來啟發(fā)。

大家好，我是白白，人工智能產(chǎn)品經(jīng)理是現(xiàn)在非常火熱的話題，白白本人負責醫(yī)藥AI產(chǎn)品多年，但是什么樣的人能做人工智能產(chǎn)品經(jīng)理呢？人工智能產(chǎn)品經(jīng)理都需要什么樣的技能？本片白白與你討論。

人工智能產(chǎn)品與傳統(tǒng)互聯(lián)網(wǎng)產(chǎn)品的具體區(qū)別在哪？

如果從效率方面來講，互聯(lián)網(wǎng)產(chǎn)品更多提高信息傳遞的效率，而人工智能產(chǎn)品提高信息產(chǎn)生的效率。兩種類型產(chǎn)品的功能重點不同，自然對產(chǎn)品經(jīng)理的要求也不盡相同。

人工智能產(chǎn)品經(jīng)理屬于產(chǎn)品經(jīng)理的一種，必須對用戶、需求、商業(yè)模式有深刻的認知。除此之外，人工智能產(chǎn)品經(jīng)理還需要4項基本技能：懂數(shù)據(jù)、懂算法、會溝通、懂行業(yè)，如圖1所示：

圖1

數(shù)據(jù)由行業(yè)產(chǎn)生，人工智能產(chǎn)品經(jīng)理需要擁有敏銳的數(shù)據(jù)洞察力，這樣才能在眾多業(yè)務(wù)數(shù)據(jù)中梳理出有價值的數(shù)據(jù)信息；

算法在沒有使用場景時，只是一些數(shù)學(xué)公式，行業(yè)就是算法的使用場景，算法過程需要根據(jù)使用場景而改變，這樣才能更好的服務(wù)于場景，數(shù)據(jù)是算法血液，算法中的很多參數(shù)是依靠數(shù)據(jù)訓(xùn)練而得到；

溝通是產(chǎn)品經(jīng)理的固有技能，人工智能產(chǎn)品經(jīng)理的溝通需要根據(jù)自身對行業(yè)、數(shù)據(jù)、算法的理解，與開發(fā)工程師、運營人員及行業(yè)專家等不同角色進行交流，才能有效的調(diào)動資源；

懂行業(yè)是做產(chǎn)品的基本素質(zhì)，產(chǎn)品使用場景、商業(yè)模式都源于對行業(yè)的認知。

一、如何理解數(shù)據(jù)

數(shù)據(jù)是人工智能產(chǎn)品的基礎(chǔ)，人工智能產(chǎn)品經(jīng)理必須懂得如何利用數(shù)據(jù)去構(gòu)建產(chǎn)品。懂數(shù)據(jù)經(jīng)常與懂行業(yè)相伴相生，數(shù)據(jù)畢竟來源于行業(yè)，所以數(shù)據(jù)自然帶有行業(yè)的一部分特征。

人工智能產(chǎn)品經(jīng)理的數(shù)據(jù)認知，主要體現(xiàn)在以下三個方面，如圖2所示：

圖2 數(shù)據(jù)認知的三個方面

1. 懂數(shù)據(jù)的業(yè)務(wù)內(nèi)涵

數(shù)據(jù)業(yè)務(wù)內(nèi)涵是指數(shù)據(jù)在業(yè)務(wù)中的意義。

無論是做數(shù)據(jù)分析，還是做人工智能產(chǎn)品，首先要搞清每種數(shù)據(jù)的含義——數(shù)據(jù)通常來講能夠反應(yīng)出某項業(yè)務(wù)或某類業(yè)務(wù)，模型的構(gòu)建過程也是對業(yè)務(wù)關(guān)系的梳理。懂得數(shù)據(jù)業(yè)務(wù)內(nèi)涵對也有有利于掌控數(shù)據(jù)標注的相關(guān)工作。

2. 懂數(shù)據(jù)屬性

數(shù)據(jù)屬性是指數(shù)據(jù)本身的特征，數(shù)據(jù)屬性包括數(shù)據(jù)類型、數(shù)據(jù)質(zhì)量等不同維度的屬性。

（1）數(shù)據(jù)類型很多，有圖像數(shù)據(jù)、文本數(shù)據(jù)、聲音數(shù)據(jù)等，每種數(shù)據(jù)類型具有不同的分析方法與建模方法。

圖像數(shù)據(jù)可以采用卷積神經(jīng)網(wǎng)絡(luò)進行處理，文本數(shù)據(jù)可以采用決策樹以及馬爾科夫鏈模型進行處理。

（2）數(shù)據(jù)質(zhì)量包含的內(nèi)容較多，包括數(shù)據(jù)真實性、數(shù)據(jù)結(jié)構(gòu)化程度、數(shù)據(jù)異常情況等。不同質(zhì)量的數(shù)據(jù)處理過程也不同。大多數(shù)情況下，非結(jié)構(gòu)化數(shù)據(jù)需要轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)后才能構(gòu)建模型。

3. 懂數(shù)據(jù)處理的技術(shù)與流程

數(shù)據(jù)處理是指將原始數(shù)據(jù)變?yōu)閷μ囟▓鼍跋掠袃r值、有意義的數(shù)據(jù)形式。人工智能產(chǎn)品經(jīng)理應(yīng)該掌握數(shù)據(jù)處理的技術(shù)與流程，數(shù)據(jù)治理在整個數(shù)據(jù)科學(xué)中占有基礎(chǔ)性的地位。

人工智能產(chǎn)品經(jīng)理首先需要對數(shù)據(jù)進行整體評估，確定數(shù)據(jù)是否能夠滿足業(yè)務(wù)需求，評價數(shù)據(jù)質(zhì)量等相關(guān)情況。在對數(shù)據(jù)充分認知后，才能夠進行數(shù)據(jù)處理與建模工作。

二、如何理解算法

人工智能產(chǎn)品經(jīng)理需要參與算法的設(shè)計過程，所以必須深入了解算法原理。懂算法可以更好地與算法工程師溝通，并且能夠知曉不同算法的應(yīng)用場景。

1. 普通產(chǎn)品經(jīng)理工作流程

熟悉普通產(chǎn)品經(jīng)理工作流程的人都應(yīng)該清楚，普通產(chǎn)品經(jīng)理主要以提出需求為主，他們撰寫產(chǎn)品需求文檔提交給開發(fā)工程師，由開發(fā)工程師應(yīng)按照需求文檔的內(nèi)容進行開發(fā)。

普通產(chǎn)品經(jīng)理的工作模式是制定一個產(chǎn)品開發(fā)的目標，由開發(fā)工程師去完成這個目標。

普通產(chǎn)品經(jīng)理以“目標”為導(dǎo)向來參與產(chǎn)品研發(fā)，他們制定產(chǎn)品功能的目標，為最終結(jié)果負責。對于具體“目標”的實現(xiàn)過程，普通產(chǎn)品經(jīng)理很少參與，大部分由開發(fā)工程師完成。

2. 人工智能產(chǎn)品經(jīng)理工作流程

人工智能產(chǎn)品經(jīng)理需要懂算法，這樣才能參與產(chǎn)品功能的實現(xiàn)過程。

在產(chǎn)品開發(fā)的過程中，人工智能產(chǎn)品經(jīng)理始終參與算法的研發(fā)，一直需要與算法工程師保持緊密的配合。

人工智能產(chǎn)品經(jīng)理需要針對行業(yè)特征進行技術(shù)預(yù)研，評估哪些算法適合產(chǎn)品的應(yīng)用場景。算法模型的訓(xùn)練以及訓(xùn)練數(shù)據(jù)的準備工作，都需要人工智能產(chǎn)品經(jīng)理參與。

首先，人工智能產(chǎn)品經(jīng)理會提出產(chǎn)品需求，在提出產(chǎn)品需求后，他們會幫助算法工程師尋找合適的路徑去實現(xiàn)。

人工智能產(chǎn)品經(jīng)理不僅要撰寫需求文檔，還需要撰寫技術(shù)文檔，通過自己對技術(shù)和行業(yè)的了解，在需求與算法間建立一棟橋梁，提出最佳的算法及技術(shù)實現(xiàn)路徑。

人工智能產(chǎn)品經(jīng)理更多地參與產(chǎn)品“目標”的實現(xiàn)過程過程，是以“過程”為導(dǎo)向來參與產(chǎn)品研發(fā)。

由此可見，人工智能產(chǎn)品經(jīng)理需要懂技術(shù)，這樣才能順利進行技術(shù)預(yù)研，并保證與算法工程師溝通順暢。

基于行業(yè)特點，人工智能產(chǎn)品經(jīng)理首先需要確定“哪些是分類問題？哪些是預(yù)測問題？解決這些問題適合用什么算法？”，這些都需要與算法工程師深入的溝通，溝通的基礎(chǔ)就是對算法的理解。

通常情況下行業(yè)問題都比較復(fù)雜，很難用單一的算法滿足需求。人工智能產(chǎn)品經(jīng)理需要探索如何組合不同的算法來滿足行業(yè)需求。

算法就像積木，人工智能產(chǎn)品經(jīng)理需要根據(jù)行業(yè)需求的特點，去將算法積木搭建成相應(yīng)的形狀。只有人工智能產(chǎn)品經(jīng)理懂得算法原理，才能知道如何利用算法滿足行業(yè)需求。

圖3 人工智能產(chǎn)品的算法設(shè)計路徑

在產(chǎn)品構(gòu)建過程中，人工智能產(chǎn)品經(jīng)理參與算法設(shè)計的路徑如圖3所示：

第一步，需求確定。確認需求是一個反復(fù)的過程，首先通過自己對行業(yè)的了解提出需求，之后要通過訪問行業(yè)專家或用戶調(diào)研確定需求。

第二步，算法設(shè)計。算法設(shè)計考慮的維度較多，首先要將需求分解成幾個部分，分析這些問題屬于哪類問題。如果是文本分析問題，可以考慮使用長短時記憶神經(jīng)網(wǎng)絡(luò)解決；如果是策略規(guī)劃問題，可以考慮用強化學(xué)習(xí)解決，除此之外還需要考慮數(shù)據(jù)的情況。綜合以上各種情況確定使用何種算法。

第三步，算法討論。將算法設(shè)計的思路與算法工程師討論，共同完成算法的實施路徑。

第四步，算法確認。算法達到三個要求可以認為完成了算法確認。其一，能夠滿足也業(yè)務(wù)要求；其二，在現(xiàn)有資源環(huán)境下可實施開發(fā)。當算法得到幾方確認后，便可以開始實施開發(fā)。

第五步，算法驗收。算法在實施過程中會有非常多問題存在，需要真正完成開發(fā)才能知道效果如何。在算法模型與真實業(yè)務(wù)系統(tǒng)完成對接，運營環(huán)境、運維等工作都得到確認，并確定算法模型能夠達到需求之后，算法驗收工作才能結(jié)束。

算法模型就像產(chǎn)品一樣，同樣是一個不斷改進更新的循環(huán)過程。在這個過程中，伴隨著硬件的升級，新模型的設(shè)計思路，甚至新業(yè)務(wù)數(shù)據(jù)的加入，算法只有不斷改進才能更好的符合業(yè)務(wù)需求。

三、 如何進行溝通

人工智能產(chǎn)品經(jīng)理作為需求、算法、項目三方的協(xié)調(diào)者與管理者，盡量采用專家方式溝通會更有效。

所謂專家式溝通主要強調(diào)溝通者以專家的身份，有理有力有節(jié)的闡述觀點進行溝通。

人工智能產(chǎn)品經(jīng)理與別人溝通時，需要具備以下3個特點，如圖4所示：

圖4 人工智能產(chǎn)品經(jīng)理溝通要素

（1）專業(yè)性是人工智能產(chǎn)品經(jīng)理的立命之本

無論是對于行業(yè)還是對算法，以及在規(guī)劃功能和設(shè)計流程時，都應(yīng)該始現(xiàn)自己的專業(yè)性。只有突出專業(yè)性，才更容易取得信任。

（2）條理性是人工智能產(chǎn)品經(jīng)理在一切溝通時的原則

無論什么樣的溝通首先闡述結(jié)論，在闡述理由，同時說明問題的背景及相關(guān)說明。溝通時，必須做到條理清晰，闡述理由時盡量使用推理演繹的邏輯路徑，能夠用圖表達的盡量不要用文字。

（3）廣博性是人工智能產(chǎn)品經(jīng)理個人魅力體現(xiàn)

需要人工智能產(chǎn)品經(jīng)理有廣闊的知識面與變通能力，針對不同的溝通對象盡量使用同樣的語言，或類似的思考路徑進行溝通，否則很容易產(chǎn)生無效溝通，而浪費了大量的時間。

人工智能產(chǎn)品經(jīng)理溝通對象很多，所以需要有足夠的知識儲備，所以盡量做到懂算法、懂行業(yè)、懂設(shè)計、懂運營的綜合人才。

人工智能產(chǎn)品經(jīng)理最重要的溝通對象是算法工程師。吳恩達在NIPS 2016演講中提到了人工智能產(chǎn)品經(jīng)理的角色定位，強調(diào)人工智能產(chǎn)品經(jīng)理是用戶與算法人員間的橋梁。

由于算法工程師并不很了解行業(yè)，如何將行業(yè)內(nèi)容用算法語言描述給算法工程師是十分重要的，這種溝通我們稱之為“轉(zhuǎn)譯”。

轉(zhuǎn)譯就像是一個翻譯過程，將不同兩個領(lǐng)域的術(shù)語翻譯給對方。人工智能產(chǎn)品經(jīng)理進行轉(zhuǎn)譯時，需要注意以下幾個要點：

1. 溝通行業(yè)背景

人工智能產(chǎn)品經(jīng)理具有行業(yè)背景，與算法工程師溝通時，盡量使用對方能夠聽懂的語言，解釋產(chǎn)品給行業(yè)帶來的價值。

首先雙方應(yīng)該溝通產(chǎn)品的行業(yè)背景，能夠使算法人員對整個產(chǎn)品有更全面的了解，有利于代碼質(zhì)量的提高。

2. 說明產(chǎn)品價值

首先將溝通的最終目標解釋給對方，讓對方明白這件工作的意義。

例如在與算法工程師溝通時，首先讓對方明白我們需要實現(xiàn)產(chǎn)品功能是什么。在了解產(chǎn)品功能之后，再進行算法方面的討論。

3. 產(chǎn)品功能分解

產(chǎn)品功能通常由很多小的功能模塊組成，人工智能產(chǎn)品經(jīng)理需要根據(jù)自己對行業(yè)的理解，將產(chǎn)品功能進行模塊化拆分，與算法工程師針對單個模塊內(nèi)容進行溝通。

4. 給出數(shù)據(jù)例

數(shù)據(jù)例指的是訓(xùn)練數(shù)據(jù)的數(shù)據(jù)樣例。人工智能產(chǎn)品經(jīng)理需要負責數(shù)據(jù)的協(xié)調(diào)工作，應(yīng)該盡快讓算法工程師看到數(shù)據(jù)例，這樣能節(jié)省很多溝通的時間。即使現(xiàn)在沒有足夠的數(shù)據(jù)，數(shù)據(jù)的基本情況也要盡快與算法工程師溝通。

5. 提供算法方案

人工智能產(chǎn)品經(jīng)理需要進行技術(shù)預(yù)研，應(yīng)該首先提出一套算法方案用于和算法工程師交流。該算法方案包括建議使用的算法類型、數(shù)據(jù)處理方案等。這樣可以就具體的算法路徑進行討論，提高了溝通的效率。

6. 案例

下面以一個行業(yè)壁壘的很高的產(chǎn)品為例，說明人工智能產(chǎn)品經(jīng)理如何與算法工程師進行溝通。

【例】筆者一直從事分子質(zhì)譜（MS）模擬相關(guān)產(chǎn)品的研發(fā)，質(zhì)譜（MS）是一種分子檢測的技術(shù)手段。該產(chǎn)品涉及到多個學(xué)科交叉，并且專業(yè)度極高，需要人工智能產(chǎn)品經(jīng)理與算法工程師進行良好溝通協(xié)作。分子質(zhì)譜模擬產(chǎn)品溝通路徑，如圖5所示：

圖5 分子質(zhì)譜模產(chǎn)品溝通路徑

第一步：溝通行業(yè)背景

分子質(zhì)譜模擬產(chǎn)品主要用于醫(yī)藥、化工行業(yè)，主要用未知分子的鑒定工作。該產(chǎn)品主要為醫(yī)藥領(lǐng)域研發(fā)人員提供結(jié)構(gòu)鑒定幫助。

當一個新物質(zhì)誕生時，我們并不知道它的分子結(jié)構(gòu)，但是我們可以利用一些手段將這個分子打成碎片，由于碎片分子的結(jié)構(gòu)相對比較簡單，所以通過碎片分子結(jié)構(gòu)去回推出新物質(zhì)分子的結(jié)構(gòu)。

我們能提取到的碎片分子信號，稱為質(zhì)核比（m/q），是分子質(zhì)量與其所帶電荷的比值。本產(chǎn)品需要根據(jù)碎裂的規(guī)律構(gòu)建模型，通過碎片分子的質(zhì)核比推斷出新物質(zhì)分子的結(jié)構(gòu)。

本階段溝通的目的，為了使算法工程師對產(chǎn)品與行業(yè)有一個大概的認知。

第二步：說明產(chǎn)品價值

該產(chǎn)品的核心價值用于進行未知物檢測——通過未知物的質(zhì)核比的信息，推斷出未知物的分子的結(jié)構(gòu)。

以往對未知物進行推斷，都是通過人的歷史經(jīng)驗來完成，本產(chǎn)品價值在于通過人工智能技術(shù)，取代人來進行分子結(jié)構(gòu)推斷。本階段溝通的目的，為了使算法工程師明確產(chǎn)品能夠解決的問題，以及開發(fā)該項目的原因。

第三步：產(chǎn)品功能分解

未知物分子的推斷過程，主要分為3個步驟：

第一步，首先確定未知物分子的各類原子個數(shù)，確定未知物的分子式/

第二步，尋找比較有特征的數(shù)據(jù)，這些數(shù)據(jù)對應(yīng)著某種固定的分子結(jié)構(gòu)，如果能找到這些特征數(shù)據(jù)，則證明這個未知物分子中存在這樣的結(jié)構(gòu)。

第三步，根據(jù)數(shù)據(jù)特征，找到全部可能的結(jié)構(gòu)。第四步，將這些找到的結(jié)構(gòu)組合，推斷出可能的未知物分子結(jié)構(gòu)。在和算法工程師解釋基本知識后，需要用通俗的語言將業(yè)務(wù)過程闡述出來。

第四步：給出數(shù)據(jù)例

將質(zhì)譜數(shù)據(jù)展示給算法工程師，并解釋清楚各部分數(shù)據(jù)的意義。

第五步：提供算法方案

人工智能產(chǎn)品經(jīng)理應(yīng)與算法工程師共同討論，確定各部分功能所使用的算法。第五步能否順利實施，取決于第三步是否能夠使算法工程師理解產(chǎn)品功能。算法的確定需要雙方經(jīng)過多次討論、嘗試才能確定。

人工智能產(chǎn)品經(jīng)理的溝通更像是一門藝術(shù)，不僅僅要做“轉(zhuǎn)譯”的工作，還需要與很多角色協(xié)調(diào)部署工作。人工智能產(chǎn)品經(jīng)理溝通不僅僅是個人情商魅力的表現(xiàn)，也同樣體現(xiàn)了你的行業(yè)能力與算法功底。

四、如何理解行業(yè)

2017年，吳恩達在高山大學(xué)（GASA）作主題名為《探索人工智能》的演講時，曾經(jīng)說：

“我經(jīng)常對很多公司說，如果能夠找到一個獨立的人工智能團隊，就把這些有人工智能力的人放到不同的業(yè)務(wù)團隊矩陣去”。

這句話足以證明行業(yè)對人工智能的重要性。人工智能產(chǎn)品經(jīng)理是人工智能產(chǎn)品的締造者，對行業(yè)認知程度有則有更高的要求。

人工智能產(chǎn)品經(jīng)理需要懂行業(yè)，這一點在本書很多地方都有體現(xiàn)。懂行業(yè)分為2個方面：

首先人工智能產(chǎn)品經(jīng)理只有懂行業(yè)，才能對產(chǎn)品價值有深刻認知，才能知道產(chǎn)品如何滿足需求。

其次只有懂行業(yè)才能懂商業(yè)，才能知道產(chǎn)品在行業(yè)中如何賺錢，商業(yè)利益是產(chǎn)品實現(xiàn)的最終目的。

產(chǎn)品最終需要追求商業(yè)價值，很難想象一個不懂行業(yè)的產(chǎn)品經(jīng)理，能夠設(shè)計出給業(yè)內(nèi)人士使用的產(chǎn)品。一個不懂行業(yè)的人，更不可能明白一個行業(yè)的商業(yè)運轉(zhuǎn)規(guī)律，以及產(chǎn)品商業(yè)化過程都有哪些“坑”。

產(chǎn)品經(jīng)理需要有商業(yè)的前瞻性，才能構(gòu)建產(chǎn)品價值，并能協(xié)調(diào)現(xiàn)有資源產(chǎn)生最大的商業(yè)價值。

圖6 行業(yè)認知與行業(yè)需求

如圖6所示，人工智能產(chǎn)品經(jīng)理只有具備充分的行業(yè)認知，才能構(gòu)造良好的商業(yè)模式，才能創(chuàng)造較高的產(chǎn)品價值。產(chǎn)品價值能夠滿足行業(yè)需求，商業(yè)模式能夠保證產(chǎn)品價值與行業(yè)需求間的平衡穩(wěn)定。

案例

下面以臨床科研平臺為例，說明行業(yè)認知對產(chǎn)品構(gòu)建的重要性。

【例】臨床科研智能平臺是針對醫(yī)院進行臨床研究需求所使用的數(shù)據(jù)匯聚及人工智能算法的集成平臺。此類平臺主要是解決醫(yī)院用戶進行臨床科研的剛性需求，該平臺的搭建需要深刻的行業(yè)認知，需要熟悉醫(yī)療科研的流程與方法，平臺架構(gòu)圖7所示：

圖7 臨床科研智能平臺系統(tǒng)架構(gòu)圖

臨床科研智能平臺與醫(yī)院多個系統(tǒng)對接，將多個系統(tǒng)數(shù)據(jù)結(jié)構(gòu)化供臨床科研智能平臺使用。臨床科研智能平臺上集成了多種算法，為臨床原始研究與二次型研究提供了工具。

設(shè)計此類平臺產(chǎn)品，需要對臨床科研具有深度行業(yè)認知，對醫(yī)療體系數(shù)據(jù)充分理解。

臨床科研智能平臺主要解決了醫(yī)生用戶3個痛點：

醫(yī)院內(nèi)數(shù)據(jù)存在于各個系統(tǒng)中難以整合。

醫(yī)生缺乏簡單易用的人工智能分析工具。

醫(yī)院間開展聯(lián)合研究缺乏數(shù)據(jù)協(xié)同平臺。

基于行業(yè)的思考，臨床科研智能平臺不僅能給醫(yī)生科研帶來便利，更能夠成為醫(yī)療數(shù)據(jù)走向市場的一個基礎(chǔ)。當前為了隱私性等問題，臨床數(shù)據(jù)一直無法走向市場，也意味著醫(yī)療數(shù)據(jù)利用無法快速向前推進。只有進行了良好的商業(yè)模式布局，醫(yī)療大數(shù)據(jù)才能更加健康地向前發(fā)展，臨床科研平臺的商業(yè)模式如圖8所示：

圖8 臨床科研平臺商業(yè)模式

臨床科研智能平臺依托承載的臨床數(shù)據(jù)具有極高的價值，針對藥企、醫(yī)院、政府、保險公司都可以形成商業(yè)閉環(huán)。如果對行業(yè)不夠了解就無法得到上述產(chǎn)品商業(yè)模式，所以人工智能產(chǎn)品經(jīng)理需要充分了解行業(yè)才能構(gòu)建有價值的產(chǎn)品。

來源：人人都是產(chǎn)品經(jīng)理