05 | 如何当好AI时代的产品经理？（实践篇）

@安乐天 好问题！首先我觉得现在对 VR/AR 下结论还早，其次我觉得 AI 和 VR/AR 不同的是 AI 本身是底层技术能力的变革，也就是说随着算法成熟，不论是做社区还是做新闻阅读器，都可以用 AI 解决一些过去解决不了的问题。另外，纯以 AI 能力作为产出的公司在这一波里会有危险，但能结合场景和数据优势利用 AI 能力的公司会更容易享受到这波浪潮。

@刘祯 谢谢你分享的案例，你的两个建议都已经私下多次反馈给极客时间团队了~ 据说已经在吐血进行中了

@一行 1. 不太清楚你指的很多是多少，但我觉得对基础算法有个粗略的了解是必要的，其实数量没有想象的那么多，看论文也可以看到，很多时候都是通过去组合不同的基础方法解决问题。至于粒度，没法一概而论，只要别是不了解细节大而化之提需求，做到愿意深入细节里面去看算法，就很好。 2. 数据清洗是个挺大的领域，我对它并不是非常了解，但我感觉想要有一招吃遍天的方法挺难的，因为源数据的不确定性导致了各种清洗和分析工作都需要针对具体问题做具体分析。 3. 最后这个问题我没太看懂，有没有具体的例子可以详细瞅瞅 :P

谢谢反馈，留言、回复和通知的功能正在吐血研发中

“产品经理应当把大颗粒的整体性领域算法拆成小颗粒的算法单元，并在此基础上寻找产品化可能。”醍醐灌顶，分词、聚类、词对齐、句对齐都有产品化的空间。

感谢二爷的分享，看完今天的文章，第一个感觉就是，要学习的东西太多了，每个领域都有自己独立的名词与规则，要快速入门需要持续的投入。 其次，关于了解算法的能力边界与未来规划，这一点我深有感触。 上次大致介绍的 Glicko 积分算法采用积分和 RD（Rating Deviance），以区间的形式评定选手实力，相比于纯粹依靠积分来划分等级有一定优势。 RD 用于衡量一个评分的不确定程度，RD值越高，评分越不可信。选手的积分仅根据对战的结果而改变，但 RD 值的改变取决于比赛结果和未进行比赛的时间长度。选手参加的比赛越多，关于选手能力的信息就越多，RD 值就会越低，评分的可信度就越高，反之亦然。 对于数据的输入，我们采用了目前网球业余赛事中正式比赛的比分与数据，将其他非正式比赛排除在外，同时调整单打、双打的权重值，以便更真实地反应网球水平，目前推出的评分基本接近选手对于个人能力的自我评价 对于数据的输出，我们将查询个人等级公布在每次赛事报名入口，并且严格按照等级来确认报名资格，评级系统要成为标杆还有很长的路要走。 最后，这是我个人对「极客时间」的建议： 1、文章评论区可以参考微信公众号的方式，作者回复与用户留言放在一起显示，建议不要将作者回复单独置顶显示，这样显得较为混乱，很难定位； 2、关于精选留言与作者回复，最好能够通过 App 通知，这样会让用户有成就感，如果长时间没有反馈其实很有挫败感。我的留言中建议区分是否为精选留言。 祝好。

看完后，畅快淋漓，启发挺大的。有几个小疑问。 ①细化粒度时需要懂很多不同的算法吗？如何把大粒度的需求细化呢？ ②文中讲述了数据收集到清洗到最终提交给工程师，数据清洗有没有其他的快捷的方法或者软件支撑？ ③数据的最终目的是有效分析和产品化，如何多维度的进行数据的分析和串联起来达到产品化？ 问题有点多，都是实施环节的，希望二爷有时间解答一下，哈哈。

AI是未来，渗透到全行业还需要时间，特别是传统制造业

得到的：产品经理1是分解问题，2是组合 ，3是利用。把已知的问题拆解成容易理解和实现的问题，包括拆解工程实现、算法过程等；组合是根据产品的场景和分解得到的已知条件组合在一起解决问题；善于利用所有的条件。

感觉第五点才是精髓，首先任何产品都是先完成再完善的，其次是不可能做出十全十美毫无瑕疵的产品，我们应该做的是及时发现问题并解决问题