邱岳的产品手记
邱岳
无码科技产品经理,公众号二爷鉴书作者
33999 人已学习
新⼈⾸单¥59
登录后,你可以任选4讲全文学习
课程目录
已完结/共 49 讲
邱岳的产品手记
15
15
1.0x
00:00/00:00
登录|注册

05 | 如何当好AI时代的产品经理?(实践篇)

产品设计要考虑算法的不确定性
利用产品机制去消化算法带来的不确定性
设计数据的闭环,通过产品的持续运转,不断生成更多数据提供给算法做训练
人工智能效果,8 分靠数据
规划、收集以及组织算法所需要的数据
不让用户觉得失落,发挥算法的最大价值
设计出恰如其分的产品,管理好用户的期望值
工程可以快速提高产品的价值分值
端到端的思路需要大量的工程工作去对算法模块做衔接
深入到领域内,评估是否有能够被产品化的成果
应当更小粒度地看待每个具体算法过程和环节
不能给算法团队提出很大的领域型需求
机器学习算法带来的思维模式变化
对数据的规划是产品经理的特殊职责
利用产品设计,最大化算法和工程的产出
重视工程的力量,不追求完全纯净的算法输出
深入理解小粒度的算法,并将其产品化
去完美主义,理解算法的不确定性
做好数据规划
利用产品最大化算法和工程的产出结果
要重视工程的力量
产品与算法的结合粒度要小
产品经理的五点思考
作为产品经理,不要错过这一波机会
会渗透到各种应用和场景中
会给行业带来颠覆性的变化
实践篇
总结
人工智能的发展
如何当好AI时代的产品经理?

该思维导图由 AI 生成,仅供参考

“纸上得来终觉浅,绝知此事要躬行。”——陆游
上篇文章,我讲到了如何学习成为一个 AI 时代的产品经理,这篇文章,我想结合我自己的工作,跟你分享一些我在做人工智能相关产品时的实践和思考。我进这一行的时间其实不长,而且目前的主要工作都集中在 NLP 领域,所以难免会有一些局限性,希望你批判地听。

1. 产品与算法的结合粒度要小

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。这句话的意思是说,我们不能给算法团队提出一个很大的领域型需求,然后就坐等算法的突破,产品经理应当更小粒度地看待每个具体算法过程和环节,并评估是否有能够被产品化的成果。
比如,我们不能要求算法团队交付一个“聊天机器人”,这个需求粒度太大了,彻底完成会受制于各种因素,更是一个长期的过程。产品经理应该深入到领域内,比如看到自然语言理解(NLU),甚至看到其中本体库搭建和句子的语法树等等,可能部分完成的本体库已经可以包装为一个初级的人机交互引导产品。
我们在无码科技做 Readhub.me 时,产品经理会尽量避免提出像实现命名实体识别(NER)或实现信息抽取(IE)之类,这样大而化之的需求;而是尽量参与到算法过程中,分步去看过程产出。
比如命名实体识别过程中我们需要分词,分词作为一个中间算法,是否可以被直接产品化;再比如信息抽取需要先找到大信息量的文本片段,这个过程的产出,是否可以作为文章摘要或文本标签等等。
过去产品和技术泾渭分明,但在 AI 时代,我认为这个界限应该被打破,产品经理要融入到技术过程中去,不止关注需求,更要关注供给,这样才能做出真正的好产品。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结

在AI时代成为一名优秀的产品经理需要具备哪些实践经验?本文总结了五点关键思考。首先,产品经理应将大颗粒的整体性领域算法拆分成小颗粒的算法单元,并寻找产品化可能。其次,重视工程的力量对于提高产品的价值至关重要。第三,产品经理应最大化算法和工程的产出结果,设计出恰如其分的产品,同时管理好用户的期望值。此外,做好数据规划也是至关重要的,包括规划、收集和组织算法所需的数据,并在业务中设计数据的闭环,不断生成更多数据提供给算法做训练。最后,产品经理需要理解算法的不确定性,摒除完美主义,利用产品机制去消化算法带来的不确定性。随着人工智能的发展,产品经理需要适应这一颠覆性的变化,将人工智能渗透到各种应用和场景中,成为新的基础设施。这篇文章为产品经理提供了在AI时代融入技术过程、重视工程力量、了解算法能力边界,并设计出恰如其分的产品,同时也要管理好用户期望值的实践经验。

仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《邱岳的产品手记》
新⼈⾸单¥59
立即购买
登录 后留言

全部留言(22)

  • 最新
  • 精选
  • 二爷
    置顶
    @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。
    2017-12-01
    10
  • 二爷
    置顶
    @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
    2017-11-30
    4
  • 二爷
    置顶
    @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
    2017-11-30
    3
  • 池建强
    置顶
    谢谢反馈,留言、回复和通知的功能正在吐血研发中
    2017-11-30
    18
  • 郝产品
    “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。

    作者回复: 对,哪怕做个编辑器插件呢

    2017-12-05
    5
  • 听天由己
    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。
    2017-11-30
    13
  • 一行
    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。
    2017-11-30
    5
  • Geek_kevin
    AI是未来,渗透到全行业还需要时间,特别是传统制造业
    2020-03-22
    2
  • zhatrix
    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。
    2018-01-18
    2
  • 咱是吓大的
    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
    2020-12-30
    1
收起评论
显示
设置
留言
22
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部