NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - AI模型在线查看 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割 - 3D道路快速建模
AI 产品经理的角色并不是新角色，但随着 AI 产品和服务的激增，该角色具有了新的意义。AI 和机器学习已经存在了几十年，但我们正处于从检索（retrieval）到生成式（generative）计算的转变之中。
1、3种不同类型的AI产品经理
区分专门从事 AI 的 PM（AI 产品经理）和使用 AI 来更有效地完成其角色的 PM 非常重要。在这篇文章中，我们将讨论“AI 产品经理”以及基于 AI 技术管理产品的含义。当我谈到 AI 产品经理时，我会想到那些从事以下任何 AI 支持产品类别的 PM：
- 应用 AI的 产品 — AI 为你的产品的一部分提供支持，请考虑 Notion AI 和 Legal Zoom 的 Doc Assist 等特定功能。
- AI平台 — Vertex AI、RapidMiner 和 SageMaker 等人工智能平台促进了机器学习模型的开发和部署。
- AI 服务 — 有一系列基于 AI 的服务可以解决特定用例或问题。Azure Databricks 和 Amazon Rekognition 等服务分别针对数据管理和治理以及计算机视觉方面的特定用例。
2、传统软件 vs. AI系统
传统软件开发基于由开发人员编写的规则指令。这些规则是预先确定的，这意味着软件将始终根据编码规则产生相同的输出。虽然人工智能系统可以基于规则，但这些系统旨在从数据中学习。
人工智能是一个总称，涵盖了机器学习 (ML) 和自然语言处理 (NLP) 等不同技术。例如，ML 系统使用训练数据让机器学习，其中“模型”是训练输出。深度学习是 ML 的一个子集，使用复杂的非结构化数据（如图像和文本）训练机器。
生成式AI是深度学习的一个子集，它使用机器学习模型根据现有数据生成新内容。无论产品是基于机器学习还是深度学习，重要的是要认识到人工智能产品与传统软件产品不同。以下是存在明显差异的主要领域：
- 开发阶段——传统软件通常从功能规范开始，涉及设计、编码、测试和发布阶段。基于人工智能的产品的重点通常是性能准确性，开发涉及许多实验和迭代来训练和调整为产品提供支持的人工智能系统（例如算法、库和框架）。
- 参与开发的人员——传统软件产品由跨职能团队开发，包括项目经理、设计师和软件工程师。对于基于人工智能的产品，项目经理还与数据科学家、机器学习工程师和数据工程师密切合作。
- 数据依赖性——基于人工智能的产品严重依赖大量数据来训练人工智能模型。数据最终决定了产品的功能和用户体验。
- 用户体验——传统软件具有预定义的用户界面和工作流程。聊天机器人、税务咨询或幻灯片生成器等人工智能（应用）产品可提供根据用户的行为、偏好和输入进行调整的用户体验。客户对人工智能产品的满意度往往取决于对数据准确性和可信度的感知。
- 可解释性——传统软件产品通常更明确、更易于解释，这意味着用户可以轻松理解特定操作的因果关系。相比之下，人工智能产品（尤其是基于深度学习模型的产品）可能更难解释。
- 测试——如果您正在测试传统软件产品，您将使用预定的测试计划并针对设定的输入和输出进行测试。在测试人工智能产品时，您通常会根据未见数据、极端情况和数据中的任何偏差来评估性能。企业将有自己的评估指标来测试人工智能产品或系统的稳健性。
- 风险更高——由于行为不确定，人工智能系统本质上风险更大。想想使用不同路径得出结果的算法，这可能会从监管和公众认知的角度带来风险。
- 适应性——基于人工智能的产品通常旨在从新数据和用户交互中学习，在此过程中创建新内容或建议。相比之下，传统软件产品一旦部署就可以保持相当稳定。
3、AI产品经理的4个要素
虽然传统产品和基于 AI 的产品之间存在差异，但即使作为“AI 产品经理”，产品管理的四个基石要素也不会改变：
- Why：为什么这个问题值得解决？为什么我们优先解决一个问题而不是另一个问题？
- Who：谁的问题值得解决？我们需要谁来为客户解决问题？
- What：什么解决方案可以解决客户问题？它将带来什么价值？
- How：我们将如何构建解决方案？我们将如何将其推向市场？
在产品管理的这四个关键要素中，有一些方面与 AI/ML 产品特别相关：
Why？——“要解决的客户问题是什么？”“为什么值得解决？”“我们需要 AI/ML 来解决这个问题吗？”在将 AI 视为解决客户问题的手段之前，每个 PM 都应该回答这些基本问题。
AI 已经在多个领域提供了切实的客户和商业价值，例如内容生成和个性化推荐。但是，不要将 AI 视为灵丹妙药，也不要掩盖在产品中使用 AI 的潜在负面影响。如果您正在开发利用 AI 的产品，那么从问题入手并理解“为什么”的必要性不会改变。优秀的产品经理将对基于 AI 的产品的“为什么”和差异化价值有清晰而令人信服的理由。
Who？——了解我们为谁打造产品不会改变。无论您的产品是 AI（例如虚拟助手）还是集成在现有的 UX 中，PM 都将继续与客户和利益相关者合作，以正确的方式解决正确的问题。以用户为中心的设计不会消失！
当我在 Intercom 开发聊天机器人时，我了解到，在开发它们时，我们仍然需要考虑人与人之间的对话，以及用户意图和与聊天机器人交互的人的心理模型。Copilot、Spotify AI DJ 和 Harvey 等 AI 优先产品就是基于传统以人为本的设计原则设计的 AI 优先产品的很好例子。
数据决定了 AI PM 与客户和利益相关者接触时的议程。我认识的 AI PM 都具有高度的数据素养，并且在数据管理和数据科学方面拥有不同程度的技术深度。
客户希望了解他们的个人数据是如何使用的，利益相关者希望掌握数据合规性。AI 是一项发展如此迅速的技术，利益相关者希望不断了解新的发展和潜在风险。AI 的概率性质具有固有的风险，你无法自信地向利益相关者保证某些事情“永远不会发生”。相反，AI PM 需要具备详细的知识并密切参与管理与信息和模型风险有关的利益相关者沟通。
What？——探索解决问题的潜在解决方案不会改变。AI PM 将继续与客户、利益相关者和跨职能利益相关者密切合作，以定义正确的解决方案。
从目前从事 AI 优先产品的 PM 那里学到，很明显他们需要精通数据分析，了解数据生命周期并掌握良好的算法。
→ 数据收集：如果您想创建一个数据驱动的功能，您需要了解您想要和允许使用的数据类型（数字与描述性）。您需要弄清楚如何以及从何处获取数据。例如，您使用的是真实世界数据还是合成数据？
→ 数据分析：一旦确定了数据可用性，您需要弄清楚如何清理数据，通常涉及删除冗余数据并确保相关数据以逻辑和高效的方式存储在数据库中。合理化数据涉及处理缺失值和处理数据中的异常值。
从用户体验的角度来看，数据是产品，PM 需要将数据视为用户体验：
- 数据准确吗？
- 数据完整吗？
- 数据一致吗？
- 数据是最新的吗？
这些问题的答案最终决定了人工智能生成的响应的相关性。基于人工智能的产品依赖于生成用户输入和反馈来提高响应的准确性。确保响应准确并非一次性完成的工作。
大多数将人工智能作为其产品或服务一部分的公司都已实施人工标注实践，以不断强化机器学习模型。人类将审查和标记图像、文本、视频或音频等数据，确保数据正确分类。
How？——每个产品经理都需要很好地了解其产品的基础技术，并密切参与“如何”交付产品。随着基于人工智能的产品和功能的兴起，产品经理需要很好地掌握数据分析、机器学习和算法。
我目前正在学习人工智能对话设计不同方法的机会和限制，我意识到产品经理需要很好地理解（并提出正确的问题）这些更技术性的概念：
意图分类——意图分类是一种自然语言处理任务，可确定文本或语音输入背后的根本目标。每个用户意图都代表用户想要实现的特定结果或操作。算法会根据意图分析、标记并将内容分配到相关类别。
消歧逻辑 - 消歧逻辑涵盖了根据上下文确定歧义词或句子的预期含义的方法。它应用逻辑推理和分析来消除自然语言中的歧义。
举一个简单的例子，用户要求聊天机器人推荐一把舒适的椅子：
用户：你能推荐一把办公椅吗？
此时，聊天机器人可以根据假定的用户意图朝某个方向发展。相反，它可以要求用户根据上下文澄清他们的输入。聊天机器人可以提供一些选项，让用户选择最相关的选项。
聊天机器人：我知道你在家工作。对于你的办公椅，你是喜欢一把适合你的需求和动作的人体工学椅，还是喜欢一把可以轻松收起来以腾出空间的可堆叠椅子？
可解释性——可解释性是指向用户提供有关人工智能决策过程的清晰解释，并透明地说明人工智能所使用的数据源和算法。在我们的办公椅示例中，聊天机器人需要透明地说明用于提供建议的数据，以便用户可以验证建议的有效性。
主要学习点：人工智能产品经理是一个专业角色，就像有专门从事支付或医疗保健的 PM 一样，但关键的产品管理原则仍然适用。对数据的高度关注是 AI PM 角色的与众不同之处：大规模收集、分析和部署数据对于构建任何 AI 产品都至关重要。看看这些专业 AI 产品经理的期望将如何演变将会很有趣。
原文链接：What makes AI Product Managers different?
BimAnt翻译整理，转载请标明出处
