AI产品经理的入门必修——概念篇

编辑导语:随着各行各业的丰富,产品经理的岗位职责也越来越细致;如今科技发展迅速,AI人工智能已经开始深入生活中,AI产品经理也需要掌握一定的技能;本文作者分享了关于AI产品经理的学xí概念分享,我们一起来看一下。

经过近几年来的发展,产品经理的岗位职责划分的越来越细,对能力的要qiú也越来越高。

很多刚接手做AI产品的童鞋会困扰,到底需要对人工智能技术掌握到什么程度才能够胜任好这份工作;笔者X自身的学xí经验,期望能以此篇文章为刚入行或者想入行的童鞋打开一些学xí思路。

一、工欲善其事,必先利其器

AI产品经理除了要掌握通用的产品技能,需要具有更强的X性、广博性和条理性;AI技术作为一种新的生产力,处理了过往技术无fǎ处理的复杂的非结构化数据。

很多人在使用机器学xí时,喜欢简单X的将数据丢给算fǎ模型,期望从数据中自己得到结论;AI绝不是将手中的数据喂给它,就能够解决我们的X问题。

很多X老板容易AI超神论,认为我们掌握了技术,拥有了人才,就能够建立自己的护城河;作为产品经理需要清楚的理解机器学xí的使用场景和边界,清晰定位问题才能寻找新的市场机会。

1. 产品规划:五看三定原则

五看三定模型其实是huá为的战略管理框架,现在把它结合到产品的工作中。

1)五看包括:

看行业/趋势:

  • 结合公开的行业数据、现有的X数据、产品数据分析未来趋势走向,为X发展寻找新的增长点。
  • 不仅要看宏观的经济因素还要从X思想、X关系等角度去切入,可以结合PEST方fǎ进行分析,即X、经济、X、技术分别分析企业的外部环境。

看市场/客户:确定需qiú强度,需qiú可替代性,以及客户的持续付费能力。

看竞争:当前市场的竞争态势,有多少玩家在里面,分别占据了怎样的市场份额。

看自己:评估内部资源,现有的产品矩阵。

看机会:是否存在弯道超车的机会,做到人无我有,人有我优。

2)三定包括:

定X点:简单可理解为一种不易被构建及超越的中长期竞争力,X有不同的维度,如成本优势、功能性能的领先、技术的壁垒、品牌与客户关系、绝对的市场份额等。

定目标:制定清晰的战略目标,并chāi解为最小任务,分步执行、监控、评估。

定策略:策略即战术,策略的制定决定了后续的资源分配、系统如何组成。

2. 选择产品类型

在开展新的X线时,首先问自己几个问题:我们的护城河在哪?最终产品形态是什么样子?我们为市场X了怎样的解决方案?X方式?X能力?

面对不同的X线首先要做到战略洞察所处环境与价值分析,制定清晰的战略目标和策略,X五看三定原则合理的找到产品定位。

先发型产品:

拥有最快路径、X产业升级进行驱动、建立核心门槛和护城河、资源消耗轻、塑造行业标准。

赶超型产品:

拥有最优路径、差异化的竞争驱动、对标核心竞品,寻找机会、研发资源投入较多、达到行业标准以上、做好客户X。

二、数据需要懂多少?

1. 建立数据认知

数据与信息的关系:

数据反映在事物属性的记录上,而信息是具体事物的表现形式,即数据经过加工和处理后,可X和转化为信息。

信息被识别后表示的符号为数据。

  • 数据可以是连续的值比如声音、图像,也可以是离散的值,比如X、符号;
  • 计算机系统中,数据是以二进制0、1形式表示;

结构化数据和非结构化数据:

结构化的数据简单可以理解为数据库中的数据,可以结合具体的使用场景易于理解的数据。

非结构化的数据是指没有进行预定义,并且不方便用二维逻辑来表现和解释的数据,比如文本、图片、音频、X。

何为脏数据:数据不再我们预先定义的范围内或对实际X无意义。

2. 了解数据的X内涵

理解数据的X内涵是非常关键的一步,这要qiú产品经理对X的各个liú程和关键节点要非常的熟悉,理解数据X的hán义;遇到模糊、定义不清晰的数据要充分与X部门沟通,准确了解数据内涵。

X数据包hán但不jú限于:

  • 用户数据:用户ID、性别、年龄、地区、X号…
  • 行为数据:X、分享、收zàng、停留时间…
  • 产品数据:商品数据、订单数据、文章数据、详情页数据…

X指标包hán但不jú限于:

  • 用户指标:新增用户、活跃用户数、留存用户数..
  • 行为指标:访问次数、转化率、转发率、liú失率..
  • 产品指标:总量、收入、销量、好评率、差评率、成交量…

X数据不X存在,基于不同的X背景可传达出不同的hán义,数据的计算重组可发挥出极大的X价值,需要基于自身的工作场景挖掘数据内涵。

3. 数据处理liú程和方fǎ

数据处理liú程包hán了数据采集->数据处理->数据分析->数据应用->持续X和验证。

数据采集:

AI产品经理的入门必修课——概念篇

数据处理:

AI产品经理的入门必修课——概念篇

数据分析:

AI产品经理的入门必修课——概念篇

数据应用:

AI产品经理的入门必修课——概念篇

除此之外根据具体要解决的X问题,还需要完成X建模、数学建模、经验数据分析,此部分通常由数据分析师进行,产品经理涉及较少。

三、机器学xí是什么?

机器学xí为计算机X了不同的数据处理方fǎ,这些处理数据的方fǎ可以直接从数据中学xí,不需要额外的编程即可做出X。

我们可以将机器学xí简单理解为函数,像理解y=x² 一样,给到一个输入项,X公式的计算即可得出一个对应的计算结果;这个公式不需要编码预设逻辑,由数据的规律计算得出。

机器学xí过程分为训练阶段和X阶段。

训练阶段需要提前准备一定的X数据(即公式的x和y),X机器学xí算fǎ,训练出一套可计算的公式(即模型)。

X阶段就是拿X的数据(x),在训练好的模型上进行输入,观察输出的结果(y),是否符合预期,若符合预期即完成了一个机器学xí模型的训练。

1. 从任务来看

机器学xí解决的问题可以归为分类问题、X问题。

分类问题包hán二分类、多分类,顾名思义,二分类问题是非此即彼的问题,如X邮件,只存在是X邮件、不是X邮件。

图片识别问题,是植物不是植物。

多分类问题如文档自动归类,包hán了一对多,多对多的关系。

X问题通常第一反应就会想到回归,因为常被用来XX收入、X增长量、商品销量。

需要预估的通常都是连续值,试图将输入变量和输出用一个连续函数对应起来。

而分类问题,通常X的都是离散值,试图将输入变量与离散的类别对应起来。

还有一类特殊的解决问题的模型为结构化学xí模型,通常输出的数据不再是一个固定长度的值,比如图片语义分析,对应输出的是图片对应的X描述。

2. 从机器学xí方fǎ来看

机器学xí分为有X学xí、半X学xí、无X学xí、迁移学xí、强化学xí。

  • 有X:训练样本带有标签;
  • 半X:训练样本部分有标签,部分无标签;
  • 无X:训练样本全部无标签;
  • 迁移学xí:把已经训练好的模型参数迁移到新的模型上来帮助新模型的训练;
  • 强化学xí:也叫学xí最优策略,是可以让本体在特定环境下,根据不同状态做出行动,以此来获得最大回报。

3. 从模型类别来看

机器学xí模型主要分为线性模型、非线性模型。

线性模型是指因变量和自变量之间按比例表现出线性对应关系,包hán了线性回归、多项式回归。

公式表现为——h(x)=w1x1+w2x2+⋯+wnxn+b

非线性模型通常是指因变量与自变量间不能在坐标空间中表现出线性对应关系。

常见的SVM、KNN、决策树、深度学xí都属于非线性模型。

提到线性、非线性模型,我们必须要了解一下什么是损失函数,通常在模型训练的过程中,我们需要观察h(x)与y之间的差距,也就是均方误差,在线性模型中表现为L(h)=m∑i=1(y(i)−h(x(i)))2,在模型训练过程中,损失函数是作为度量函数好坏的标准。

需要注意的是在面对不同的问题时,所使用的损失函数形式是存在差异的,常见的损失函数有均方差损失函数、交叉熵损失函数、合页损失函数,通常会配合不同的算fǎ使用做出突出表现。

4. 常见的误差

泛化误差:可以分解为偏差、方差和噪声之和。

偏差:反映了模型在样本上的期望输出与X标记之间的差距,指模型本身的精准度,以及拟合能力。

方差:反映了模型在不同训练数据集下学得的函数的输出与期望输出之间的误差,通常是为了测试模型的稳定性,观察预估结果的波X况。

在模型训练过程中,需要根据实际情况来泉衡模型的复杂度,使偏差和方差得到均衡,以整体误差最小的原则去评估。

5. 常见的问题

模型训练中常常遇到欠拟合、过拟合的情况,那么怎么识别及解决呢?

欠拟合:通常是指模型刻画不够,解决方案通常有三种。

  • 寻找更好的特征提升数据刻画能力。
  • 增大数据集数量。
  • 模型复杂度低,重新选择更加复杂的模型。

过拟合:与欠拟合相反,模型刻画太细,泛化能力太差。

通常解决方案为:

  • 减少特征的维度,将高维空间密度增大,也就是通常说的降维。
  • 加入正则化项,使模型褶皱减少,更加X。

四、算fǎ需要懂多少?

确认算fǎ的liú程通常是由产品经理和算fǎ工程师共同完成,包hán:需qiú确定 -> 算fǎ设计 -> 算fǎ讨论 -> 算fǎ确认 -> 算fǎ验收 -> 持续改进。

算fǎ模型的选择和训练是个繁琐且复杂的过程,依赖于具体所解决问题的复杂程度。产品经理除了要明确定位要解决的核心问题,还需要了解模型训练的整个liú程。

很多人会说产品经理不需要了解这么多,不是还有算fǎ工程师吗?

理想情况下,如果你的算fǎ工程师能够充分了解要解决的X场景,并将数据可解决问题的上限、下限划定清楚,产品经理只需验收数据效果即可。

但通常情况下,算fǎ工程师距离X线较远,而机器学xí强依赖于数据表现,产品经理对X数据的识别能力,通常能够极大的加快整体进度,在训练过程中能够及时识别问题并调整策略及解决方案。

产品经理对算fǎ的掌握到底需要达到什么程度呢?

个人认为只需要掌握常见算fǎ模型的原理和使用场景,以及不同算fǎ在解决不同问题的优势和劣势,合理组合和使用即可满足曰常的工作需qiú。不需要纠结于具体的算fǎ推导过程。

五、机器学xí常见的算fǎ模型

zhēn对不同的使用场景,scikit-learn(python机器学xí库)上有封装好的机器学xí算fǎ模型可以支持我们直接调用。

下图为人工整理的关于不同场景及数据集下建议使用的算fǎ模型,仅供学xí和参考。

AI产品经理的入门必修课——概念篇

下期将介绍具体的机器学xí训练过程,包hán如何梳理X逻辑、需qiú转化、准备数据集、建立算fǎ模型、模型评估及训练过程中常出现的问题与解决方案。

#专栏作家#

大鹏,X号:一个数据人的自留地。人人都是产品经理专栏作家,《数据产品经理X手册》作者。

本文原创发布于人人都是产品经理。未经许可,jìn止转载

题图来自Unsplash,基于CC0协议。

给作者打赏,鼓励TA抓紧创作!

收藏 (0) 打赏

以上内容不错,打赏支持一下!

打开微信/支付宝扫一扫,即可进行扫码打赏哦,分享从这里开始,精彩与您同在
点赞 (0)

声明:本站所有教程资源,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。

雄发创业网 软文营销推广 AI产品经理的入门必修——概念篇 https://www.xiongfawang.com/455.html

常见问题

相关文章

AI产品经理的入门必修——概念篇-海报

分享本文封面