本文由雲+社區發表作者：騰訊技術工程官方號
“如果說互聯網是優化信息的存儲和傳輸方式，提升生產要素之間的運行效率；人工智能便是對各個生產要素的升級。”
本人初入職場便從事TOB相關工作，參與了tbds等大數據平臺的產品建設，近兩年逐漸接觸人工智能；目前主要負責TI-ONE機器學習平臺，結合自己工作經驗，在這裏分享一些關於ML產品的思考和實踐。
人工智能產品類型
平臺-強調賦能
基礎支撐/基礎平臺-通用的ML技術平臺，實現常用的算法,形成通用機器學習平臺（Spark/TensorFlow等），對外提供API、SDK等，爲業務賦能。這類平臺聚焦性能、開發效率和預測準確度。
應用-融入場景
突出場景閉環，如利用人臉識別、自然語言處理(NLP)等技術構建新的交互體驗和用戶場景。
目前市面上看到的人工智能產品都屬於弱人工智能的範疇，它們通常專注於某一特定領域，有一定規則邊界，是達成既定目標的工具；各個領域的初級崗位最有可能被這類人工智能替代。
人工智能產品流程
數據
讓人工智能產品能夠運轉起來的前提，首先需要尋找和積累大數據，大數據是機器學習平臺必需的燃料，有足夠大的燃料，平臺所跑出的模型精確率會越高。
通常我們會通過中間件工具（KAFKA/tube）進行流轉，將數據運輸到HDFS等存儲平臺，包括文本、圖片、語音等數據，並對其做數據清洗，特徵處理等，便於加載到接下來的神經網絡。
算法、訓練模型
訓練出一個有效的模型的前提，需要數據和算法兩者的雙管齊下；從計算模型的角度，我們通過所獲取並清洗好的一組數據，配置好算法相關的關鍵參數來構建模型的運行，從而形成了一定的反饋路徑，來達到預期的輸出結果。
通過數據的灌輸，建立起輸入-處理-輸出(IPO)的關係，加載到神經網絡的訓練中，學習數據中的規律併產生一個最能契合這些數據的函數表達式。在訓練過程中，不斷去試錯和糾正，去推進模型更爲精準的路上。對模型準確度有足夠信心，便可把訓練完成後的模型部署上去，去預測餵養新數據後的結果是什麼。例輸入的是人臉圖片，那麼輸出結果便是人臉識別結果。
應用模型
當模型精確度足夠高後，便可上線服務，實際運用到我們的系統中。典型的例子是電商系統中基於用戶/物品的推薦。
人工智能產品經理的思考點
1.明確產品的定位，找到產品能發揮價值的地方
在做TI-ONE初期，我們的目標是做一個通用／易用性高的機器學習平臺，讓方便業務接入平臺。用戶無需關注機器學習的運行細節，如底層用什麼計算框架、用多少計算資源、應該怎樣配置參數等，將注意力重點放在覈心業務，同時也可以享受機器學習帶來的便利。
我們把TI-ONE設定爲一個拖拽式建模工具而不是類似於jupyter的交互式工具，雖然jupyter有很好的拓展性，但爲了降低機器學習使用門檻和釋放用戶大量寫代碼的時間和精力，增加受衆面，我們選擇了把特徵處理、算法以模塊化的方式來設計，讓用戶在拖拽組件中，快速完成模型的搭建。
在產品化機器學習的時候，發現大部分工作不是在研究複雜的公式理論，而是如何讓用戶在使用機器學習的過程中更順暢，讓不同步驟之間的流程如數據的準備、算法參數的填寫、模型的訓練／測試／篩選／部署等，能夠無縫銜接。舉個例子，規劃及組織平臺所需要的數據、用什麼方式和工具來統一數據的上傳、對數據的接入是否需要提供預覽；如何幫助用戶獲得高質量的數據集，爲提煉優質模型提供保障、如何高效率低成本地爲數據打標籤、把數據價值最大化，這些都是產品經理需要重點耗費精力的地方。
在此引用谷歌大腦高級科學家Martin Zinkevich的一句話“To make great products：do machine learninglike the great engineer you are, not like the great machine learning expert youaren’t”把工程效率提升到極致了，用戶才能真正享受到算法帶來的便利。
2.產品形態的把握
對於人工智能產品經理，所需的技能SET，不僅包括原型能力、功能邏輯、信息路徑、UI設計，算法模型、數據訓練等產品背後抽象的邏輯也同樣重要。
比如立項一個人工智能產品，我們不能很寬泛地定位要做一個機器寫作，這個需求的範圍太大，會讓後續功能的開發不好收斂。產品經理需要儘量參與到算法開發，瞭解算法的每個步驟，對涉及的環節有個清晰的概念，並在此基礎上尋找和評估是否有產品化的可能性。
再比如我們要做新聞主題分類，首先需要利用網頁抓取去各個網站的新聞，一般情況下，新聞網站都會分好類，可以直接記爲標籤。這個過程是否便可以做成一個產品化的成果。
過去的互聯網產品，可能我們偏向埋頭於體驗、需求，不太關注技術環節；而在AI產品領域，我們必須要深入技術運轉流程，才能提升我們做出一個優秀AI產品的可能性。
3.瞭解用戶指標背後的含義
在評估TI-ONE產品用戶數據指標時，UV/PV/月活/新增用戶數等都是我們會去關注的數據指標。但若只關注實際數值，不去深究背後數據增長原因的話，有時會陷入一定的盲區。比如之前查看產品的統計指標，用戶數和日均執行任務數都是一個穩定增長的趨勢，但在用戶調研中，深入瞭解了這些在平臺上跑的任務，發現有一部分任務大家只用來做調度，並沒有去使用平臺上的算法模塊，刨根問底了這部分用戶才知道，因爲我們平臺上的算法庫是黑盒子，出了問題不好定位，不如自己寫代碼查原因。通過這次對指標的剖析，我們也考慮將目前提供的算法進行開源和引入自定義算法模塊，去補充我們對這塊功能設計的短板。
4.縱向的業務理解能力
很多人工智能產品往往跟某一垂直行業緊緊掛鉤，去解決某一具體問題；這是要求人工智能產品經理去深入整個業務流程的鏈條，熟悉每一個涉及到的用戶場景；並且在場景中，提煉出用戶最迫切需求並優化需求點，實現產品的變現。
很多不同行業、領域的人工智能產品其實背後所用到的技術邏輯都大同小異，如人臉識別技術，在安防市場，因人臉難以複製的特性，它代替了門禁卡。在公安領域，警察可以通過人臉識別，在各大重點區域，關口進行人臉的抓拍、識別，對可疑人物的信息可實時推送到警務終端，大大提升破案效率。在銀行領域，人臉識別可以支持遠程辦理業務，刷臉開戶，通過它查驗身份信息，可免去需求親自去網點辦理的麻煩。
技術是相通，但不同場景的側重點會有所不同，產品形態也會有所差異；在銀行領域，人證比對設備需求會比較強。在公安領域更強調的是後臺動態人臉識別系統的使用。
人工智能產品經理需要對業務場景進行反覆驗證、迭代，從而去判斷結果概率是否能達到用戶的標準，依照這些判斷去做不同的投入策略。因此，瞭解算法的基本原理和落地的業務場景尤爲重要，可以有一個相對清晰的技術框架，並且懂得在技術允許實現的範圍內，規劃出最優方案。
5.關聯信息的能力
做人工智能產品需要我們加深對機器學習相關技術和應用的理解。理解好機器學習的基本邏輯，數學是其背後的原理，如微積分、概率論、線性代數都是機器學習的基礎。而這些數學概念和模型往往是抽象、非直觀的。
當試着去理順這些相對複雜的邏輯，可以嘗試關聯信息的方法，在不熟悉與熟悉的知識之前建立連接，從個人的經驗中，去尋找能夠與所有要理解信息類比的部分，把枯燥難懂的知識點，與實際生活的例子相結合。
比如說我要學習線性迴歸，關於線性迴歸，提供的數學解釋是假設自變量與因變量是線性關係,利用最小二乘法擬合自變量權重的一種分析方法。若單是看這段解釋的話，會不太容易讓人理解線性迴歸是在描述什麼；試着去聯想生活中的經驗會幫助理解線性迴歸的概念。針對線性迴歸這個概念，可以通過房價波動和驅動因素來做聯想，假設我們有1000條關於深圳房子的綜合數據，每條數據作爲一個樣本，內含信貸價格、常住人口/戶籍人口、工作人口/常住人口、小學生在校人數這些數據看作特徵變量，房價爲目標變量。線性迴歸解釋的便是這些特徵變量對房價波動的影響度。
6.降本提效是推動人工智能發展的最強動力
人工智能技術價值的實現，最終需要落地商業化、爲行業帶來價值和形成真實有效規模化的剛需來體現。目前大部分人工智能公司在做的是單一的人工智能驅動產品，如自動駕駛汽車算法、零售領域的刷臉支付、醫療領域的人工智能影像分析。所有員工工作中的任務自動化比例將提升，一部分勞動力也會被人工智能所替代。衝擊較大的工種爲人工客服、流水線工人、銀行櫃檯職員等。
還有一種AI公司，不是去用某種人工智能的能力去替代某一工種的工作，而是完全重塑整個行業的的勞動力配置，比如阿里的無人酒店，從接待到打掃的服務員全都是機器人，他們沒有僱傭人類員工，去利用算法取代某種類型的工種；隨着低本、高效和優質的服務模式逐漸鋪開並且佔領市場，高昂的人力成本可能會導致對手們重新調整公司對勞動力配置。
根據來自普華永道的數據：“預計到2030年，AI將能爲世界經濟貢獻15.7萬億美元，這相當於目前印度加中國的生產總值總和，中國公司在其中將起到非常重要和關鍵的作用。”相信不久的將來，會有越來越多的行業和人工智能結合在一起。如何去挖掘行業的切入點、利用AI去重塑應用場景，爲實體行業提升運行效率、甚至顛覆當前的傳統的商業模式，提供一套可行的AI解決方案是AI產品經理需要掌握的核心技能。
結語
當有了一定積累，面對工作就會得心應手，使人的行爲處於一個穩定的水平，慢慢有了自己的舒適區，時間久了會不願離開這樣的狀態。但若一直沉浸在一個自己非常熟悉的領域，難免被固化了行爲，不過是日復一日發揮着一個螺絲釘的功效。
切換到AI領域發現，這是個一旦不保持自己技能SET更新狀態便會被淘汰的領域，包括在一個項目組內的算法、開發童鞋，也是每天不斷在學習，瞭解當前最前沿的知識。
世界總是不斷前進變化和充滿着不確定性，保持着自己所積累的技能和可預見/突破的挑戰的平衡，逐步爬坡，穿透自己的高牆，才能擁有人生更多的可能性。
此文已由騰訊雲+社區在各渠道發佈
獲取更多新鮮技術乾貨，可以關注我們騰訊雲技術社區-雲加社區官方號及知乎機構號