人工智能產品經理的工作流程
產品管理一般需要固定的工作流程，我們從設定產品目標、進行技術預研、需求分析、產品設計、參與研發流程、產品運營六個環節來展開。
1、設定清晰的產品目標
設定設計目標是任何新功能/產品的第一步，是團隊統一目標的重要前提。清晰合理的目標是產品經理爭取資源投入的重要前提。產品目標設定過程中需要充分考慮前提條件和準備工作，通過嚴謹的分析得出合理的產品目標。
目標定義階段的檢查清單（需要產品經理不斷的完善和積累）：
1）用戶/客戶痛點分析 ---- 場景描述
（1）說明用戶/客戶具體業務或需求場景？
（2）如果產品或功能投入使用，用戶在場景中的哪個流程環節中使用？
（3）沒有該產品或功能的時候，用戶或客戶都使用什麼樣的替代方案？
（4）替代方案在多大程度上滿足了用戶/客戶的需求？
2）用戶/客戶痛點分析 ---- 痛點來源
（1）用戶的痛點來自自身還是外界？
（2）痛點是否來自任性？（貪、嗔、癡）
3）用戶/客戶痛點分析 ---- 痛點剖析
（1）痛點是個體合適普遍？
（2）痛點的需求是否符合政策導向，是否合規？
（3）痛點的需求是否高頻應用？
（4）用戶是否願意爲痛點買單？願意付出多大代價？
（5）感受到痛點的用戶是不是具有采購決策權？
4）市場分析
（1）產品在市場上都有哪些競爭對手？各自優劣勢？市場佔有率？
（2）是否有類似產品市場佔有率較高？它有什麼優勢？
（3）我們有什麼優勢？用戶爲什麼要選擇我們？
產品經理需要的是對產品進行最簡單的概括來對調研和分析作總結，將產品目標清晰的表達出來，以便內部評審和達成共識。舉個例子：“該產品面向XXX客戶，解決客戶在XXX場景下的XXX問題，給客戶帶來XXX收益、改進”。
2、技術預研
當產品目標從宏觀到微觀都有明確的定義後，產品經理就可以開始：技術預研。人工智能產品經理要理解技術的實現過程，這就要求產品經理在關注用戶體驗的同時要關注這些體驗的實現方式和過程。如果不懂技術原理，產品經理可能無法提出創造性和顛覆性產品創意，同時產品經理需要給研發團隊提供研發階段的幫助也需要懂技術。
2.1、領域技術基本現狀和趨勢
用人臉識別來舉例。
計算機視覺的整體發展趨勢：
（1）從“讓機器看”到“讓機器看懂、理解、執行”
（2）從看圖片到看視頻
（3）從分類到識別，再到理解
最終就是 圖像分割 ----> 特徵提取 ----> 行爲識別 的整個過程。
常見的人臉識別應用：人臉圖像預處理、人臉圖像檢測、人臉圖像採集、人臉特徵提取、人臉特徵識別、表情識別、3D人臉重建、人臉變形。
一般的人臉識別主要有五部分：
（1）圖像採集：使用被檢測物體的重要特徵顯現，同時過濾掉不重要特徵
（2）人臉檢測
（3）人臉圖像預處理
（4）人臉圖像特徵提取
（5）人臉匹配與識別
2.2、領域前沿技術
在深度學習、傳感器技術、芯片的發展的當下，深度攝像頭（3D傳感器）成爲近來機器視覺方面的投資和創業熱點。通過深度相機就可以構建人臉的三位信息，在人體跟蹤，人機交互，AR等領域運用廣泛。
目前，比較成熟的深度方案有：
1）結構光：通過發射特定圖形的散斑或者點陣激光紅外圖案，攝像頭捕捉反射回來的圖案，比較散斑和原始的大小測算物體和攝像頭之間的距離。多用於近距離場景。
2）雙目視覺：通過兩個攝像頭的視差來獲得深度信息，運算量大、實時性差。適用於手勢識別。
3）飛行時間法3D成像：通過紅外光反射回來的時間差或相位差來獲得深度信息。
2.3、常見技術邏輯
以人臉識別在安防中的邏輯爲例。
1）人臉圖像採集
1、圖像體積
2、圖像分辨率
3、圖像外部採集環境
2）人臉檢測
人臉檢測的目的是從圖像中確定人臉的位置和大小。常見的算法有：Viola-Jones、Haar+AdaBoost、CascadeCNN等，產品經理需要有一套量化標準。
檢測率：存在人臉且被檢測出的圖像在所有人臉圖像中的比例。
漏檢率：存在人臉且沒有被檢測出來的圖像在所有存在人臉的圖像中的比例。
誤檢率：不存在人臉但是檢測存在人臉的圖像在所有不存在人臉圖像中的比例。
產品經理需要了解行業內對產品質量的衡量標準，在產品需求階段衡量產品需求描述，量化產品目標。項目驗收中用數據量化產品質量。
3）圖像預處理
圖像預處理的目的是提高圖片質量，去噪，使得圖像特徵表現出來。主要技術手段有：人臉圖像的幾何校正，光照補償、尺寸歸一化、灰度變換、去噪、邊界增強、提高對比度、直方圖均衡化、中值濾波以及銳化。產品經理需要了解行業中特有的數據治理技術，包括不同類型數據的治理週期、需要投入的成本、數據治理過程中的阻礙等。
4）人臉圖像特徵提取
特徵提取的目的是針對數據的原始特徵的缺陷，降低特徵維度，提高分類器的設計和性能。人工智能產品經理需要理解不同框架的邏輯以及區別，對前沿技術保持敏感度，不斷優化功能和產品體驗。
5）人臉匹配與識別
對提取的人臉數據與數據庫中的特徵模板進行匹配，設定一個閾值，超過該閾值即可判定爲某一個人。
1、人臉識別：計算兩張臉的相似度。主要有身份驗證等。
2、人臉檢索：給定一張臉，找出同一張臉的圖片。活體檢測檢索，通過眨眼等動作。主要用於簽到考勤、門禁閘機、安防監控。
2.4、判斷技術切入點
在充足的產品預研後，接下來是選擇合理的技術方向。目前主要有軟件爲切入點和自研“軟件+硬件”切入點。
2.5、總結
產品經理的技術預研和研發人員不同，重點關注技術的趨勢、領先性、主流算法框架的優劣，橫向對比競爭對手之間的技術實現手段和重點商品的參數，從中提煉自身產品的優勢。
產品經理需要將產品的技術底層實現的方式，作爲量化產品需求的依據和前提。
3、需求分析和產品設計
3.1、造成人工智能產品設計失敗的常見原因
1）技術驅動產品設計。產品應該從需求出發而非從技術出發。
2）忽略用戶期望管理，華而不實的產品使用戶失望。
3）單點突破帶來的價值有限，產品價格與用戶付出代價不成正比。
4）一味追求技術，忽略用戶體驗。
3.2、人工智能產品的設計原則
1）“少即是多”原則：個性化精準服務、提升效率和準確率、提升用戶體驗，在底層複雜的基礎上需要產品經理在設計產品的時候儘量簡化產品的功能模塊、交互流程、界面元素、配色字體等。
2）從微觀到宏觀逐步深入：產品應該逐步滿足用戶需求，當某一部分功能用戶認可後再進行其他功能。
3）放寬眼界，有效整合資源：產品經理不僅要找到算法和用戶需求的交叉點，還需要跨行業技術融合能力、交叉文化理解和創新能力。
4）同理心：正確瞭解他人的感受和情緒，與用戶產生共鳴。
3.3、合理制定產品需求優先級
每個產品的輸出都有一個優先級，尤其是功能較多的迭代，產品經理需要明確每一個需求的優先級並解釋其合理性。
優先級排序法：
1、價值vs負責度矩陣
根據需求的價值和研發/部署的複雜程度對每個需求進行評估，把結果放在二維矩陣中，價值大且研發複雜度低的需求優先級高；價值大，研發複雜度高的第二位，以此類推。
2、卡諾模型
在不同階段按照產品目標倒推優先級。
（1）基礎功能：繼續投入研發不會明顯提高競爭性，優先級低。
（2）性能功能：提升和優化產品性能而需要開發的產品需求。一定程度上投入研發能提升用戶滿意度。
（3）尖叫功能：給用戶創作興奮和喜悅的功能。
3、相似組分類法
是一種讓團隊成員把能想出來的需求寫在卡片上，把每個卡片按照內容分組，打分，選出最高得分的組和其中的最高分卡片。
4、加權得分法
對不同需求進行多維度打分，橫向對比綜合加權得分並將得分最高作爲第一優先級。
4、充分參與研發過程
參與研發，產品經理基於對需求和業務的理解，配合研發人員進行數據的準備、模型訓練、測試調優以及在研發過程中進行目標調整和優化。主要目的：
1）幫助研發工程師快速實現產品目標。準確傳達產品需求，縮短研發工程師找到最佳技術方案的時間；設定明確的產品目標，幫助研發經理制定研發計劃；通過與公司內外數據擁有者合作，爲研發提供好的數據；制定明確的產品測試標準，對測試結果評估並反饋。
2）用非技術語言將技術原理與領導和客戶溝通。
5、持續的產品運營
上線、包裝、宣傳，產品經理儘量評估產品的商業化和產品化效果，動態調整算法模型的研發投入量。