疫情後產品經理的生存法則變了！！！
時下社交電商產品、營銷短視頻產品、數據安全產品、人工智能產品、機器人客服產品都在蓬勃發展，社交電商中用機器學習基於社交關係推薦精準的商品或服務，短視頻的機器人驗Huang, 基於大數據生成的數據集用機器學習算法來訓練挖掘潛在的風險等等。
這些產品背後大多隱含着一種崗位需求，這種需求指向一種產品經理：AI產品經理。
人人都是產品經理，但是想成爲離CEO最近的產品經理，得先在疫情下生存下來，得能在疫情之後選對產品方向。
一、AI產品經理必會的技能有哪些？
AI產品經理不是直接的AI+（加上）產品經理，AI產品經理有自己獨特的技能，例如：基礎層面AI產品經理最好有數學中線性代數，微積分，統計概率論作爲打底，然後在應用層面最好有計算機相關的知識，再就是在算法層面至少能梳理出自己行業所需要的算法和自己產品需要的算法時下能夠支持的技術邊界。等等以上這些技能是AI產品經理的必需一面，以後再再介紹具體，本篇先入門講解什麼是神經網絡算法？什麼是機器學習算法？
二、什麼是神經網絡？
人工智能的底層模型就是”神經網絡”（neural network）。許多複雜的應用（比如模式識別、自動控制）和高級模型（比如深度學習、機器學習、機器視覺、機器聽覺）都基於它。學習做人工智能產品經理，必懂的技術技能一定是神經網絡，一定是從它開始，然後逐步深入。
那麼神經網絡並不神祕，神經網絡的本質是模仿人類的思考。人類的思考是在於人類大腦的聖經網絡。人類神經元具體思考過程如下：
- 外面的信號刺激通過神經末梢，轉化爲電信號，電信號轉導到神經元；
- 很多很多神經元構成人類的神經中樞；
- 神經中樞綜合各種信號，做出決策和判斷；
- 人體根據神經中樞的指令，對外部刺激做出反應。
- 所以人造神經元就是人工智能產品中的核心技術，視爲神經網絡。
一個神經網絡包含，輸入的數據，和輸出的結果，這中間對數字的處理需要有對不同數字的權重賦值的權值，和究竟哪種結果適合的閾值。
所以日常我們常常看到神經網絡的結構圖如下：x表示輸入，a層是神經元，h是輸出。
三、什麼是機器學習？
機器學習是一種數據分析技術，讓計算機模擬人和動物天生習得的技能：從經驗中學習。機器學習算法通過計算直接從數據中“學習”信息，而不依賴於預定模型。當可用於學習的樣本數量增加時，這些算法可自適應提高性能。
另外機器學習的原理就是上面講到的神經網絡，同樣包含數據的輸入，中間神經元層的計算，和最終結果的輸出。
但是機器學習自身又分爲，有監督的（對輸入的數字進行標註），和無監督的（對輸入的數據不標註）及半監督的。
故此可以理解爲機器學習是神經網絡的具體應用。
案例：AI產品經理實操機器視覺識別手寫字體
下面筆者LineLian通過一個例子來實際操作一遍神經網絡，又叫感知機。這個案例裏叫MLPClassifier(Multi-layer Perceptron Classifier, 多層感知機分類器)。
AI產品需求是：利用神經網絡識別手寫的字體。
本案例原理同樣適用於馬路上的攝像頭（電子警察）識別車牌，及計算機視覺（CV）相關的其他實戰產品案例。
AI產品流程是：導入數據，訓練模型，優化模型，啓發式理解等。如下圖:
下面筆者按照上圖訓練神經網絡的流程，先選擇經典數據集，需要訓練聯繫的同學可以公衆號留言，進行如下訓練：
第零步：引入適合的數據集
在這一步中重點是找到適合的數據集。
第一步：設計神經網絡參數
其中產品經理要懂的點是：
sloer是表示優化神經網絡數字權重的，relu表示激活神經元的，alpha表示參數項正則，hidden後面表示神經網絡的層和神經元個數，random表示隨機生成數字，verbose表示打印過程，learning_rate=’invscaling’，用來更新有效學習率。
第二步:生成了模型並把模型保存下來
第三步：篩選模型
第四步：交叉驗證模型
第五步：載入數據，選擇準確率作爲驗證集模型驗證的具體指標
對模型用數據測驗正確率。
第六步：調整神經網絡學習模型的大參數，這裏調整神經網絡的訓練次數。
第七步：繼續訓練神經網絡調整神經網絡學習模型的大參數，這裏調整神經網絡中間層的節點數n
第八步：輸出訓練結果
第九步：輸出針整體對測試集數據訓練結果
本文案例操作流程在AI產品實踐中具有普適性，AI產品經理在做AI產品的過程中重心不是放在訓練參數和模型的大參數，或者叫超參數上。而是懂裏面部分關鍵函數代表的含義。
即:
- 懂得你的神經網絡你的機器學習採用多少層神經網絡；
- 懂你的數據集數據質量情況，數據分組情況，例如，本文將數據集分爲訓練集數據、交叉驗證集數據和測試集數據、及中間收集的訓練誤差數據和交叉驗證誤差數據；
- 懂代碼不一定熟練寫代碼；
- 懂部分核心功能函數的意思，但未必由AI產品經理能夠改造函數；
- 最最要懂的這麼成熟的機器視覺除了應用在識別車牌，識別罪犯、看家護院外，還能應用此算法模型解決哪些需求？例如：結合其他模型做個新的功能應用。
像下圖抖音一樣做個換臉的產品也未嘗不可知。
AI對產品的影響不僅僅是換臉，也不僅僅是機器人客服（Chatbots），從理論上AI可以重新定義產品，從實踐中AI需要AI產品經理拎着AI技術找對那個釘子需求。未來說不準你和我都有機會做出成名的AI產品。江湖夜雨十年燈，一起聊聊AI，侃侃AI產品經理的人生，你的轉發是我日後續更的動力！