AI產品經理：方法、技術與實戰
王澤楷
5047人在讀
16.4萬字總字數
¥49定價
王澤楷
這是一本指導AI產品真正實現商業化落地的專業技術書。書中內容完全圍繞產品落地、商業化展開，既提供了不同類型AI產品的落地方案，又提供了具體的方法、技巧，還提供了安防、製造、汽車等多個典型行業的應用案例。 無論是從技術或其他崗位轉型AI產品經理，還是從其他方向的產品經理崗位轉型AI產品經理，都可以通過本書彌補欠缺的相關知識。而對於已經入門的AI產品經理，閱讀本書可以瞭解算法、中臺、業務等各類AI產品的落地方案，掌握快速、高效、高質量落地產品的方法論。 本書共包括4篇13章的內容。 第一篇（第1～2章）對AI產品及AI產品經理進行全方位深入解讀，目的是讓讀者真正理解AI產品經理這個職位，這是做好這份工作的基礎。另外，本篇還重點介紹瞭如何成爲AI產品經理和如何規劃AI產品經理職業發展路徑。 第二篇（第3～6章）從機器學習入手，逐漸拓展到以計算機視覺、語音識別、語義理解爲核心的多模態內容理解技術、行爲主義的機器人學，以及AI雲原生工程應用。本篇以AI產品經理實際需求爲前提，用產品經理可以理解的方式展開介紹，不講與產品經理工作關聯性不強的技術細節，只講技術原理和應用方向，這些都是AI產品經理落地產品時必須掌握的。 第三篇（第7～11章）是本書的重點。本篇首先介紹了通用的產品方法論，然後結合AI產業鏈的特點，深入解讀了算法、中臺、業務三大類AI產品的落地實踐。其中，關於算法和中臺類產品的介紹，可幫助讀者應對自動駕駛、元宇宙、企業智能、智能汽車、虛擬數字人等主流產品的落地需求；針對業務類AI產品，從城市治理、企業服務、個人服務三個維度展開介紹。 第四篇（第12～13章）從賦能行業和項目實踐兩個維度解讀AI產品高效、高質量落地的方法。其中不僅以安防、製造業、汽車爲案例解讀了AI產品高效落地的方法和方案，還以B/G端項目、商機項目爲例，提供了可行性驗證、交付等問題的解決思路。
要讀一讀ai相關的書。認真讀了2/3，這本書普及了很多AI相關的名詞，但都是淺淺而談，很佩服作者這種整本書平均用力，毫無重點的風格。像是一本AI寫成的書，因爲全書結構非常嚴謹，層級結構清晰。感覺是可以當做字典來使用的書籍，有名詞不明白的時候用這本書查詢下，有個基本概念以後再在別的書中深入瞭解。另外這本書的結構也有利於對整個AI結束和產品開發有個基本瞭解。不是很好的書，但能做到開卷有益
目前感覺理論性的東西有點多，看得我有點昏昏欲睡，只能跳着看一些自己感覺會實用一些的章節，目前是想轉型做AI產品經理，現在做的一些項目跟AI沾點邊，但是是業務向的產品，所以來看看AI產品經理入門，書友們有推薦的盡情評論呀
首先概念巨多，可以作爲一本AI概念目錄，作爲對AI瞭解的詞典 另外一點就是第一章及最後兩張還是值得一讀的，有點到AI產品經理關鍵點，比如多關注場景，關注政策，關注技術等！值得二刷把這些概念也進行詳細理解！
含有各種大雜燴、套話，東拼西湊出來的一個水分很大的東西，頂多算一本雜誌。
適合VC或者想轉行AI的產品經理想整體瞭解一下IT+AI行業的全部流行概念，建立一個整體認知的需求場景。書中沒有真知灼見，都是概念介紹，速讀即可。
第3章 機器學習 機器學習是AI領域的重要方向，得益於機器學習中深度學習方法的突破和發展，當前的AI浪潮纔會如此洶湧。機器學習是機器通過經驗和數據提高自身的感知、認知、思考和行動能力的科學，是來自計算機科學、統計學、心理學、神經科學、控制理論等的交叉學科。 3.1 機器學習概述 美國華盛頓大學的佩德羅·多明戈斯(Pedro Domingos)對機器學習下了一個定義：機器學習由三個部分組成，分別是表示、評價和優化（見圖3-1）。 1）表示是指建立問題與數據的抽象模型。“問題抽象”是對待解決的問題進行抽象化處理，即將問題轉換成一道邏輯題或者數學題。比如，判斷一張圖片中的動物是否爲貓，結果無外乎“是”或“不是”兩種，那在算法上就可將它看成一個二分類問題，輸出就可定義爲0或1。“數據抽象”即用數據來刻畫物理世界中的事物。仍以判別貓爲例，判斷一張圖片中的動物是否爲貓，需要關注動物的臉、毛髮、身體等方面的特徵，將這些信息用數學方式表徵，然後經過綜合評估，就能完成判斷。在對問題、現實情況有了充分的理解之後才能進行算法的選擇，再之後機器纔有機會參與進來，執行具體任務。 2）評價是指設定目標函數及評價模型性能。設計好模型之後，最重要的一步就是評價模型的好壞，這個時候就需要設定一個目標函數，該函數用於評估模型的優化目標和模型指標。以對貓的判別爲例，在目標函數上，可通過特徵向量距離來評價一個圖像目標是否像貓。在數據集的準確率上，可以通過“錯誤率”等指標來評價分類模型。 3）優化是指求解目標函數在模型下的參數最優解。目標函數中存在許多未知參數，求解這些參數，讓模型目標函數得到最優結果，即讓模型能夠獲得最小錯誤率或者最小均方誤差。算法優化的過程即逐步調整數據、算法或參數來達到最優目標的過程。  圖3-1 機器學習的3個組成部分 機器學習可以根據多種分類標準進行劃分：按照函數的複雜度，機器學習可以分爲線性模型和非線性模型；按照學習準則的差異，可以分爲統計方法和非統計方法；按照華盛頓大學教授佩德羅·多明戈斯歸納的流派，可以分爲符號主義、貝葉斯派、聯結主義、進化主義、行爲類比主義；按照數據樣本提供的信息和反饋方式，可以分爲監督學習、無監督學習和強化學習，另外近些年，半監督學習、自監督學習等範式也被提出。這裏我們按照最後一種劃分方式對機器學習進行介紹。 3.1.1 監督學習 監督學習是一種機器學習方法，即機器通過人工給定的標註，比如告知機器某張圖片中的是貓，另外一張圖片中的是狗，學習數據特徵以及標註信息中一一對應的映射關係，從而在部署應用中，根據一定的策略把數據特徵預測出來。 監督學習訓練的過程由信息輸入（如圖片、文本等）和預期輸出（標籤）組成。標籤可以是連續的數值，也可以是離散的分類項。根據輸出標籤的不同，監督學習要處理的任務可以分爲迴歸任務和分類任務兩種。迴歸任務主要指預測某一實數結果的任務，如預測產品市場價格、股票價格等，使用的主要方法是線性迴歸。分類任務主要指預測某種樣本所屬類別的任務，如預測動物的分類、物品的分類等。
之前對於AI產品的理解太過淺顯，不明白到底需要懂哪些技術，需要掌握到什麼程度，職責的邊界在哪裏，在實習AI產品的這一個半月裏時時困惑我。我負責的是產品的階段驗收、prd撰寫、原型設計、評測指標、業務訪談，在做這個產品的時候完全感受不到自己的價值，所作的事情似乎對於整個產品沒有任何推動作用。直到成品出來，任務可以在平臺上跑通，前期的設想終於有了產物，但這過程個人認爲完全是開發和算法之間的溝通。我不明白自己的價值，整整一個半月，感受到了前所未有的挫敗感和無力感。最近讀到文中： “這裏一個問題你還是有疑惑：不畫原型，而這款產品又如此偏技術，作爲AI產品經理你可以做什麼？ 通過多方溝通學習，你知道了自己要做的事：明確這款產品要做到怎麼樣的程度纔算合格，其中就包括需要達到什麼樣的精度水平；產品會應用在什麼樣的硬件平臺，這對性能有什麼樣的要求；爲了體驗更好，在文本轉語音環節需要達到什麼樣的標準；面對各種使用情況，產品應該具備什麼樣的智能水平。 因此，你的工作是將產品的定位、定義、功能、性能、標準等梳理清楚，儘管你不需要繪製原型，但是你需要做大量的調研、對比、定義，提出最好的軟硬件方案，給出最好的標準。” 這句話非常有啓發，我總是想着能夠爲產品的優化做點什麼，但實際上我應該從策略層面上努力，而不是鑽於執行層面的牛角尖。 個人認爲對於一個從未體系化接觸過AI產品的新人來說，這是一本極佳的入門指導書，至少對我這個無技術背景的文科生來說，是雪中送炭，推薦閱讀。
一堆概念的集合。。。浪費時間。
什麼都寫但不深入，技術轉產品的人寫的就是比較難懂，沒有讀下去的慾望，我看吳軍博士的書一目十行還能看懂，這就是差距
對於學習和掌握AI產品經理崗位，建立框架性質認知有很大的幫助，既有基礎知識也有實踐的經驗和認知，顯然作者是極爲專業的業內人士，推薦入行人員學習。