AI产品经理：方法、技术与实战
王泽楷
5047人在读
16.4万字总字数
¥49定价
王泽楷
这是一本指导AI产品真正实现商业化落地的专业技术书。书中内容完全围绕产品落地、商业化展开，既提供了不同类型AI产品的落地方案，又提供了具体的方法、技巧，还提供了安防、制造、汽车等多个典型行业的应用案例。 无论是从技术或其他岗位转型AI产品经理，还是从其他方向的产品经理岗位转型AI产品经理，都可以通过本书弥补欠缺的相关知识。而对于已经入门的AI产品经理，阅读本书可以了解算法、中台、业务等各类AI产品的落地方案，掌握快速、高效、高质量落地产品的方法论。 本书共包括4篇13章的内容。 第一篇（第1～2章）对AI产品及AI产品经理进行全方位深入解读，目的是让读者真正理解AI产品经理这个职位，这是做好这份工作的基础。另外，本篇还重点介绍了如何成为AI产品经理和如何规划AI产品经理职业发展路径。 第二篇（第3～6章）从机器学习入手，逐渐拓展到以计算机视觉、语音识别、语义理解为核心的多模态内容理解技术、行为主义的机器人学，以及AI云原生工程应用。本篇以AI产品经理实际需求为前提，用产品经理可以理解的方式展开介绍，不讲与产品经理工作关联性不强的技术细节，只讲技术原理和应用方向，这些都是AI产品经理落地产品时必须掌握的。 第三篇（第7～11章）是本书的重点。本篇首先介绍了通用的产品方法论，然后结合AI产业链的特点，深入解读了算法、中台、业务三大类AI产品的落地实践。其中，关于算法和中台类产品的介绍，可帮助读者应对自动驾驶、元宇宙、企业智能、智能汽车、虚拟数字人等主流产品的落地需求；针对业务类AI产品，从城市治理、企业服务、个人服务三个维度展开介绍。 第四篇（第12～13章）从赋能行业和项目实践两个维度解读AI产品高效、高质量落地的方法。其中不仅以安防、制造业、汽车为案例解读了AI产品高效落地的方法和方案，还以B/G端项目、商机项目为例，提供了可行性验证、交付等问题的解决思路。
要读一读ai相关的书。认真读了2/3，这本书普及了很多AI相关的名词，但都是浅浅而谈，很佩服作者这种整本书平均用力，毫无重点的风格。像是一本AI写成的书，因为全书结构非常严谨，层级结构清晰。感觉是可以当做字典来使用的书籍，有名词不明白的时候用这本书查询下，有个基本概念以后再在别的书中深入了解。另外这本书的结构也有利于对整个AI结束和产品开发有个基本了解。不是很好的书，但能做到开卷有益
目前感觉理论性的东西有点多，看得我有点昏昏欲睡，只能跳着看一些自己感觉会实用一些的章节，目前是想转型做AI产品经理，现在做的一些项目跟AI沾点边，但是是业务向的产品，所以来看看AI产品经理入门，书友们有推荐的尽情评论呀
首先概念巨多，可以作为一本AI概念目录，作为对AI了解的词典 另外一点就是第一章及最后两张还是值得一读的，有点到AI产品经理关键点，比如多关注场景，关注政策，关注技术等！值得二刷把这些概念也进行详细理解！
含有各种大杂烩、套话，东拼西凑出来的一个水分很大的东西，顶多算一本杂志。
适合VC或者想转行AI的产品经理想整体了解一下IT+AI行业的全部流行概念，建立一个整体认知的需求场景。书中没有真知灼见，都是概念介绍，速读即可。
第3章 机器学习 机器学习是AI领域的重要方向，得益于机器学习中深度学习方法的突破和发展，当前的AI浪潮才会如此汹涌。机器学习是机器通过经验和数据提高自身的感知、认知、思考和行动能力的科学，是来自计算机科学、统计学、心理学、神经科学、控制理论等的交叉学科。 3.1 机器学习概述 美国华盛顿大学的佩德罗·多明戈斯(Pedro Domingos)对机器学习下了一个定义：机器学习由三个部分组成，分别是表示、评价和优化（见图3-1）。 1）表示是指建立问题与数据的抽象模型。“问题抽象”是对待解决的问题进行抽象化处理，即将问题转换成一道逻辑题或者数学题。比如，判断一张图片中的动物是否为猫，结果无外乎“是”或“不是”两种，那在算法上就可将它看成一个二分类问题，输出就可定义为0或1。“数据抽象”即用数据来刻画物理世界中的事物。仍以判别猫为例，判断一张图片中的动物是否为猫，需要关注动物的脸、毛发、身体等方面的特征，将这些信息用数学方式表征，然后经过综合评估，就能完成判断。在对问题、现实情况有了充分的理解之后才能进行算法的选择，再之后机器才有机会参与进来，执行具体任务。 2）评价是指设定目标函数及评价模型性能。设计好模型之后，最重要的一步就是评价模型的好坏，这个时候就需要设定一个目标函数，该函数用于评估模型的优化目标和模型指标。以对猫的判别为例，在目标函数上，可通过特征向量距离来评价一个图像目标是否像猫。在数据集的准确率上，可以通过“错误率”等指标来评价分类模型。 3）优化是指求解目标函数在模型下的参数最优解。目标函数中存在许多未知参数，求解这些参数，让模型目标函数得到最优结果，即让模型能够获得最小错误率或者最小均方误差。算法优化的过程即逐步调整数据、算法或参数来达到最优目标的过程。  图3-1 机器学习的3个组成部分 机器学习可以根据多种分类标准进行划分：按照函数的复杂度，机器学习可以分为线性模型和非线性模型；按照学习准则的差异，可以分为统计方法和非统计方法；按照华盛顿大学教授佩德罗·多明戈斯归纳的流派，可以分为符号主义、贝叶斯派、联结主义、进化主义、行为类比主义；按照数据样本提供的信息和反馈方式，可以分为监督学习、无监督学习和强化学习，另外近些年，半监督学习、自监督学习等范式也被提出。这里我们按照最后一种划分方式对机器学习进行介绍。 3.1.1 监督学习 监督学习是一种机器学习方法，即机器通过人工给定的标注，比如告知机器某张图片中的是猫，另外一张图片中的是狗，学习数据特征以及标注信息中一一对应的映射关系，从而在部署应用中，根据一定的策略把数据特征预测出来。 监督学习训练的过程由信息输入（如图片、文本等）和预期输出（标签）组成。标签可以是连续的数值，也可以是离散的分类项。根据输出标签的不同，监督学习要处理的任务可以分为回归任务和分类任务两种。回归任务主要指预测某一实数结果的任务，如预测产品市场价格、股票价格等，使用的主要方法是线性回归。分类任务主要指预测某种样本所属类别的任务，如预测动物的分类、物品的分类等。
之前对于AI产品的理解太过浅显，不明白到底需要懂哪些技术，需要掌握到什么程度，职责的边界在哪里，在实习AI产品的这一个半月里时时困惑我。我负责的是产品的阶段验收、prd撰写、原型设计、评测指标、业务访谈，在做这个产品的时候完全感受不到自己的价值，所作的事情似乎对于整个产品没有任何推动作用。直到成品出来，任务可以在平台上跑通，前期的设想终于有了产物，但这过程个人认为完全是开发和算法之间的沟通。我不明白自己的价值，整整一个半月，感受到了前所未有的挫败感和无力感。最近读到文中： “这里一个问题你还是有疑惑：不画原型，而这款产品又如此偏技术，作为AI产品经理你可以做什么？ 通过多方沟通学习，你知道了自己要做的事：明确这款产品要做到怎么样的程度才算合格，其中就包括需要达到什么样的精度水平；产品会应用在什么样的硬件平台，这对性能有什么样的要求；为了体验更好，在文本转语音环节需要达到什么样的标准；面对各种使用情况，产品应该具备什么样的智能水平。 因此，你的工作是将产品的定位、定义、功能、性能、标准等梳理清楚，尽管你不需要绘制原型，但是你需要做大量的调研、对比、定义，提出最好的软硬件方案，给出最好的标准。” 这句话非常有启发，我总是想着能够为产品的优化做点什么，但实际上我应该从策略层面上努力，而不是钻于执行层面的牛角尖。 个人认为对于一个从未体系化接触过AI产品的新人来说，这是一本极佳的入门指导书，至少对我这个无技术背景的文科生来说，是雪中送炭，推荐阅读。
一堆概念的集合。。。浪费时间。
什么都写但不深入，技术转产品的人写的就是比较难懂，没有读下去的欲望，我看吴军博士的书一目十行还能看懂，这就是差距
对于学习和掌握AI产品经理岗位，建立框架性质认知有很大的帮助，既有基础知识也有实践的经验和认知，显然作者是极为专业的业内人士，推荐入行人员学习。