PM 很火，AI 很火，那么 AI 领域的 PM 怎么做呢？

写在前面的话：1、本文的PM指产品经理，项目经理的同学们下次再见；2、本文并非原创，而是对图灵机器人VP黄钊的一个名为《人工智能产品经理新起点》的长达200页PPT的笔记，加上一些个人思考和工作总结（一不凑巧，我误打误撞的现在算是半个AI领域的PM）；3、假如想要PPT下载链接的，麻烦评论或者简信，或者自行百度。

一、AI PM在做什么？

作者在PPT开始就说，AI时代的真正瓶颈是真正的AI PM。当然，对此我并不表示认同。无论是目前的移动互联网，还是所谓的AI时代，在讲述关于PM的故事时，总是有意无意的夸大PM的作用。

我承认，类似于张小龙那般的PM，就如同历史画卷中战功累累不可或缺的英雄人物。连高中的政治都说过，历史发展是不以人的意志为转移的，但是历史人物能对某个时期的进程起到至关重要的作用。

大多数如你我的PM，虽然能在工作中尽量保证产品需要的主导性和主动性，这不是妄自菲薄。虽然AI PM是缺失的状态，可是若说一个时代的瓶颈是某个角色，未免太夸大其词。不过作者在PPT后面说的，AI PM做的什么，如何做，却颇有道理。

既然是PM，必定有方向选择。在AI领域，存在三个方向，分别是应用层、技术层和基础层。应用层包括解决方案层和应用平台层，这个层面也是与PM关系最大的层面。举个例子，智能客服、智能助理、无人车，属于前者；行业应用分发和运营平台等属于后者。笔者手中的项目，则二者都包含（此处插播广告，我们是绝对有优势的电商公司，也在招聘PM噢）

那么如何选择行业方向呢，本部分其实更偏向公司的战略层，即我们要走什么路。作者给出了以下几个维度供参考。

1、To B or To C

如果是2B的话，需要充分了解行业需求，能够看准这个行业在某个时间点发生变革，变革是什么，然后提供2B服务，可能会比等待一个平台迭代的周期去突击2C的机会要更快或者更容易。但如果是2C产品，则需要硬件、交互、OS三个标准确定，才会真正大爆发，比如机器人，2c产品也可能在今年这样的形势下迎来自己的春天。

2、头部or尾部

头部需求必须和场景深度结合（比如车载），解决特定场景的痛点需求；但其实，中部或长尾需求，反而是适合做AI的。比如语音助手类产品的“提问”功能。

可能有些同学看不明白，我从我的理解角度讲一下，可以理解为头部是前端，中部或长尾是后端。头部需求就是那些非常明确又有垂直场景的，好处在于解决痛点需求，不足之处在与无法更多的发挥。但是中部或长尾的需求则具有一定的复用性，例如提问功能，可以用在车载场景，也可以用在各种陪伴机器人甚至教育行业。

当然，做产品经理都说要找到用户的需求痛点直击，所以我觉得头部需求也是非常重要的。

3、关键性应用or非关键性应用

并不是所有人都要一定去做关键性的应用，因为关键性的应用意味着巨大的投入。例如谷歌无人车、google now等，需要大量的科学家、资金投入，而且投资周期非常长。现在的亚马逊的alexa以及echo，哪个不是厚积薄发。

关键还是需要看自己的兴趣爱好，也要看自己目前的能力，是否能进入做关键性应用的巨头公司，不要去了也是死路一条不是？

4、后面几个一起说了，要找个靠钱近的（意思就是不要耗费太久时间的，不然等的黄花菜凉了，这阵风可能就过了）、如果精力等允许，可以同时选择两个方向进行尝试、具备AI+垂直领域两个领域的深度背景等

刚刚也说到了场景痛点，那么如何寻找AI领域的场景痛点呢？这里作者分为2B和2C两个方面来叙述。

to B：不仅需要切垂直行业，还要切更细分的垂直场景。这里有两个衡量指标：场景边界明显&有产品闭环及商业闭环。另外，从行业当前的痛点入手。例子：某医疗AI影像公司，用机器学习做医疗影像识别，提高医生的看片效率、降低误诊率。

to C：此处需要明确需求是谁的需求，是为了解决谁的问题。NBA AI助手，是为了球迷吗？不是的，是为了NBA解说员&赌球者；购车bot助手只是为了普通消费者吗？当然不是，4S店销售员也很需要的。

二、AI PM如何做？

应用层自然是AI PM的主场，而其中又可以区分为平台网站类 AI PM、垂直场景类AI PM以及对话聊天类 AI PM，又以最后一个最难最前沿。但是说实话，其实最后一个也是最好玩的。

为什么产品设计难？首先没有行业评判标准，目前偏搜索和单轮问答的是准确率和召回率，小明星微软小冰的标准是CPS（conversation per session），当然也许有更好的评估角度，但是目前，从笔者的工作经验中总结，大部分还是靠人为感知，无量化的指标。

其次，实际效果不稳定，训练数据和真实情况不一样，无论是对话类还是图像识别，你永远都不知道用户会怎么问。还不说一个问题可能会有多个回答，海量的演化分支完全不可预测，同时，真正对用户带来的效果是不可知的。

最后，投入产出比很低。后期即使优化，效果也不是很明显，而且反而可能影响整理效果，比如NLP中因为想要支持更多的表达，扩充模板后，导致影响到之前的正常模板匹配。但是如果不持续优化，那么结果肯定是会越来越差的。

那么说了这么多难的地方，有没有什么好的方法来做这个事情呢？作者给了10个锦囊，从笔者自身的经验来看，的确是值得借鉴的。

1、解决基础交互问题，让用户能开始对话

利用Q/A数据，20%的问题覆盖80%的对话量；限定语句模式（因为用户语言习惯实在太开放）、限定对话逻辑。这几点非常重要，不仅PM自己需要知道，同时需要PM的领导明白，不仅要管理好用户的预期，领导的预期也要管理好。大家急于让对话机器人变得更智能可以理解，但是为了保证整体体验，有时候不得不妥协。

2、解决数据和架构问题，让用户能持续对话

AI+人工共同解决回答数据问题、主动交互（用户有时候真的不知道要跟你说啥）、对话架构——每一个query让一个能接得住的feature接住，否则往下掉，直到“万金油答案/兜底”、在持续对话流里，同一个模板，应避免出现2次，比如“听到xx，感觉有点坏”，出现2次，就知道是模板了，好感度瞬间减分。

在笔者目前做的相关项目中，在合适的时候，的确会问问用户是否还有别的可以帮您，甚至会在不过分打扰用户的前提下，会推荐相关的某些服务，免得某些长尾的功能被忽略。

3、解决需求问题，让用户能长期对话

不断提供交互过程，刺激用户对话、注意文本、TTS语气等、发觉内容/IP。

互联网PM如何转型为AI PM

笔者的这个转型是自上而下被逼的转型，但是主动选择的亲们可以细细考虑一番。

黄sir给出的AI PM模型是PM+AI+X，PM则是目前互联网PM共用的功能，逻辑能力、沟通能力、快速学习能力等等，而AI是指AI技术理解力、类机器学习思维方式、多器官人机交互设计，X则是指某些具体方向上所需的，例如垂直场景认知、跨领域写作、人文素养和灵魂境界。

PM这一块的能力就不做过多解释了，这里简单说说AI技术概念理解力。第一步是能理清基本概念，第二要了解技术边界，哪些能做，哪些做不了，第三步引导技术流程或者架构

AI技术概念方面，作者列举了四个概念，首先什么是人工智能，这是一种科技领域，包括机器学习、数据挖掘、知识推理、自然语义理解、计算机视觉等。机器学习则是对能通过经验自动改进的计算机算法的研究，其本质是空间搜索和函数的泛化，总结过去，预测未来。

自然语言理解，则是将人的语言形式转化成机器可理解的、结构化的、完整的语义表示，通俗来说，让计算机能够理解和生成人类语言。在这里需要注意，NLU只是NLP范围中语义理解的那一小部分。

视觉方面分为计算机视觉和机器视觉，计算机视觉主要偏软件。通过算法对图像进行识别分析，研究让机器怎么看。但是机器视觉则包括软硬件两部分，包括采集设备、光源、镜头、控制、机构、算法等等。个人觉得这两者还是比较容易区分，例如现在很多智能冰箱说能实现图像识别技术，那么冰箱通过ID设计，放上了摄像头，调整拍摄角度，采集、对光源的控制等，产出训练数据，而计算机视觉主要在于，给到了照片如何知道冰箱内的食材是什么。

说了这么多，那么到底要转型应该怎么做呢？

首先，培养兴趣。作者给了很多的书籍、电影、可关注的公众号，看完这些，重要的是总结整理出自己的独到见解。笔者目前还差很远。

其次，选择方向。前面说了平台网站类AI PM，垂直场景类AI PM和对话聊天类AI PM。大家看着选一个。其实这三个有时候并不能完全分开，比如笔者现在做的三者都有，重点是最后一个方向的产品而已。

最后，先上船。上船后实际去做，不停接触同行，接触不同行业的人，实践出真知。

结尾：笔者是指我，作者是指这个200页PPT的作者——图灵机器人VP黄钊。

作者 王周五

关键字：产品经理, 业界动态, 对话

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！