在这篇文章中，当我使用术语AI产品管理（APM）时，我的意思是包括AI和ML（技术上更准确）。我相信AI PM是一个关键角色，需要特定的技能，判断力和经验，这对AI产品和计划的成功至关重要。

作为APM的成功实践和AP Meetup的组织者，我想分享我遇到的有用资源，最佳实践和技巧，并从我的经验中学习。这里的原则和提示对项目经理，软件经理以及您为技术团队做出决策的任何角色都很有用。我不会花时间谈论人工智能的基础知识，因为我认为你已经拥有了这个背景。但是，如果您想了解ML或者您想了解更多有关PM角色的信息，最后会有参考文献。

产品管理的角色/名称是相对较新的 – 我会说〜25年。AI产品管理专注于使用AI，深度学习和/或机器学习来增强，改进，创建和塑造产品。AI产品管理（APM）当然是最近的一个角色。

AI产品经理是互联网产品经理的子集
AI产品经理是互联网产品经理的子集

最近对全球商业领袖的一项调查显示，70％的人已开始实施人工智能计划 随着人工智能在业务中的激增，很容易看到B2C和B2B产品和服务的应用：Google Search / Photos / Translate，Alexa，Amazon Recommendations，Stitch Fix。Nest，特斯拉自动驾驶仪。机器学习（和数据）是所有这些中的共同点。当然，还有更多的产品由幕后的ML提供支持。

如果人工智能正确的组织与那些正在努力采用人工智能的组织（这是大多数人）之间仍存在巨大的差距。我的POV是APM在AI计划的成功中发挥关键作用。正如Marty Cagan所说，每一件成功的产品背后都是负责其成功的产品经理。

每一个伟大的人工智能产品背后都是产品经理或领导者，他们领导了这一愿景，帮助了数据，促进了技术团队的工作，倾听了客户的意见，同情并推动了业务指标所带领的采用和增长。

让我们从赌桌开始吧。出色的AI产品管理和领导力（是的，这是两个不同的层次！）应包括技术产品管理和领导力的原则和最佳实践。

AI产品经理角色
AI产品经理角色

对于维恩图中的每个圆圈，您都有特定的要求，例如，用户/客户体验对于所有数字产品都很重要，但对于B2B AI / ML产品可能有所不同。

正如这篇HBR文章指出的那样，所谓的“数据产品”的生命周期反映了标准产品开发：识别解决核心用户需求的机会，构建初始版本，影响迭代。当然，APM还有很多，因为除了数据的复杂性之外，您还必须处理AI模型和流程的复杂和迭代性质。本文建议跨数据协作和评估以及数据产品机会的优先级，并着眼于长期目标。

“ 这里缺乏为企业构建AI应用程序的产品经理的既定工作流程” – Andrew Ng

APM的基本技能和品质是什么？

＃1坚实的数据和建模技术 – 应具备实践经验或数据和模型的工作知识

＃2通信 – 产品经理是“将不同语言的公司的所有各种功能和角色结合在一起的粘合剂” – Ken Norton，GV

“PM的工作不仅仅是硬技能，还包括其他技能 – 说服，谈判，讲故事，视觉设置和沟通。” – 匿名

＃3完成任务：挑战，促进和交付 – 例如，APM的关键任务之一是创建捕获产品属性的特殊测试集。

“优秀的产品经理清晰地定义目标，”什么“（而不是如何）并管理”什么“的交付。 – Ben Horowitz Link

AI产品管理的 3 个阶段

考虑任何产品的三个关键阶段以及涉及AI / ML时它如何变化。

1）成立：决定做什么？为什么？结合数据，分析和判断。问正确的问题。有足够的深度来过滤噪音并专注于有价值的POC，而不是科学实验或没有数据或扩展可能性的商业梦想。POC变得更加重要 – 必须与组织的现实相匹配。

产品经理的工作是发现/创造一种有价值，可用且可行的产品–Marty Cagan

说ML不是一个好的候选人（制作清单）。或者决定使用多少ML与其他方法，如规则等。对于所有其他方法，优先管理和管理管道！

不使用AI时的示例：

  • 请参阅此视频，其中列出了一些常见方案，例如：何时需要100％准确度，何时没有足够数据，何时没有质量数据等。注意偏向数据或用例可能歧视针对某一群体等
  • WSJ最近的一篇文章指出了亚马逊使用机器学习将某些产品标记为“亚马逊选择”的方式存在缺陷。

“亚马逊的选择” 不是质量保证。亚马逊不测试这些产品; 它使用一种考虑各种因素的算法为它们加冠，包括流行度，运输速度，价格等。专家说，卖家已经开始找出操纵算法的方法。

2）发展：组织结构很重要。理解和协调组织结构，角色 – 利弊。数据素养，领域深度和极客信誉都很重要。在不同的阶段让正确的中小企业参与其中，APM是将所有AI元素保持在一起的粘合剂！改善的速度和频率很重要！敏捷，聪明。的POC。系列MVP：轻量级模型，购买/借用数据

3）商业化：您将如何生产产品？你有合适的人，流程和工具吗？您将如何持续监控性能并改进产品？

AI PM的关键要点：

  1. 相信数据的不合理有效性（以及关键重要性）。确保您拥有正确用途的正确数据。投资获取和维护战略数据集 – 它们通常是竞争差异化的源泉，而不是模型。正如Andrew Ng所说：数据集是新的（AI）线框！

PM的工作是创建捕获产品属性的特殊测试集 – （来自Lex Fridman的AI Podcast与Spotify产品经理）

  1. 做一个有效的翻译 – 一方面是技术深度（Sisk称之为Nerd Cred），另一方面你需要简化并删除行话 – 图＃2 Atlas。目前的AI / ML浪潮相对较新，受到炒作，快节奏变化，高质量人才的瓶颈以及由于众多供应商和工具匆匆而引起的混乱。成为能够跨越技术业务的领导者，ML- IT，财务 – 所有其他人的差距！
  2. 管理期望和利益相关者。AI产品的不确定性很高。失败的可能性高于普通的软件项目） – 需要付出努力才能真正了解模型的优秀程度。永远记住要考虑利益相关者并记住关键问题：它们对它们有什么影响？系列MVP：轻量级模型，购买/借用数据，缩小域名，手=策展
  3. 对客户/用户的同情 – 以同理心看待隐私 – 探索差异隐私等新解决方案 – 采用什么？用户/以人为中心的错误测量框架
  4. 降低风险并增加信任 – 一些组织可能有专门的工作人员来承担风险，但大多数组织都没有。作为APM，您是偏见，公平和隐私问题的前门守护者。APM也应该推动可解释性。确保您对产品的信任！
  5. 谨慎传播 – 算法的智能性与它带来的智能价值，你将如何衡量它，例如误报。你如何衡量价值？它将如何改变行为？想想前面几步 – 例如会刷太多？
  6. 工艺/生命周期/设计很重要，工程师KAIZEN从一开始就是如此。确定关键业务指标（KPI）以及它们如何转化为建模指标。遵循敏捷开发（尤其适用于基于AI的产品和系统，非常重要），让用户在开发周期的早期阶段通过与用户分享实时反馈来帮助测试，改进和改进产品中的AI功能。开发团队。对于AI驱动的应用程序，测试过程必须从根本上改变。优化算法要求许多用户对其进行测试，以确保它们适用于多种不同的场景。“
PM在数据和建模中的作用 - 信用
PM在数据和建模中的作用 – 信用

除了主要内容之外，还有一些我从不同来源和我自己的经验中收集的提示和建议。以下是APM的一些提示和建议：

  • 您需要一种不同的人工智能战略和规划方法 – 更多的前期工作和数据探索，以识别和审查机会（需要数据探索）
  • 不要低估共同愿景，理解和有效沟通的重要性。当多个团队协调工作（减少摩擦），发展共同理解并通过不同的亚文化工作时，AI计划最有效。将不同的角色聚集在一起，互相学习，让数据技术人员充当“福音传道者”……提供原始访问
  • 太多的数据可能会让人不堪重负并使主动性看起来过于复杂 – 显示而不是告诉 – 数据产品有自己独特的曲折 – 数据管理和治理已经存在了一段时间，但必须处理遗留资产以及3V的新数据
  • 正在进行的周期 – 产品将如何随着时间推移？上或下？谁正在监控正在收集的数据并将其货币化？如何随着时间的推移改善事物？例如：结果数据。评价？产品以何种速度从数据收集中有机地改进？如今，具有令人兴奋的指标的产品可能值得保留。迭代的速度和性质 – 从哪里来？用户反馈？自动？您将如何测试和部署模型的变体？
  • 产品领导说明 – 风格，产品阶段，公司，产品环境，构建良好的团队 – 管理，流程，上下文切换（从10K英尺视图到2英寸视图来回）

最后的想法：

“成功取决于公司培养”强大的数字骨干“的能力，”将技术和人才融入业务流程的成熟能力，以及靠近用户和市场的持续学习。“ – Irving Berger，WSJ

注释和参考：

==关于管理者ML的资源==

** Gen PM资源**

本文转自medium，原文地址