在這篇文章中，當我使用術語AI產品管理（APM）時，我的意思是包括AI和ML（技術上更準確）。我相信AI PM是一個關鍵角色，需要特定的技能，判斷力和經驗，這對AI產品和計劃的成功至關重要。

作為APM的成功實踐和AP Meetup的組織者，我想分享我遇到的有用資源，最佳實踐和技巧，並從我的經驗中學習。這裡的原則和提示對項目經理，軟件經理以及您為技術團隊做出決策的任何角色都很有用。我不會花時間談論人工智能的基礎知識，因為我認為你已經擁有了這個背景。但是，如果您想了解ML或者您想了解更多有關PM角色的信息，最後會有參考文獻。

產品管理的角色/名稱是相對較新的 – 我會說〜25年。AI產品管理專註於使用AI，深度學習和/或機器學習來增強，改進，創建和塑造產品。AI產品管理（APM）當然是最近的一個角色。

AI產品經理是互聯網產品經理的子集
AI產品經理是互聯網產品經理的子集

最近對全球商業領袖的一項調查顯示，70％的人已開始實施人工智能計劃 隨着人工智能在業務中的激增，很容易看到B2C和B2B產品和服務的應用：Google Search / Photos / Translate，Alexa，Amazon Recommendations，Stitch Fix。Nest，特斯拉自動駕駛儀。機器學習（和數據）是所有這些中的共同點。當然，還有更多的產品由幕後的ML提供支持。

如果人工智能正確的組織與那些正在努力採用人工智能的組織（這是大多數人）之間仍存在巨大的差距。我的POV是APM在AI計劃的成功中發揮關鍵作用。正如Marty Cagan所說，每一件成功的產品背後都是負責其成功的產品經理。

每一個偉大的人工智能產品背後都是產品經理或領導者，他們領導了這一願景，幫助了數據，促進了技術團隊的工作，傾聽了客戶的意見，同情並推動了業務指標所帶領的採用和增長。

讓我們從賭桌開始吧。出色的AI產品管理和領導力（是的，這是兩個不同的層次！）應包括技術產品管理和領導力的原則和最佳實踐。

AI產品經理角色
AI產品經理角色

對於維恩圖中的每個圓圈，您都有特定的要求，例如，用戶/客戶體驗對於所有數字產品都很重要，但對於B2B AI / ML產品可能有所不同。

正如這篇HBR文章指出的那樣，所謂的「數據產品」的生命周期反映了標準產品開發：識別解決核心用戶需求的機會，構建初始版本，影響迭代。當然，APM還有很多，因為除了數據的複雜性之外，您還必須處理AI模型和流程的複雜和迭代性質。本文建議跨數據協作和評估以及數據產品機會的優先級，並着眼於長期目標。

「 這裡缺乏為企業構建AI應用程序的產品經理的既定工作流程」 – Andrew Ng

APM的基本技能和品質是什麼？

＃1堅實的數據和建模技術 – 應具備實踐經驗或數據和模型的工作知識

＃2通信 – 產品經理是「將不同語言的公司的所有各種功能和角色結合在一起的粘合劑」 – Ken Norton，GV

「PM的工作不僅僅是硬技能，還包括其他技能 – 說服，談判，講故事，視覺設置和溝通。」 – 匿名

＃3完成任務：挑戰，促進和交付 – 例如，APM的關鍵任務之一是創建捕獲產品屬性的特殊測試集。

「優秀的產品經理清晰地定義目標，」什麼「（而不是如何）並管理」什麼「的交付。 – Ben Horowitz Link

AI產品管理的 3 個階段

考慮任何產品的三個關鍵階段以及涉及AI / ML時它如何變化。

1）成立：決定做什麼？為什麼？結合數據，分析和判斷。問正確的問題。有足夠的深度來過濾噪音並專註於有價值的POC，而不是科學實驗或沒有數據或擴展可能性的商業夢想。POC變得更加重要 – 必須與組織的現實相匹配。

產品經理的工作是發現/創造一種有價值，可用且可行的產品–Marty Cagan

說ML不是一個好的候選人（製作清單）。或者決定使用多少ML與其他方法，如規則等。對於所有其他方法，優先管理和管理管道！

不使用AI時的示例：

  • 請參閱此視頻，其中列出了一些常見方案，例如：何時需要100％準確度，何時沒有足夠數據，何時沒有質量數據等。注意偏向數據或用例可能歧視針對某一群體等
  • WSJ最近的一篇文章指出了亞馬遜使用機器學習將某些產品標記為「亞馬遜選擇」的方式存在缺陷。

「亞馬遜的選擇」 不是質量保證。亞馬遜不測試這些產品; 它使用一種考慮各種因素的算法為它們加冠，包括流行度，運輸速度，價格等。專家說，賣家已經開始找出操縱算法的方法。

2）發展：組織結構很重要。理解和協調組織結構，角色 – 利弊。數據素養，領域深度和極客信譽都很重要。在不同的階段讓正確的中小企業參與其中，APM是將所有AI元素保持在一起的粘合劑！改善的速度和頻率很重要！敏捷，聰明。的POC。系列MVP：輕量級模型，購買/借用數據

3）商業化：您將如何生產產品？你有合適的人，流程和工具嗎？您將如何持續監控性能並改進產品？

AI PM的關鍵要點：

  1. 相信數據的不合理有效性（以及關鍵重要性）。確保您擁有正確用途的正確數據。投資獲取和維護戰略數據集 – 它們通常是競爭差異化的源泉，而不是模型。正如Andrew Ng所說：數據集是新的（AI）線框！

PM的工作是創建捕獲產品屬性的特殊測試集 – （來自Lex Fridman的AI Podcast與Spotify產品經理）

  1. 做一個有效的翻譯 – 一方面是技術深度（Sisk稱之為Nerd Cred），另一方面你需要簡化並刪除行話 – 圖＃2 Atlas。目前的AI / ML浪潮相對較新，受到炒作，快節奏變化，高質量人才的瓶頸以及由於眾多供應商和工具匆匆而引起的混亂。成為能夠跨越技術業務的領導者，ML- IT，財務 – 所有其他人的差距！
  2. 管理期望和利益相關者。AI產品的不確定性很高。失敗的可能性高於普通的軟件項目） – 需要付出努力才能真正了解模型的優秀程度。永遠記住要考慮利益相關者並記住關鍵問題：它們對它們有什麼影響？系列MVP：輕量級模型，購買/借用數據，縮小域名，手=策展
  3. 對客戶/用戶的同情 – 以同理心看待隱私 – 探索差異隱私等新解決方案 – 採用什麼？用戶/以人為中心的錯誤測量框架
  4. 降低風險並增加信任 – 一些組織可能有專門的工作人員來承擔風險，但大多數組織都沒有。作為APM，您是偏見，公平和隱私問題的前門守護者。APM也應該推動可解釋性。確保您對產品的信任！
  5. 謹慎傳播 – 算法的智能性與它帶來的智能價值，你將如何衡量它，例如誤報。你如何衡量價值？它將如何改變行為？想想前面幾步 – 例如會刷太多？
  6. 工藝/生命周期/設計很重要，工程師KAIZEN從一開始就是如此。確定關鍵業務指標（KPI）以及它們如何轉化為建模指標。遵循敏捷開發（尤其適用於基於AI的產品和系統，非常重要），讓用戶在開發周期的早期階段通過與用戶分享實時反饋來幫助測試，改進和改進產品中的AI功能。開發團隊。對於AI驅動的應用程序，測試過程必須從根本上改變。優化算法要求許多用戶對其進行測試，以確保它們適用於多種不同的場景。「
PM在數據和建模中的作用 - 信用
PM在數據和建模中的作用 – 信用

除了主要內容之外，還有一些我從不同來源和我自己的經驗中收集的提示和建議。以下是APM的一些提示和建議：

  • 您需要一種不同的人工智能戰略和規劃方法 – 更多的前期工作和數據探索，以識別和審查機會（需要數據探索）
  • 不要低估共同願景，理解和有效溝通的重要性。當多個團隊協調工作（減少摩擦），發展共同理解並通過不同的亞文化工作時，AI計劃最有效。將不同的角色聚集在一起，互相學習，讓數據技術人員充當「福音傳道者」……提供原始訪問
  • 太多的數據可能會讓人不堪重負並使主動性看起來過於複雜 – 顯示而不是告訴 – 數據產品有自己獨特的曲折 – 數據管理和治理已經存在了一段時間，但必須處理遺留資產以及3V的新數據
  • 正在進行的周期 – 產品將如何隨着時間推移？上或下？誰正在監控正在收集的數據並將其貨幣化？如何隨着時間的推移改善事物？例如：結果數據。評價？產品以何種速度從數據收集中有機地改進？如今，具有令人興奮的指標的產品可能值得保留。迭代的速度和性質 – 從哪裡來？用戶反饋？自動？您將如何測試和部署模型的變體？
  • 產品領導說明 – 風格，產品階段，公司，產品環境，構建良好的團隊 – 管理，流程，上下文切換（從10K英尺視圖到2英寸視圖來回）

最後的想法：

「成功取決於公司培養」強大的數字骨幹「的能力，」將技術和人才融入業務流程的成熟能力，以及靠近用戶和市場的持續學習。「 – Irving Berger，WSJ

注釋和參考：

==關於管理者ML的資源==

** Gen PM資源**

本文轉自medium，原文地址