作为AI产品经理，我们到底在优化什么？对于产品经理而言，AI代表是什么？

关注

原创最新推荐文章于 2026-04-04 23:54:21 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

AI 产品经理：2024 年职场新航标 ——AI 产品经理的未来与契机这两年，AI 骤然“火”了起来，可谓出现了重大“转折”。就在这短短两年间，全球各大“大厂”几乎在同一时间争先恐后地跟进 AI 技术。从 ChatGPT 发布起，谷歌、Facebook、亚马逊等纷纷紧跟其后，国内的百度、腾讯、阿里、字节跳动等也不甘示弱。对市场趋势敏感的产品经理们，想必也感受到了这一变化。或许你们也曾思考过要不要转行成为 AI 产品经理或者进入 AI 领域呢？那么，AI 相关行业究竟值不值得做？如果想转行成为 AI 产品经理，现在是不是好时机？倘若决定转行，又需要做好哪些准备呢？阅读详情

用户体验与人工智能（AI）之间有什么样的关系？这种关系对产品经理而言又意味着什么？

这两个问题非常重要，因为它会影响产品的用户体验及其价值主张。

本文作者Guy Molho，是一位经验丰富的产品经理。曾经用了15个月的时间，在没有涉足太多细节的情况下，为B2B公司的客户成功团队开发了基于AI的软件解决方案。

在文章中他提到，产品经理需要了解她的客户，需要了解自己的工作环境、使命、想要实现什么以及挑战，然后才能设计出最能满足这些需求的目标解决方案。

以下是他对“作为AI产品经理，我们到底在优化什么？”问题的回答，enjoy☟

对于产品经理而言，AI代表是什么？

产品必须解决现实世界的问题。技术和实施细节应该为产品服务，并且对可用性的影响最小（至少在软件层面）。AI是一种解决问题的实现方法，但其预测性对用户体验和可用性有重要影响。

当一家公司为任何市场或类别设计基于AI的解决方案时，它总要扪心自问，我们为什么优化产品？我们是否正在优化准确度、阳性预测值或命中率？或换句话说，是否能优化精确度或召回率？回答这些问题至关重要，因为它会影响产品的用户体验及其价值主张。

作为一家开发基于AI的解决方案的初创公司的产品经理，我每天都会考虑这个问题，并根据决策制定我们的解决方案。

召回率和精确度

召回率和精确度听起来很熟悉，也许熟悉到忘记它们是什么！精确度和召回率是统计术语，用于衡量算法返回结果的关联。这些术语有官方学术解释，但我想通过一个例子来解释一下。

天气预测

假设我有一台预测明天是否会下雨的机器。如果明天下雨，机器返回“是”，如果不下雨，则返回“否”。我们连续100天运行机器并得到以下结果：

机器预测会下雨10次
其余的90天它预测是不下雨

现在我们将预测结果与实际的天气进行比较：

在它预测下雨的10次中，的确下雨了。预测非常精确。有多精确呢？在10次预测中，10次下了雨→10/10。我们的精度为100％。

这是否意味着我有终极的下雨预测器？这并不确定。让我们看看其他90天。

当我们计算下雨天的总数时，我们发现实际上总共有20个下雨天。这意味着什么？机器召回（预测正确）了20个雨天中的10个雨天→10/20→50％。所以它预测了50％的雨天，但它也错过了其中50％。

现在，你认为我的机器仍然很棒吗？

来源：Unsplash

让我们考虑极端情况。我的机器坏了，每天它都说明儿会下雨。得到的结果：

下雨-100天
不下雨-0天

现在让我们再次评估结果：

机器现在不那么精确了，因为在它总共预测的100次中，实际上只下雨了20次→20/100→20％。

但是从真正的20个下雨天考虑，机器正确预测了全部20个，即20/20→100％召回率。

现在假设你可以去商店购买上述机器之一，您更喜欢哪台机器？更精确的那个，即如果它说要下雨，你可以很确定，但会错过许多下雨天；还是不会错过任何下雨天，但很多其他日子都会预测错误的机器？

答案不是那么直截了当。也许对于降雨预测是这样，但对于许多其它的基于AI的应用来讲，那并非如此。

这也许有些绕，不过没关系，我创建了混淆矩阵，也许能帮助你对事物分类并计算精确度和召回率：

精确度= TP / (TP+FP)

召回率= TP / (TP+FN)

天气预测—机器A

精确度=10/(10+0) = 10/10 = 100%

召回率=10/(10+10) = 10/20 = 50%

精确度=10/(10+0) = 10/10 = 100%

召回率=10/(10+10) = 10/20 = 50%

天气预测—机器B

精确度= 20/(20+80) = 20/100 = 20%

召回率= 20/(20+0) = 20/20 = 100%

精确度= 20/(20+80) = 20/100 = 20%

召回率= 20/(20+0) = 20/20 = 100%

那么，你在优化什么？

现在，当我们真正了解差异时，我们应该如何优化我们的模型和产品？精确度或召回率？大多数时候我们必须选择其一，精确度和召回率都高几乎是不可能的。

优化什么的决策取决于许多因素：心理、经济、错误成本、遗漏成本、声誉和时间等等。

让我们来看三个真实场景并讨论一下：

癌症检测

作为一名患者，你宁愿被发现患有癌症并开始治疗，然后发现没有患病（假阳性）？还是当已经来不及治疗时发现你患有癌症（假阴性）？

如果你是健康保险公司，你的答案是否会改变？你会资助所有不必要的治疗吗？你会提高保险费以不错过任何人吗？作为一名医生，您是否会冒着声誉的风险去错过检测？

至少作为病人，没有人想错过被检测。因此，当构建检测癌症的产品时，优化召回率（避免假阴性）将更有意义。

机场安检

作为乘客，你宁愿在漫长的警戒线中等待，以免有危险意外通过安检吗？还是更愿意快速通过这些检查，并承担枪可以走私到飞机的风险？监管者肯定会选择避免风险。

Netflix推荐

作为用户，你更愿意获得高度相关的推荐，而不是可能受欢迎但不适合你的一般内容。因此，在这种情况下，产品要优化精确度（避免假阳性）。

我们可以讨论几十个例子，并尝试了解产品要优化什么，以及在与之交互时，它如何影响整体的用户体验。

客户流失预测

我们开发了一款基于AI的产品，用于预测B2B公司的客户流失。我们使客户成功团队能够将他们的工作重点放在真正重要的客户身上，并得到更好结果。

优化精确度意味着产品将精确定位一个非常有针对性的名单，该名单包含面临流失风险的客户，且没有人被错误地划归其中。朝着这个方向的困难是缺少一堆会流失却没被检测到的客户。

缓解这种情况的想法是将列表拆分为几页，其中第一页包含最相关的客户。如果用户想要探索更多，则可以进入下一页。Google搜索结果提供了这样的体验，首页包含最相关的结果。如果你想探索更多，你也可以查看其他页面。

优化召回率意味着产品将不那么敏感，并且会生成面临流失风险的客户的更长名单，并确保我们不会错过任何人。这里的缺点是该列表会包含误报，即一些不会有流失风险的客户。

减轻这种情况的办法是将列表与其他客户特征相结合，这些特征可能会对其风险（例如优先级）提供更多提示。

因此，作为产品经理，我需要向客户了解，他们是更容忍假阳性还是假阴性，他们期望从产品中获得什么样的体验？是否有足够的资源来处理流失的客户等等。

在大模型时代，我们如何有效的去学习/入门AI产品经理？

现如今产品经理岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI产品经理薪资平均值约27336元，而且，在一线城市北京，产品经理的均薪接近30K，在新一线城市、二线城市的薪资也很可观。

从产品经理这个岗位来说，无论是从薪资水平、发展空间还是需求量上看，依旧是个不错的岗位。

可能大家都想入门/转行AI产品经理，其中包括0经验的小白。都想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。

在这里插入图片描述

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。