谈谈AI产品经理的产品开发流程

笔记:AI量化策略开发流程-基于BigQuant平台(一) 从本文开始,按照AI策略开发的完整流程(共七步),上手在BigQuant平台上快速构建AI策略。 阅读详情

图片

本文以智能文档审阅系统(IDP)和工业互联网数字孪生—故障预测为例,介绍AI产品经理在产品开发全流程过程中,每一阶段的工作内容、工作流程及注意事项,并结合具体案例方便对AI产品经理感兴趣的同学予以了解。文中尽量避免使用特征向量、归一化、RNN等专业词汇,可放心阅读。

图片

一、需求定义

内容:这一初始阶段集中在从业务角度理解项目的目标和要求,然后把理解转化为模型能力的定义和一个初步执行计划。不仅要有整体技术研判力(可行性、技术难度、关键技术点),还要有业务洞察力,可以定义出可执行有价值的好问题。

流程:

图片

注意:AI产品经理在本阶段要特别注意模型能力边界和模型类型确定。

案例:

这里说的模型类型除了回归、分类、聚类、序列之外,还要基于具体业务考虑其他情形,比如在线还是离线,因为如果目标客户比较注重数据安全,可能就会要求私有化部署,不允许连接外网调用模型接口。AI产品经理在需求分析阶段明确模型基础要求,也方便工程师在后续模型预研及成本分析方面提前有所考虑。

关于模型能力边界。请看这一条业务需求“系统自动抽取合同签订日期、中标通知书通知日期并进行时序性校验,合同签订日期不能早于中标通知书通知日期”,AI产品经理需要将此条业务需求的实现分解成先由模型执行抽取任务后,再由系统(平台)进行时序性比较。因为不同类型模型可执行的下游任务不同,仅以自然语言处理任务层级举例,如下图,我们这里提到的模型能力边界指的是第三次,即信息抽取、情感分析、问答系统、机器翻译和对话系统等。

图片

自然语言处理任务层级

二、模型预研

内容:需求确定之后,AI产品经理需要和工程师进行沟通,要判断目前积累的数据和沉淀的算法,是否可以达到我们的业务需求。以及对原始数据的初步理解,发掘值得关注的数据子集以形成对隐藏信息的假设。

流程:

图片

注意:在这个环节中,可能还需要根据算法工程师的预估,对上一阶段的需求内容进行调整。

案例:此阶段往往需要AI产品经理跟算法工程师经过多轮沟通,根据业务目标及原始数据质量的预估,确定模型预研的可行性等问题。比如以智能文档分析(IDP)系统举例,因为文档类型及业务规则的多样性往往需要多个模型共同完成一项业务需求,比如对一份合同的审核既需要对合同基本信息的抽取(如甲方、乙方、签订日期),也需要对合同中建设内容的相似性进行判断,还需要对合同中的表格数据进行分析。这就需要AI产品经理与工程师多次沟通,确定模型融合等解决方案的设计。

三、数据准备

内容:数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限。“数据准备”阶段往往会占用整个工程60%以上的时间。产品经理基于对业务的理解,帮助工程师判断哪些数据集更具备代表性,以及明确数据来源、数据质量处理措施。

流程:

图片

注意:“数据质量”问题除了数据模式层面,还要关心应用场景下的数据质量问题,应用场景相关的数据质量问题,与研究问题的范畴和业务上下文有关,通常不容易发现,有一定规律但不存在通用的方法。

案例:“数据异常”也许是被忽略的一些“正常场景”。

【业务背景】风电机组大部分采用同步变桨,在正常情形下,三个桨距角应该非常接近。因此,在变桨驱动系统异常研判中,常常会将三个桨距角的不一致性(如角度差或短期时序相关度)作为一个重要特征。

【数据现象1】如下图所示,某个风电机组在2013年8月9日21:45—21:47的表现。三个桨距角的初始值都在87.5°左右,然后三个桨距角逐步变为0°。

图片

控制电路重启造成三个桨距角的大差异

【业务解读】这个过程实际上是调试过程中,变桨控制系统逐个重启造成的。在2013年8月9日21:45:40左右,第一个变桨控制电路进行了人工重启,然后依次对第二个、第三个进行了重启。

【对数据准备的启发】对于关键数据、关键结果要做必要的数据探索(画图或者看统计分布),数据中包含的内容超过我们的“预设”和“专家经验”。

四、模型构建

内容:AI产品经理基于对需求和业务的理解,配合算法工程师进行数据集的准备、模型训练、参数调优等等,及时跟进模型的目标优化,针对突发问题做出调整和决策。

流程:

图片

注意:前面有提到“数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限。”算法工程师们花费在特征工程建立上面的时间,基本上占整个模型构建的 60%。AI产品经理在此阶段要尽量结合业务经验预判、保证特征的稳定性。

案例:磨煤机堵磨检测。

【数据特征】磨煤机堵磨研判,几小时内,电流持续上升,伴随入口风量下降。预将入口风量作为特征数据预测磨煤机堵磨。

【业务经验】入口风量影响因素太多,测量稳定性差,不应作为主要研判依据:多台磨煤机共用一个管道,它们的入口风量存在强耦合。

五、模型宣讲

内容:产品经理组织业务及算法相关同事一起参与,算法同事帮忙说明使用了什么算法和选择这个算法的原因,这个模型选择了哪些重要特征,训练的样本,以及算法同学的测试方案与结果。AI产品经理要有目的的引导业务了解算法逻辑,并可以用非技术语言跟领导及客户解释清楚模型逻辑。

流程:无

注意:此阶段主要对特征的来源,训练样本的合理性以及测试结果是否符合业务预期,是否合理进行评估预判。

案例:无

六、模型验收

内容:在模型评估环节,产品经理需要做的是,根据业务需求挑选合适的测试样本,请算法同学进行测试,并且提交测试结果。最后,再根据模型宣讲和测试的内容编写模型验收报告。

流程:

图片

注意:在不同场景下,由于我们的业务目标不同,对模型的要求不同,对模型统计性指标的关注点也不会相同。AI产品经理需要明确知道针对不同的AI模型对应不同的评估指标,并根据业务需求提出模型验收要求。

案例:模型的评估主要包括三个部分:统计性、模型性能和模型稳定性。

统计性指标指的就是模型输出结果的覆盖度、最大值、最小值、人群分布等指标。以模型覆盖度为例,它表示模型可以覆盖人群的百分比,它的计算公式是:模型的覆盖度= 模型可以打分的人数 / 需要模型打分的人数。覆盖度越高,代表模型可以打分的人数越多,也就是说模型可以评估更多人。如果模型覆盖度过低,即使它的性能表现很好,在某些业务场景下模型也不可用。

模型性能和稳定性评估:分类模型的性能评价指标主要包括:混淆矩阵、KS、AUC 等。回归模型的性能评价指标主要包括:MAE(平均绝对误差)、MSE(均方误差)、RMSE(均方根误差)、R 方等。具体指标的介绍及分析有很多资料介绍,感兴趣的同学可以查一下,这里不再赘述。

工程开发、测试验收模块与传统互联网没有区别这里不再过多介绍。此外对于在线模型,在上线运营后需要对模型评估指标及特征持续性关注,可建立简单的监测系统定时监查。

如何转行/入门AI产品经理?

现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,转行/入门AI产品经理,但是却找不到适合的方法去学习。

作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI产品经理入门手册、AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。

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,我下面分享的这个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

二、AI产品经理入门手册

在这里插入图片描述

三、AI大模型视频教程

在这里插入图片描述

四、AI大模型各大学习书籍

在这里插入图片描述

五、AI大模型各大场景实战案例

在这里插入图片描述

六、结束语

学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。

再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。

因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

AI产品的研发流程基本认识 人工智能(AI)产品的研发流程是一个系统的工程,涉及到多个阶段,从需求分析到产品上线后的维护。 阅读详情

相关推荐

DIY天文摄影:如何用NMP溶剂安全去除佳能CMOS传感器的拜耳滤镜(附详细步骤)

本文为天文摄影爱好者提供了一份详尽的DIY指南,介绍如何使用NMP溶剂安全去除佳能CMOS传感器的拜耳滤镜,将其改造为高灵敏度单色相机。文章深入剖析了NMP溶剂的作用原理与关键风险,并系统性地拆解了从材料准备、分步操作到后期验证的完整实践流程,旨在帮助具备动手能力的爱好者实现深空天体摄影的进阶目标。

w3x4y的博客 310

AI 入门,从零搭建完整 AI 开发环境,并写出第一个 AI 应用

在本文中,我们从零开始,一步步搭建了一个完整的AI开发环境,并创建了一个简单的AI应用。您学习了如何安装Python、Anaconda、TensorFlow,以及如何使用Jupyter Notebook进行开发。通过这个简单的手写数字识别应用,您不仅学习了AI的基本概念,还亲身体验了AI的应用。AI是一个广阔而充满机遇的领域,希望这个教程能够激发您继续深入学习和探索AI的兴趣。

qingkahui24689的博客 1万+

【保研面试】线性代数面试复习

线性相关和无关 有向量组A,a1,a2…an , 如果存在不是全为0的k1,k2…kn,满足 a1 * k1 + a2 * k2… an * kn = 0 则向量组A称为线性相关(可以跟向量组A共面联系,即可以通过几个向量,表示出另外几个向量,故称为线性相关) 极大线性无关组 设有向量组A a1,a2…an(本身为线性相关) :若选出r个向量,满足以下条件 (1)向量组 r : 线性无关; (2) 向量组A中任意r+1个向量(若有的话)都线性相关, 则向量组r 是向量组A的一个极大线性无关组(简称为

云端筑梦师 6311

我是AI产品经理,就必须掌握AI技术吗?

作为一个人工智能(AI)产品经理,我们需要对AI技术有了解吗?为什么?需要了解到什么程度呢?我们该如何达到这样的程度?

2401_85325519的博客 1239

爬取百度图片

最开始,我们想要爬取图片,首先需要打开百度图库,然后在搜索栏中输入自己想要的图片(比如说壁纸)。接着右键检查,点击网络:起初可能没有名称信息,刷新界面就可以了。打开信息,查看标头内容可以看到请求URL为:复制这串URL,然后在浏览器中打开这个就是我们搜索的壁纸图片的网页内容。怎么找到图片的URL呢?在上述内容中,找到data,可以发现里面每隔一个aiEditData,下面代码的形式是一样的,就相当于一张图片。

weixin_54143563的博客 1943

为Codex添加任务完成提示音:提升开发效率的实用技巧

在自动化脚本开发和模型训练过程中,实时获取任务状态反馈是提升工作效率的关键。通过Hook机制,开发者可以在代码执行的关键节点注入自定义逻辑,实现各种自动化操作。Codex的Hook系统特别适合用于任务完成提醒,其post_execution节点能准确捕获执行结束事件。技术实现上,只需简单配置TOML文件并编写音频播放脚本,就能让系统在任务完成时自动播放提示音。这种声音反馈机制尤其适用于长时间运行的批量任务和模型训练场景,实测可提升30%以上的工作效率。结合动态音效选择和跨平台兼容方案,该技巧还能扩展为桌面通

weixin_26767391的博客 551

To B产品经理,如何转型AI产品经理?

作为一名To B产品经理,本文讲述的内容,就是我对快速转型进入AI领域的方法的理解。学好了这些内容,也许你就可以开始尝试寻找当前行业中,可以应用AI技术的业务场景了,看看能不能为你负责的产品带来商业价值吧。

python12222_的博客 1696

华为OD机试双机位C卷-流浪地球(Py/Java/C/C++/Js/Go)

华为OD机试双机位C卷【流浪地球】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,并提供在线OJ模拟做题。华为OD机试真题【流浪地球】。

qq_45776114的博客 3141
上一篇: 一位美国的PM分享:AI产品经理的10大技能
下一篇: 大模型时代的 AI 产品经理
爱喝白开水a
博客等级 码龄3年 6793粉丝 763原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值