不同于傳統(tǒng)的產(chǎn)品經(jīng)理，AI時代的產(chǎn)品經(jīng)理更加注重的如何將技術應用在業(yè)務問題上。AI時代，產(chǎn)品經(jīng)理最重要的職責就是提供數(shù)據(jù)規(guī)范，所以這也要求產(chǎn)品經(jīng)理對數(shù)據(jù)有足夠的認識。文章對AI時代產(chǎn)品經(jīng)理需要掌握的新技能進行了總結(jié)，供大家一同學習和參考。

2020年1月25日, 在曼徹斯特產(chǎn)品思維大會上，Salesforce 愛因斯坦系統(tǒng)的產(chǎn)品總監(jiān)馬尤克·博瓦爾做了個分享，探討了在人工智能時代，產(chǎn)品經(jīng)理需要做哪些調(diào)整，以及如何打造成功的人工智能產(chǎn)品。演講主題《人工智能如何改變產(chǎn)品管理的職業(yè)描述 How AI Is Changing The Product Management Job Description by Mayukh Bhaowal》

一、故事

在步入正題之前，我們從一些有趣的故事開始：

1. AI正在瓦解傳統(tǒng)的職業(yè)定義

在幾個月前的馬薩諸塞州劍橋城，聚集了在成百上千的技術愛好者，一名來自斯坦福的教授在白板上寫著東西。他在探討人工智能是如何改變世界，探討傳統(tǒng)的職業(yè)是如何被AI打破和瓦解的。這位教授就是吳恩達，一家名為“Landing AI”的公司的創(chuàng)始人，他也是著名的在線教育公司Coursera的創(chuàng)始人。在他的分享中提到了一段產(chǎn)品經(jīng)理的工作的描寫。

以聊天機器人應用程序為例。在互聯(lián)網(wǎng)時代，如果我們的產(chǎn)品經(jīng)理正在設計一款新的網(wǎng)頁或APP，那畫線框圖是標準流程中必不可少的環(huán)節(jié)。通過圖片，產(chǎn)品經(jīng)理可以告訴工程師這款程序應該是什么樣子，而工程師將根據(jù)方案進行實現(xiàn)。這就是長期以來，硅谷和科技公司的產(chǎn)品經(jīng)理和工程師協(xié)作的方式。

但在人工智能時代，這種舊的工作方式正在被瓦解。

如果你想做一個聊天機器人，那又會怎么樣呢？我一直幫助一家公司打造一款叫做“行為療法”的聊天機器人，通過機器人聊天的方式解決美國人的心理疾病。

如果展示在線框圖上面，應該是這樣：

機器人說:“Hi~”

用戶說：“我不開心”。

機器人：神奇地展示一張的圖片（這張圖片源自于自然語言處理技術）

通常我會說“這完全沒有用”，我不需要知道對話的氣泡的形狀是怎么樣的，我需要知道談話的實質(zhì)是什么，我的聊天機器人如何能夠感知到用戶發(fā)生了什么。

傳統(tǒng)的產(chǎn)品經(jīng)理通過線框圖為聊天機器人提供產(chǎn)品規(guī)格，但對于工程師來說更需要了解內(nèi)在的邏輯。

2. 產(chǎn)品經(jīng)理的再造計劃

在加利福尼亞的舊金山，有一個叫做洞見數(shù)據(jù)科學（Insight Data Science）的組織。

前不久，他們開辦了一個為期七周的集訓項目，幫助來自不同背景的專業(yè)人士轉(zhuǎn)行至軟件工程和數(shù)據(jù)科學領域。我的法國同事利昂·麥奎爾，她擁有神經(jīng)科學博士學位，她加入了他們的數(shù)據(jù)科學項目，并在林肯獲得了一份數(shù)據(jù)科學家的工作。

最近，我從人工智能產(chǎn)品的主管杰里米·卡拉斯科得知，他們正在啟動一個全新的項目。此項目稱為數(shù)據(jù)產(chǎn)品經(jīng)理項目或者AI產(chǎn)品經(jīng)理項目。杰里米認為，對于更傳統(tǒng)的產(chǎn)品經(jīng)理來說，他們需要掌握必要的技能，能專注于數(shù)據(jù)、更懂得如何利用AI來打造產(chǎn)品。

最后，Salesforce 愛因斯坦的產(chǎn)品副總裁馬可·卡薩萊納正與他的團隊合作開發(fā)一門新的課程，這是一個針對的內(nèi)部培訓課程，為人工智能和機器學習帶來的第四次工業(yè)革命做準備。

我問馬可：“這門課的目的和目標是什么？”他說：“我們要讓我們的產(chǎn)品經(jīng)理們獲得一些感知力，讓他們能夠快速地評估用機器學習解決業(yè)務問題的可行性，知道哪些業(yè)務問題適合使機器學習或AI，又有哪些不合適?！?/p>

人工智能時代，產(chǎn)品管理發(fā)生怎么樣的改變？作為產(chǎn)品經(jīng)理，如果要打造一款成功的AI產(chǎn)品，你又需要掌握哪些技能呢？

二、產(chǎn)品經(jīng)理的奧林匹克

工程學作為一門學科已經(jīng)存在了幾千年。它的歷史可以追溯到埃及金字塔工程和軍事引擎。一千多年里，誕生了機械工程、發(fā)明了蒸汽機，工程管理已經(jīng)是一門非常成熟的學科。

相較于工程管理，產(chǎn)品管理要年輕許多，其歷史不到一百年。最早的產(chǎn)品經(jīng)理，實際上做的是品牌管理，他們被稱之為“品牌人”。

在制造業(yè)中，它變成了產(chǎn)品線經(jīng)理。隨著軟件業(yè)的發(fā)展，它又發(fā)生了一些改變，使用著像Scrum這樣的敏捷方法。

這讓我想起了職業(yè)體育?；仡欉^去的50到100年里，電視評論里面總是在回放每一個運動項目突破和變化。我相信，不管你是在運動場上參與，還是在家中舒適地觀看，這已從根本上改變了你參與運動方式和情感的寄托。

電影《點球成金》普及了體育分析方法。另外，有更多的高科技裝備和運動器材出現(xiàn)在每隔四年的奧運會上，每一次都會有新的世界紀錄。我們的確走在“更高、更快、更強”的道路上。最后，越來越多的女性也開始從事職業(yè)運動。華盛頓郵報還特別提到：女性在男性運動中的領導地位。

其實，產(chǎn)品管理就像是一項運動比賽，隨著人工智能和軟件行業(yè)的發(fā)展，它也正在被重新定義。如果你細想一下我講的故事，就會發(fā)現(xiàn)那些針對產(chǎn)品經(jīng)理的新興指標，世界正在改變，AI產(chǎn)品經(jīng)理正在崛起。

三、產(chǎn)品經(jīng)理的新技能

通常，產(chǎn)品經(jīng)理需要跨職能地串聯(lián)起每一個利益相關者，如：銷售、市場以及開發(fā)。但是對于AI產(chǎn)品經(jīng)理，你還需要串聯(lián)起另外兩個重要人，即數(shù)據(jù)科學家和數(shù)據(jù)工程師。

同時，產(chǎn)品經(jīng)理還需要更新技能樹的五個方面：1. 問題映射，2. 數(shù)據(jù)素養(yǎng)，3. 驗收標準，4.可解釋性、倫理和偏移，5.將研究遷移到生產(chǎn)。

1. 問題映射（Problem Mapping）

隨著人工智能的熱潮到來，你可能也會面臨著新的執(zhí)行壓力，需要考慮如何將AI注入到產(chǎn)品之中。但是我們在考慮問題的時候，卻常常忽視了將這些技術方案映射回業(yè)務問題上。

我認為，AI產(chǎn)品經(jīng)理必須能夠清楚地表達產(chǎn)品的價值主張。產(chǎn)品經(jīng)理必須先考慮傳統(tǒng)的方法、評估使用傳統(tǒng)的規(guī)則引擎來解決問題，而不是冒著風險去做。

我們先舉一個如何提升客服效率的例子。

像亞馬遜和優(yōu)步這樣的大公司都有龐大的客服部門。每天都會新增大量的客服案例。例如，顧客可能會抱怨：

“我的訂單在哪里，為什么還沒有收到？”

“收到了錯誤的訂單，我需要更換”

“我需要退款，Uber司機取消了我的訂單，但是費用還沒有退給我！”

……

這個部門的目標就是盡可能快地解決掉這些不斷涌現(xiàn)的客服案例。因此，系統(tǒng)的衡量指標就是如何盡可能地縮短解決客服案例的時間。

作為一名產(chǎn)品經(jīng)理，我會先思考要解決的問題，會考慮傳統(tǒng)的方法、流程、基于規(guī)則的引擎。最好的引擎已持續(xù)使用了一段時間。

這個案例中存在一定的問題，“分類”和“產(chǎn)品”這兩個字段值是空的。

因為這些字段有助于正確地將客服案例指向到正確的部門。從而讓它們可以得到快速解決。如果缺乏這些字段，客服案例很可能會被錯誤的分配到其他部門。導致它們在不同的部門之間來回流轉(zhuǎn)，從而浪費了寶貴的解決時間。

可能，每個產(chǎn)品經(jīng)理會這么想：通過使用一些規(guī)則，根據(jù)客服案例中的其他字段來填寫此字段中的值。但通過進一步分析，我們會發(fā)現(xiàn)這樣的規(guī)則是很繁瑣的。它不會隨著時間的推移而擴展，它將變得難以管理。坦率地說，有時候一個嚴格的規(guī)則并不能真正抓住價值。

但倘若你有一段自由格式的文本并缺少關鍵字段和描述，您無法找出將其映射到“產(chǎn)品”和“類別”的規(guī)則。此時，你就可以使用人工智能了。實際上，這可以建模為一個多分類問題。這些字段中的每個值都對應多個分類。您可以通過肉眼從歷史的客服案例中學習和獲得相應的感知，例如通過查看標題和描述來確定預測值應該是什么。

在我們的“愛因斯坦”系統(tǒng)中，我們可以看到這些字段的預測值。每個預測值都有相應的置信等級。人們可以通過肉眼使用傳統(tǒng)的方法進行評估，而不是冒著風險使用AI去解決問題。請記住，我們每時每刻都應該將解決方案映射回業(yè)務問題上——即縮短客服案例的解決時間。

2. 數(shù)據(jù)是新的用戶界面 （Data is the New UI）

在AI時代，產(chǎn)品經(jīng)理的職責是什么呢？我認為，產(chǎn)品經(jīng)理最重要的職責之一就是提供數(shù)據(jù)規(guī)范。眾所周知，數(shù)據(jù)是任何機器學習算法的基礎。

我們首先要問的是：我們有足夠的數(shù)據(jù)嗎？如果沒有，那么也就沒有訓練機器學習模型的數(shù)據(jù)集，也就無法從數(shù)據(jù)集中的預測信號中進行學習。

第二個要問的是：在現(xiàn)實世界中，你的數(shù)據(jù)有多干凈或有多少噪聲？但據(jù)我們所見，你的大部分數(shù)據(jù)都是非?；靵y和充滿噪聲的。它可能存在于第三方系統(tǒng)中。當你開始給機器學習之前，你可能還需要連不同來源的數(shù)據(jù)，再導入到數(shù)據(jù)倉庫之中。

第三個要問的是：歷史數(shù)據(jù)中是否存有用來給機器做監(jiān)督訓練的樣例？也就是所謂的監(jiān)督分類問題。如果沒有樣例來訓練機器學習模型，數(shù)據(jù)科學家還得想其他的辦法。

以一種通用的圖像識別的AI產(chǎn)品為例：

一般的目的數(shù)據(jù)集，在互聯(lián)網(wǎng)上面可能都能找得到。如果你用這個來分類貓和狗，它會表現(xiàn)會令你大吃一驚，大概100%的準確率。但是如果你用同樣的產(chǎn)品從醫(yī)學診斷中檢測腫瘤，它的表現(xiàn)很差，因為它從來沒有真正看到過數(shù)據(jù)，也從來沒有真正地訓練過。實際上，通常情況下你可能甚至沒有標注好的數(shù)據(jù)來滿足機器學習的訓練需求。

必須強調(diào)的是，數(shù)據(jù)是一個全新的維度，這在傳統(tǒng)的產(chǎn)品文檔中是完全沒有的。正如一些人對智能產(chǎn)品說的那樣：數(shù)據(jù)是新的用戶界面，數(shù)據(jù)是新的用戶體驗。

3. AI世界的驗收標準（Acceptance Criteria in the world of AI）

在產(chǎn)品應用于現(xiàn)實世界之前，它的驗收標準是什么？在傳統(tǒng)的產(chǎn)品管理中，這可能是功能的完整性、打開頁面的數(shù)量、合適的完成提示等等。對于智能產(chǎn)品來說，您還需要考慮數(shù)據(jù)科學的指標，例如準確率、精確率、召回率。

這里舉一個欺詐分類的例子，我們試圖將欺詐交易從正?；蛄夹越灰字蟹诸惓鰜?。

這是一個理想分類器的例子，它能將每一筆欺詐性交易都歸為欺詐，良性的交易依然還是良性。數(shù)據(jù)科學家會做出反應 并說這是完美的精確和完美召回率，但這只是一個永遠無法實現(xiàn)的夢想分類器。

在現(xiàn)實世界中，它可能會滑向兩個方向：要么會漏掉一些欺詐行為，但它仍然有完美精確率（如下左圖）；要么在識別出欺詐行為同時也將一些良性行為誤判為欺詐行為，也就是引入了假陽性（如下右圖）。

作為產(chǎn)品經(jīng)理有責任根據(jù)服務所在的領域來明確清楚正確的用例度量指標，以便數(shù)據(jù)科學家能夠采取相應的舉措。在這個例子里面，產(chǎn)品經(jīng)理不需要擁有航天科學家一般的智慧，但需要知道欺詐交易是有害的，其代價遠遠大于在實際中引入的假陽性。

不過這還不夠，一旦你找到了正確的度量指標，你還需要弄清楚閾值是多少，什么時候需要達到你認為的合理數(shù)值，精確率是否要達到80%或90%。當你思考這個數(shù)值是多少的時候，你必須再次考慮業(yè)務指標再回溯到數(shù)據(jù)科學的指標上。

再舉一個銷售領域潛在客戶評分的例子。

我們正試圖預測潛在客戶銷售成功的可能性。例如，格雷格·湯姆森先生得分是88。這意味著他有88%的可能性轉(zhuǎn)化為銷售訂單。但比較棘手地方在于它是一個轉(zhuǎn)化率，我們還需要考慮整體的轉(zhuǎn)化漏斗。

這里有兩個重要的指標：一個是由產(chǎn)品經(jīng)理根據(jù)業(yè)務需求所決定的業(yè)務指標；另一個是針對當前的案例，與數(shù)據(jù)科學家和數(shù)據(jù)工程師合作得出的數(shù)據(jù)科學指標。而后者能幫助你在商業(yè)中樹立競爭壁壘。

因此，當你準備向?qū)嶋H用戶推出AI產(chǎn)品時候，你可以先明確這些額外的驗收標準。

4. 可解釋性、倫理和偏見（Explainability, Ethics & Bias）

如今，我們的許多客戶正在體驗我們的這套預測應用。其中最常的問題是：“為什么機器學習模型沒有做出它所做的決定呢？”

事實上，人工智能軟件根本不同于傳統(tǒng)軟件。因為它的結(jié)果并不是基于一組寫好的代碼產(chǎn)生的。隨著時間的推移，隨著數(shù)據(jù)和反饋循環(huán)加深，該軟件的會越來越像一個黑盒。但我們還需要考慮可解釋性，因為這將有助于建立用戶對產(chǎn)品的信任。

這里有一張圖，能夠幫助我們評估可解釋性和精確性：

從圖中可以看出，我們需要為機器學習的可解釋性和精確性做極大地權衡。相對簡單的模型，如線性回歸或決策樹，準確性較差但可解釋性較好；而神經(jīng)網(wǎng)絡、深度學習的準確性極高，但卻更像個黑盒。產(chǎn)品經(jīng)理需要根據(jù)特定的應用場景和用例來做出決策。

如果你的產(chǎn)品面向于一個高度監(jiān)管的行業(yè)，法律要求這些預測是可解釋的。比如，醫(yī)療健康和法律領域需要符合歐盟的《通用數(shù)據(jù)保護條例》?？山忉屝院途_率之間應該如何平衡？

作為產(chǎn)品經(jīng)理需要相應的保持洞察力，并在第一時間與數(shù)據(jù)科學家和數(shù)據(jù)工程師保持同步。

另外，產(chǎn)品經(jīng)理也需要想想這個產(chǎn)品是否有性別和倫理方面的影響：如數(shù)據(jù)需要具有足夠的多樣性、典型性，或者不能產(chǎn)生如種族歧視和性別的偏見問題。

我最喜歡舉的一個例子這是谷歌翻譯，左邊是無性別區(qū)分的土耳其語，右邊是對應的英文翻譯。如果你順著往下念很快就能發(fā)現(xiàn)這個偏見：他（男性）很努力地工作，她（女性）很懶?？梢姙碾y性的性別偏見已經(jīng)滲透到這個產(chǎn)品中。

或許你會想到一個功能來去剔除掉性別。但事情沒有那么簡單，性別是醫(yī)學診斷的一個極其重要的特征和信號。例如，前列腺癌只發(fā)生在男性身上。

可能在翻譯產(chǎn)品中關系不大，但在人力資源招聘系統(tǒng)中匹配求職者的職位描述關系非常大。我們似乎應該要提供一些關于如何處理偏見引導。

去年12月，谷歌發(fā)布了一個版本，解決了翻譯中存在偏見，每一個中性的短語，它都會給出男性化和女性化的翻譯。

5. 將研究投入生產(chǎn)（Scaling from Research to Production）

最具有挑戰(zhàn)性的問題是，機器學習項目所需要的成功要素，研究環(huán)境和實際投產(chǎn)環(huán)境完全不同。下圖源自一本非常有名的出版物，叫做《機器學習的隱性債務》：

真實世界的機器學習系統(tǒng)只有一小段機器學習代碼，如中間的小黑盒所示。但其所需的周邊基礎設施龐大而復雜。這與大家普遍認知相反，您可能會認為機器學習是你的人工智能產(chǎn)品的最大和最主要組件，但在現(xiàn)實世界中它只是一小塊。

在我們的Salesforce的愛因斯坦系統(tǒng)，也有一張非常相似的圖。

數(shù)據(jù)科學家和數(shù)據(jù)工程師實際上正在設計這樣的一款產(chǎn)品，它需要能夠回答各式各樣的問題才能真正被帶到生產(chǎn)環(huán)境中去。

“是否確認你的數(shù)據(jù)是本地還是在云端？”

“是否確認你的機器學習模型是在服務器上，或者不需要分發(fā)到移動設備？”

“你是否準備重新訓練你的機器學習模型，因為什么動機呢？”

“你是否確認產(chǎn)品需要實時預測？因為實時預測是非常有用的，但這又是非常復雜和難以設計的，又或許您可以使用一個離線批處理系統(tǒng)”……

每一天都會有成千上萬的研究成果發(fā)表，但卻少有應用到實際的規(guī)模生產(chǎn)。所以作為AI產(chǎn)品經(jīng)理，我們必須建立起敏銳的洞察力：判斷哪些產(chǎn)品值得投入，判斷哪一種產(chǎn)品能夠為實際的用戶真正地生產(chǎn)。

雖然最近AI很火，但它在20年前就已經(jīng)存在了。過去主要應用在搜索和廣告領域，你在谷歌時看到的搜索建議、你在雅虎上看到的推薦廣告、你在亞馬遜上搜索時的自動更正……如果你在搜索和廣告領域工作那必須提供明確說明，并且與數(shù)據(jù)工程師緊密的合作。

如今人工智能的應用領域呈指數(shù)級增長， 同時也需要產(chǎn)品經(jīng)理提供大量明確的產(chǎn)品規(guī)范說明。不管你的數(shù)據(jù)科學家們是多么的喜歡你們的小花園，或者你的營銷演示多么有創(chuàng)意和多么酷?！癆I產(chǎn)品鴻溝”很可能會成為你的AI產(chǎn)品普及的障礙。

作為一個孤島，越來越多的AI產(chǎn)品需要管理。作為一名產(chǎn)品經(jīng)理你需要提升技能樹。在你的工程項目中，能夠?qū)嶋H地為數(shù)據(jù)科學家提供有價值的規(guī)范說明。

最后，請你回答一個問題：

當你面對一個真實的具體的客戶痛點，你是否有能力打造一款有用的產(chǎn)品，而不是僅僅地做一個很酷的功能？

#相關閱讀#

《AI時代下的產(chǎn)品思維（一）：AI不是神》

#專欄作家#

PM熊叔，微信公眾號：PM熊叔，人人都是產(chǎn)品經(jīng)理專欄作家。教育類產(chǎn)品產(chǎn)品經(jīng)理出身，學過設計，做過開發(fā)，做過運營的產(chǎn)品經(jīng)理。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unsplash，基于 CC0 協(xié)議