AI產(chǎn)品經(jīng)理自然要了解目前AI領域的基本技術，本文介紹了NLP領域AI產(chǎn)品經(jīng)理必備的常識及術語。與大家分享！

產(chǎn)品經(jīng)理要了解基本的技術，那AI產(chǎn)品經(jīng)理自然要了解目前AI領域的基本技術。

當然我們不一定要掌握那些技術但至少要了解基本的常識和專業(yè)術語，便于更好的利用AI技術創(chuàng)造或優(yōu)化產(chǎn)品；同時可以與技術算法人員更輕松的溝通并擁有一定的話語權。

由于目前丸子妹在從事NLP領域相關產(chǎn)品實踐，因此總結(jié)了目前階段接觸到的AI相關的技術以及日常接觸到的專業(yè)術語。希望給正在準備入行或者剛剛?cè)胄胁痪玫耐稽c點幫助，如有疑問和建議歡迎各位及時指正和交流。

NLP領域目前主要有幾個大的任務類別：語音識別和生成、文本分類、信息提取、實體識別、對話系統(tǒng)、機器翻譯、情感分析、知識圖譜等。而每一個大類都有比較經(jīng)典常用的技術和算法模型，了解了這些常識就可以在有新的任務時做好足夠的項目預判及評估。

但由于算法的不斷優(yōu)化創(chuàng)新，新的算法層出不窮。因此需要更加及時的關注領域頂會論文動態(tài)及新模型的優(yōu)劣，不必一味追求最新的算法；而是通過對比分析選擇更合適在自己的產(chǎn)品業(yè)務中落地的算法。

一、常見任務及當下經(jīng)典算法

• 文本分類/意圖識別：CNN / Bert / LSTM+Attention
• 實體識別：LSTM+CRF
• 中文分詞：N-Gram / CRF / HMM
• 文本相似度：TF-IDF / BM25+Bert
• 文本摘要：Bert+Textrank
• 問答系統(tǒng)/機器翻譯：Transformer+Bert / Seq2seq+Attention
• 情感分析：Word2vec+LSTM / CNN

二、常見知識點、術語

• 人工智能領域兩類算法：基于統(tǒng)計的機器學習算法(Machine Learning) / 深度學習算法(Deep Learning)
• 人工智能三要素：算法、算力、數(shù)據(jù)
• 常用的框架：pytorch / sklearn / tensorflow /PaddlePaddle
• 數(shù)據(jù)標注：為模型訓練提供學習語料的數(shù)據(jù)處理，一般為人工+系統(tǒng)相結(jié)合
• 預訓練模型：用某個較大的數(shù)據(jù)集訓練好的模型(給出了可使用的初始化參數(shù))，你可以利用它使用自有數(shù)據(jù)集進行訓練并得到合適的模型參數(shù)
• 詞向量：即將文字數(shù)字化，利用數(shù)學領域的向量表示單詞/短語
• 語料：語言材料，提供給算法模型進行學習的基本知識
• 批處理大?。杭从柧毜?batch_size
• 訓練數(shù)據(jù)的訓練次數(shù)：訓練 epoch 數(shù)
• 學習率：即 learning_rate

三、詞向量維度：網(wǎng)絡中詞向量的維度

• 各層網(wǎng)絡卷積核大?。杭?kernel_size
• 窗口大?。簊kip-gram 算法中的 window_size 參數(shù)
• 過擬合：在模型訓練過程中效果較好但在測試樣本中準確率較差，表現(xiàn)為模型過分依賴于訓練語料，反之可以理解“欠擬合”
• 模型蒸餾：算法能夠用小型的網(wǎng)絡從微調(diào)過的文本分類模型中學習信息
• 蒸餾訓練次數(shù)：蒸餾過程遍歷蒸餾數(shù)據(jù)的次數(shù)
• 評估標準：準確率、召回率、F1、AUC、ROC、損失函數(shù)
• 監(jiān)督學習：通過已有的訓練語料完成模型訓練，從而在測試樣本驗證模型已經(jīng)學習到的能力
• 強化學習：將一個已經(jīng)訓練好的模型作為另一個任務的基礎模型，降低成本

好了，以上就是丸子妹根據(jù)實際工作總結(jié)的AI產(chǎn)品經(jīng)理必備的與技術相關的常識和術語，歡迎評論區(qū)補充～

本文由 @丸子筆記 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Pixabay，基于CCO協(xié)議。