人工智能(AI)是指能够根据数学和逻辑原理解析和执行复杂任务的任何系统. 如果你在Netflix上看电影或者用Waze打发时间, 你已经体验过一些最复杂的人工智能技术. 你甚至可能发现这篇文章使用了谷歌的人工智能SEO算法.

的 计算能力的增长 在过去的十年里，人工智能在各行各业的小企业和初创公司中得到了广泛的应用, 包括卫生保健, 金融, 零售, 旅行, 还有社交媒体. 但创造人工智能产品需要什么，它们是否物有所值?

确保你的公司做出明智的投资, 你需要了解不同类型的人工智能, 它们的用例, 以及他们的资源需求. 在本文中，我将介绍最常见的AI产品陷阱以及它们是如何出现的 人工智能产品经理 能为成功做好准备吗.

了解基础知识:3种机器学习类型

大多数业务应用程序都使用机器学习(ML)，这是人工智能的一个子类型，用于识别业务中的模式 大数据集 并利用这些模式得出结论或做出预测. 机器学习系统也可以从它们的表现中学习，这意味着它们可以在不重新编程的情况下进行改进.

使用ML的产品有很多应用, 从提出建议和预测到寻找模式和创造原创艺术品.

为了制造一台自动机器，产品团队必须为他们的算法提供大量数据. 当算法对数据进行排序时，它识别称为函数的底层模式. 然后机器使用这些学习到的功能来形成 预测模型. 模型是由算法在训练过程中学到的所有东西组成的程序.

训练机器识别模式有三种方法. 可用的数据类型和ML模型的最终用途将决定哪种训练类型最合适.

监督式学习

监督式学习类似于课堂学习——当老师问学生一个问题时, 他们已经知道答案了.

在监督学习中，产品团队用标记数据训练算法. 标记数据是指被赋予某种意义的数据. 验证码安全挑战 有一个常见的数据标签的例子吗. 当你选择所有包含公共汽车或交通灯的图像方块来证明你不是机器人时, 你无意中给b谷歌产品开发人员用来改进地图和训练自动驾驶汽车的数据贴上了标签.

在训练, 学习算法产生推断函数来识别训练数据中的趋势. 您可以将此过程可视化为使用已知输出来求解未知函数的方程. 一旦函数被确定，你就可以用它来解其他方程中的未知变量.

分类和回归是最常见的监督学习类型.

• 分类: 分类问题的输出变量是一个指定的类别, 比如篮子里的“苹果”，里面装着不同种类的水果.
• 回归: 回归问题的输出是一个连续实值, 比如根据过去的销售数据优化产品价格.

无监督学习

如果没有标记数据， 产品团队 必须为学习算法提供未标记的数据吗. 这个过程被称为无监督学习, 生成的函数识别未标记数据中的潜在结构.

最常见的无监督学习形式是聚类和关联:

• 集群: 该算法在未标记和未分类的数据中发现模式. 例如, 该算法可能会识别一组购买苹果并具有相同人口特征的顾客.
• 协会: 该算法通过建立关联规则来创建大型数据库中变量之间的关系. 例如, 该算法可以发现购买苹果的顾客喜欢哪些其他产品.

强化学习

强化学习算法通过将模型置于类似游戏的场景中来提高模型的预测准确性. 的 算法开发 设定游戏规则和任务，使模型获得最大的回报和最小的损失. 该模型从随机决策开始，随着从成功和失误中学习，逐渐形成复杂的策略. 对于需要做出一系列决策或适应不断变化的目标的产品来说，强化学习是一个很好的选择.

例如, 因为程序员无法预测和编写每个流量场景, 自动驾驶创业公司 Wayve 使用强化学习来训练它的人工智能系统. 在训练过程中，只要自动驾驶汽车出现错误，人类驾驶员就会进行干预. 人工智能系统从这些重复的干预中学习，直到能够匹配, 甚至可能超过, 人类司机的能力.

强化学习可以是积极的，也可以是消极的:

• 正强化: 当一种行为产生预期效果时，它的频率或强度就会增加.
• 负强化: 当一种行为产生不必要的影响时，它的频率或强度就会降低.

这个一目了然的指南可以帮助您决定哪种类型的培训对您的产品解决的问题最有意义.

避免陷阱:构建人工智能产品时需要管理的风险

在确保ML训练的资源之前, 为一些最常见的人工智能产品问题做好准备是很重要的. 在任何产品生命周期中，都会出现工艺或设计问题. 然而, 在开发人工智能产品时，这些问题变得更加复杂, 由于它们的巨大和不可预测的性质. 了解最常见的陷阱可以防止这些问题破坏你的产品.

孤立的操作

公司通常会组建一个专门的团队来开发人工智能产品. 这些团队被日常操作任务轰炸，经常失去与组织其他部门的联系. 结果是, 领导者可能会开始认为人工智能产品团队没有创造价值, 这会让产品设计和工作面临风险.

强大的产品管理实践——比如在整个开发过程中展示短期的胜利——确保利益相关者欣赏你的团队的贡献，并加强他们的团队意识 产品的价值 公司的战略愿景.

复利计算错误

人工智能处理大量数据以提供结果. 访问无偏, 为不同情况和环境准备模型的综合数据通常是困难的，而且偏差或隐藏的错误可能随着时间的推移呈指数级增长.

为了防止这种情况, 确保你提供给训练算法和模型的任何数据都尽可能地反映现实世界的情况. 在开发/训练和验证集之间仔细混合数据将为您的模型在实时环境中执行做好准备:

• 开发/培训数据集: 算法用于开发模型的初始数据.
• 验证数据集: 一个更多样化的数据集合用于测量和提高模型的准确性.
• 测试数据集: 反映现实世界条件的数据，以预览和改进模型的性能.

一旦您发布了模型，它将从连续的数据流或定期更新中进行绘制.

不可预知的行为

人工智能系统有时会以意想不到的方式行事. 当微软在2023年2月向测试者发布必应聊天机器人时，这个机器人 威胁用户表达了……的愿望 是人类, 表白它的爱 对于一个 纽约时报 科技记者. 这不是一个新现象:在2016年, 微软推出Tay, 这是一款可以从社交媒体互动中学习的人工智能Twitter聊天机器人. 不到24小时, 敌对的推特用户训练Tay重复种族主义, 性别歧视的, profanity-riddled硫酸盐. 微软解除了机器人的使用 并删除了推文，但公关影响持续了数周.

为了防止类似的灾难，在构建和创建时创建行为故障保护 监控人工智能产品 以确保他们吸收适当和完整的信息. 贵公司的声誉取决于产品与顾客的互动, 所以要准备一个缓解计划，以防出现问题.

磨练你的技能:给有抱负的人工智能产品经理的建议

管理跨学科的人工智能产品团队是具有挑战性和有益的. 团队中的不同角色意味着 人工智能数字产品经理 必须在跨学科的环境中茁壮成长. 人不可能事事精通, 但了解人工智能产品是如何构建的，以及它们能为企业带来什么价值，这一点至关重要.

利用你的基础 产品管理技能 当你在人工智能领域建立自己的职业生涯时，请记住以下三点:

数据是你最好的朋友(也是最大的敌人)

高质量的数据很难获得. 您正在寻找的数据可能是专有的，或者分散在多个不同质量的开放源代码中. 即使你的利益相关者拥有必要的数据, 从多个业务单元中保护它是非常繁重的, 尤其是在 矩阵组织. 您可以毫不费力地获得初始批数据, 但一个典型的模型需要不断注入新数据来改进自身，并融入新的行为.

做好转向的准备

在构建AI解决方案时，你需要执行两种类型的轴:模型轴和 产品轴心. 模型枢轴将是必要的，当模型, 模型的特性, 或者团队选择处理的数据集没有产生有用的输出, 因此，请确保团队中的数据科学家密切关注模型的性能. 产品支点通常是基于特性的调整 客户反馈. 产品枢纽需要持续积压的功能，您必须根据最新输入重新确定优先级. 当你转动时, 相应地更新你的策略，并将这些变化传达给你的利益相关者.

让自己不可或缺

人工智能是一个快速发展的领域，几乎每天都有创新出现. 与…保持同步 工具和趋势 会让你利用最新的功能，并帮助你在产品方法上更加灵活吗. 发展中 主题知识 在商业, 设计, 软件工程, 市场营销, 数据科学和工程将帮助你与你的团队沟通.

您的主题专家将在不断变化的数据源中一起长时间工作, 人员, 以及业务需求. 建设伟大文化 是否对你的产品和事业成功至关重要. 这意味着要培养信任和协作，并使团队成员远离无益的利益相关者反馈.

人工智能是一个强大的工具，可以发展事业和企业, 但人工智能产品对这两种增长都构成了严重挑战. 在本系列的第2部分中, 我将讨论如何评估人工智能是否值得付出努力，以及如何 制定策略 然后组建一个团队来执行.

想要深入的产品管理指导? 玛雅的书, 创造伟大产品的艺术, 为希望将想法转化为产品并扩大业务规模的数字产品经理和企业家提供一步一步的指导.