人工智能PM系列文章（三）AI工程化的系统思维框架

　　本文将从三个关键阶段探讨AI工程化的系统思维框架，旨在为读者提供一个可参考的AI工程化思维模式。由于每个人对AI工程化的理解及实施流程可能不同，但希望此框架能为您的实践提供启示。

　　在撰写本文的过程中，我意识到许多AI产品经理在技术应用上存在盲目性，尤其是新手，他们往往陷入深入技术学习的误区。然而，实践才是快速入门的关键，通过解决实际问题来探索AI领域的技术，不仅印象深刻，还能触类旁通。

　　当然，了解一些基本概念如二分类问题、ground truth、熵（entropy）以及dynamic learning的概念等，对于日常工作也是必要的。尽管在中国，AI工程化的概念并未被广泛提及，但通过调研我发现，产品经理更需系统理解和掌握AI工程化的流程和实践能力。

　　与技术人员相比，产品经理需积累工程化经验，形成独特的“打法”，包括看待问题的视角和切入点。例如，在数据稀缺时如何冷启动训练模型；如何通过混合部署和异构计算节省成本；在进行模型校验时如何快速找到评价指标并量化泛化效果等。此外，还需考虑模型在不同业务场景下的移植性，尽管迁移学习存在挑战，但可为企业提升效率、节省开支。

　　技术体系的构建需基于行业需求，而需求则源自对行业的理解和商业模式的价值观导向。某些技术经理倾向于引入国外最新技术框架，却忽略ROI和Vision。产品经理需关注行业趋势，如智能交互机器人涉及自然语言理解、交互语义理解等。产品经理需定义这些核心需求，为技术团队提供方向性的框架设计和技术调研。同时，详细、周全的场景描述有助于技术团队找到最合适的解决方案。

　　例如，在电商平台中，不同人群和行业关注的重心不同。产品经理需提出“千人千面”的需求，即针对不同人群构建不同的排序模型。技术团队将基于此需求优化向量化召回泛化能力、排序特征等。通过多场景的联合优化，最终实现产品设计目标。

　　无论是技术经理还是产品经理，若能从需求本质和行业视角看待问题，都能找到协同解决之道，助力产品成功。需求明确后，算法工程师将发挥才智。但算法能力的发挥需强大的计算能力和底层系统架构支撑，涉及软硬件协同。公司产品总监需对搭建此类架构的成本负责，并理解其数量级和成本。完善的实时计算平台、机器学习平台及深度学习训练平台均需高额投入。产品人员需了解这些流程是工程化实践的关键环节，对人员投入、部署周期及关键节点有深入理解和预判。

　　这些工程化流程随公司业务扩大和算法需求提升而循序渐进。算法需求推动公司系统架构升级，从离线模型到在线模型再到深度学习模型，最终实现在线深度学习过程。产品经理需判断不同时期的产品需求，而非技术越先进越好。通过量化定义和衡量尺度把控，实现联合收益最大化。

　　在工程实践中，常因单一指标提升而判定算法模型成功，却缺乏全局考虑。产品经理需在产品定义阶段、算法测试及校验阶段投入精力进行多维度量化衡量。只有提出多维度衡量标准，才能推动算法团队改良。例如在互联网广告、电商及竞技游戏AI领域，需通过多智能体强化学习实现双向连通并达到效果最优。

　　本文系列围绕AI产品经理的思维模式、知识体系、数据使用、工作流程、算法理解及应用、需求洞察及工程化思维等内容展开旨在描绘AI产品经理的基本素质和“知识图谱”。该系列包含个人主观认知可能不适用于所有人和每家公司更强调理念和思想而非方法。产品经理若沦为执行者将难以进步无论产品总监还是产品经理都需有自己的打法和套路才能在不同商业场景中得心应手。此外所有思想、体系及商业目标的贯彻执行均依赖产品人员和技术人员的充分沟通和战略一致。只有这样算法工程师和架构师才能分别提供算法创新和架构优化最终实现数据驱动创新和算法驱动创新的动态协同。最后希望每位关注人工智能的产品人都能找到自己并不断提升自己。