如果您已經是軟件產品經理(PM),那么您將成為人工智能(AI)或機器學習(ML)的PM的先行者。您已經了解了游戲及其玩法:您是協調員,將開發人員,設計師和執行人員之間的一切聯系在一起。您負責設計,產品與市場的契合度,并最終負責將產品推向市場。但是,在管理AI項目方面存在許多新挑戰:更多未知數,不確定性結果,新基礎架構,新流程和新工具。有很多東西要學習,但是值得在產品空間中創造AI的獨特價值。

無論您管理面向客戶的AI產品還是內部AI工具,都需要確保您的項目與業務保持同步。這意味著您構建的AI產品與您現有的業務計劃和戰略保持一致(或者您的產品正在推動這些計劃和戰略的改變),它們正在為企業帶來價值,并且能夠按時交付。用于AI的PM必須完成傳統PM要做的所有事情,但他們還需要對機器學習軟件開發有操作上的了解,并要對其功能和局限性有一個現實的認識。
AI產品是自動化系統,可以收集數據并從中學習以做出面向用戶的決策。實用地說,機器學習是AI“起作用”的一部分:您現在可以在實際產品中實現的算法和技術。在這里,我們將不涉及現代機器學習的數學或工程學。您現在需要知道的是,機器學習使用統計技術來使計算機系統能夠通過接受現有數據的訓練來“學習”。訓練后,系統可以根據以前從未見過的數據做出預測(或提供其他結果)。
AI系統在很多方面與傳統軟件有所不同,但是最大的不同是機器學習將工程學從確定性過程轉變為概率性過程。機器學習工程師沒有使用總是以可預測的方式運行的硬編碼算法和規則來編寫代碼,而是收集了大量輸入和輸出對的示例,并將它們用作模型的訓練數據。
例如,如果工程師正在訓練神經網絡,則此數據會教網絡近似一個功能,該功能的行為與其通過的對相似。在最佳情況下,經過訓練的神經網絡可以準確地表示潛在的潛在現象,并且即使提供了模型在訓練過程中未看到的新輸入數據,也可以產生正確的輸出。對于消費互聯網公司中使用的機器學習系統,通常每天使用數十億個全新的輸入-輸出對對模型進行連續多次重新訓練。