24 views

不同於傳統的產品經理,AI時代的產品經理更加註重的如何將技術應用在業務問題上。AI時代,產品經理最重要的職責就是提供數據規範,所以這也要求產品經理對數據有足夠的認識。文章對AI時代產品經理需要掌握的新技能進行了總結,供大家一同學習和參考。

2020年1月25日, 在曼徹斯特產品思維大會上,Salesforce 愛因斯坦系統的產品總監馬尤克·博瓦爾做了個分享,探討了在人工智慧時代,產品經理需要做哪些調整,以及如何打造成功的人工智慧產品。演講主題《人工智慧如何改變產品管理的職業描述 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正在瓦解傳統的職業定義

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。他在探討人工智慧是如何改變世界,探討傳統的職業是如何被AI打破和瓦解的。這位教授就是吳恩達,一家名為「Landing AI」的公司的創始人,他也是著名的在線教育公司Coursera的創始人。在他的分享中提到了一段產品經理的工作的描寫。

以聊天機器人應用程序為例。在互聯網時代,如果我們的產品經理正在設計一款新的網頁或APP,那畫線框圖是標準流程中必不可少的環節。通過圖片,產品經理可以告訴工程師這款程序應該是什麼樣子,而工程師將根據方案進行實現。這就是長期以來,矽谷和科技公司的產品經理和工程師協作的方式。

但在人工智慧時代,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,那又會怎麼樣呢?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(這張圖片源自於自然語言處理技術)

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麼樣的,我需要知道談話的實質是什麼,我的聊天機器人如何能夠感知到用戶發生了什麼。

傳統的產品經理通過線框圖為聊天機器人提供產品規格,但對於工程師來說更需要了解內在的邏輯。

2. 產品經理的再造計劃

在加利福尼亞的舊金山,有一個叫做洞見數據科學(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人士轉行至軟體工程和數據科學領域。我的法國同事利昂·麥奎爾,她擁有神經科學博士學位,她加入了他們的數據科學項目,並在林肯獲得了一份數據科學家的工作。

最近,我從人工智慧產品的主管傑里米·卡拉斯科得知,他們正在啟動一個全新的項目。此項目稱為數據產品經理項目或者AI產品經理項目。傑里米認為,對於更傳統的產品經理來說,他們需要掌握必要的技能,能專註於數據、更懂得如何利用AI來打造產品。

最後,Salesforce 愛因斯坦的產品副總裁馬可·卡薩萊納正與他的團隊合作開發一門新的課程,這是一個針對的內部培訓課程,為人工智慧和機器學習帶來的第四次工業革命做準備。

我問馬可:「這門課的目的和目標是什麼?」他說:「我們要讓我們的產品經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務問題的可行性,知道哪些業務問題適合使機器學習或AI,又有哪些不合適。」

人工智慧時代,產品管理髮生怎麼樣的改變?作為產品經理,如果要打造一款成功的AI產品,你又需要掌握哪些技能呢?

二、產品經理的奧林匹克

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

相較於工程管理,產品管理要年輕許多,其歷史不到一百年。最早的產品經理,實際上做的是品牌管理,他們被稱之為「品牌人」。

在製造業中,它變成了產品線經理。隨著軟體業的發展,它又發生了一些改變,使用著像Scrum這樣的敏捷方法。

這讓我想起了職業體育。回顧過去的50到100年裡,電視評論裡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託。

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。最後,越來越多的女性也開始從事職業運動。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,產品管理就像是一項運動比賽,隨著人工智慧和軟體行業的發展,它也正在被重新定義。如果你細想一下我講的故事,就會發現那些針對產品經理的新興指標,世界正在改變,AI產品經理正在崛起。

三、產品經理的新技能

通常,產品經理需要跨職能地串聯起每一個利益相關者,如:銷售、市場以及開發。但是對於AI產品經理,你還需要串聯起另外兩個重要人,即數據科學家和數據工程師。

同時,產品經理還需要更新技能樹的五個方面:1. 問題映射,2. 數據素養,3. 驗收標準,4.可解釋性、倫理和偏移,5.將研究遷移到生產。

1. 問題映射(Problem Mapping)

隨著人工智慧的熱潮到來,你可能也會面臨著新的執行壓力,需要考慮如何將AI注入到產品之中。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務問題上

我認為,AI產品經理必須能夠清楚地表達產品的價值主張。產品經理必須先考慮傳統的方法、評估使用傳統的規則引擎來解決問題,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:

「我的訂單在哪裡,為什麼還沒有收到?」

「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儘可能快地解決掉這些不斷湧現的客服案例。因此,系統的衡量指標就是如何儘可能地縮短解決客服案例的時間。

作為一名產品經理,我會先思考要解決的問題,會考慮傳統的方法、流程、基於規則的引擎。最好的引擎已持續使用了一段時間。

這個案例中存在一定的問題,「分類」和「產品」這兩個欄位值是空的。

因為這些欄位有助於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。如果缺乏這些欄位,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迴流轉,從而浪費了寶貴的解決時間。

可能,每個產品經理會這麼想:通過使用一些規則,根據客服案例中的其他欄位來填寫此欄位中的值。但通過進一步分析,我們會發現這樣的規則是很繁瑣的。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則並不能真正抓住價值。

但倘若你有一段自由格式的文本並缺少關鍵欄位和描述,您無法找出將其映射到「產品」和「類別」的規則。此時,你就可以使用人工智慧了。實際上,這可以建模為一個多分類問題。這些欄位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麼。

在我們的「愛因斯坦」系統中,我們可以看到這些欄位的預測值。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務問題上——即縮短客服案例的解決時間。

2. 數據是新的用戶界面 (Data is the New UI)

在AI時代,產品經理的職責是什麼呢?我認為,產品經理最重要的職責之一就是提供數據規範。眾所周知,數據是任何機器學習演算法的基礎。

我們首先要問的是:我們有足夠的數據嗎?如果沒有,那麼也就沒有訓練機器學習模型的數據集,也就無法從數據集中的預測信號中進行學習。

第二個要問的是:在現實世界中,你的數據有多乾淨或有多少雜訊?但據我們所見,你的大部分數據都是非常混亂和充滿雜訊的。它可能存在於第三方系統中。當你開始給機器學習之前,你可能還需要連不同來源的數據,再導入到數據倉庫之中。

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

以一種通用的圖像識別的AI產品為例:

一般的目的數據集,在互聯網上面可能都能找得到。如果你用這個來分類貓和狗,它會表現會令你大吃一驚,大概100%的準確率。但是如果你用同樣的產品從醫學診斷中檢測腫瘤,它的表現很差,因為它從來沒有真正看到過數據,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註好的數據來滿足機器學習的訓練需求。

必須強調的是,數據是一個全新的維度,這在傳統的產品文檔中是完全沒有的。正如一些人對智能產品說的那樣:數據是新的用戶界面,數據是新的用戶體驗。

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

在產品應用於現實世界之前,它的驗收標準是什麼?在傳統的產品管理中,這可能是功能的完整性、打開頁面的數量、合適的完成提示等等。對於智能產品來說,您還需要考慮數據科學的指標,例如準確率、精確率、召回率。

這裡舉一個欺詐分類的例子,我們試圖將欺詐交易從正常或良性交易中分類出來。

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。數據科學家會做出反應 並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的夢想分類器。

在現實世界中,它可能會滑向兩個方向:要麼會漏掉一些欺詐行為,但它仍然有完美精確率(如下左圖);要麼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)。

作為產品經理有責任根據服務所在的領域來明確清楚正確的用例度量指標,以便數據科學家能夠採取相應的舉措。在這個例子裡面,產品經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,其代價遠遠大於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,什麼時候需要達到你認為的合理數值,精確率是否要達到80%或90%。當你思考這個數值是多少的時候,你必須再次考慮業務指標再回溯到數據科學的指標上。

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%的可能性轉化為銷售訂單。但比較棘手地方在於它是一個轉化率,我們還需要考慮整體的轉化漏斗。

這裡有兩個重要的指標:一個是由產品經理根據業務需求所決定的業務指標;另一個是針對當前的案例,與數據科學家和數據工程師合作得出的數據科學指標。而後者能幫助你在商業中樹立競爭壁壘。

因此,當你準備向實際用戶推出AI產品時候,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:「為什麼機器學習模型沒有做出它所做的決定呢?」

事實上,人工智慧軟體根本不同於傳統軟體。因為它的結果並不是基於一組寫好的代碼產生的。隨著時間的推移,隨著數據和反饋循環加深,該軟體的會越來越像一個黑盒。但我們還需要考慮可解釋性,因為這將有助於建立用戶對產品的信任。

這裡有一張圖,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;而神經網路、深度學習的準確性極高,但卻更像個黑盒。產品經理需要根據特定的應用場景和用例來做出決策。

如果你的產品面向於一個高度監管的行業,法律要求這些預測是可解釋的。比如,醫療健康和法律領域需要符合歐盟的《通用數據保護條例》。可解釋性和精確率之間應該如何平衡?

作為產品經理需要相應的保持洞察力,並在第一時間與數據科學家和數據工程師保持同步。

另外,產品經理也需要想想這個產品是否有性別和倫理方面的影響:如數據需要具有足夠的多樣性、典型性,或者不能產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現這個偏見:他(男性)很努力地工作,她(女性)很懶。可見災難性的性別偏見已經滲透到這個產品中。

或許你會想到一個功能來去剔除掉性別。但事情沒有那麼簡單,性別是醫學診斷的一個極其重要的特徵和信號。例如,前列腺癌只發生在男性身上。

可能在翻譯產品中關係不大,但在人力資源招聘系統中匹配求職者的職位描述關係非常大。我們似乎應該要提供一些關於如何處理偏見引導。

去年12月,谷歌發布了一個版本,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(Scaling from Research to Production)

最具有挑戰性的問題是,機器學習項目所需要的成功要素,研究環境和實際投產環境完全不同。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複雜。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慧產品的最大和最主要組件,但在現實世界中它只是一小塊。

在我們的Salesforce的愛因斯坦系統,也有一張非常相似的圖。

數據科學家和數據工程師實際上正在設計這樣的一款產品,它需要能夠回答各式各樣的問題才能真正被帶到生產環境中去。

「是否確認你的數據是本地還是在雲端?」

「是否確認你的機器學習模型是在伺服器上,或者不需要分發到移動設備?」

「你是否準備重新訓練你的機器學習模型,因為什麼動機呢?」

「你是否確認產品需要實時預測?因為實時預測是非常有用的,但這又是非常複雜和難以設計的,又或許您可以使用一個離線批處理系統」……

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

雖然最近AI很火,但它在20年前就已經存在了。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,並且與數據工程師緊密的合作。

如今人工智慧的應用領域呈指數級增長, 同時也需要產品經理提供大量明確的產品規範說明。不管你的數據科學家們是多麼的喜歡你們的小花園,或者你的營銷演示多麼有創意和多麼酷。「AI產品鴻溝」很可能會成為你的AI產品普及的障礙。

作為一個孤島,越來越多的AI產品需要管理。作為一名產品經理你需要提升技能樹。在你的工程項目中,能夠實際地為數據科學家提供有價值的規範說明。

最後,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,人人都是產品經理專欄作家。教育類產品產品經理出身,學過設計,做過開發,做過運營的產品經理。

本文原創發佈於人人都是產品經理。未經許可,禁止轉載

題圖來自 Unsplash,基於 CC0 協議

Go Top