AI时代，产品经理如何成功应用人工智能？

2019年3月开始，我们在打造一款名为GET智能写作的产品，由于缺乏经验，做了一些看似很酷但无法解决问题的功能。回顾这些错误，问题的本质在于未能将场景中的问题与AI能力相匹配。

如今，我已经“淡忘”了AI的概念，因为我知道真正的用户价值源自于解决场景中的具体问题，而不是单纯地去打造炫酷体验感。记得有一次投资人问我：“你觉得AI有什么不能做的？”我很坚定的回答：“AI最不能做的就是代替人类”。

今天翻译的这篇文章也是与我的观点不谋而合，作者建议我们不要被“AI”这个技术概念给迷惑了，AI只是解决问题的战术，并不是企业的愿景和战略。

另外，他还给我们提供了一个很有用的决策框架——“场景-决策矩阵”，用于评估AI是否适用。当你准备在产品中使用某一种AI或者数据技术的时候，不妨看看此文。

随着人工智能（AI）和机器学习的概念炒作，各种名词术语也映入了我们的眼帘，以至于这种强大的技术变得更难以理解。

下面，我列举了一些对我个人来说很有用的技巧，我也希望这篇文章能帮助各位产品经理减少噪声，懂得如何更好地将人工智能融入日常工作。

机器学习在车辆识别中的应用 (Image: Shutterstock)

一、宽泛的定义有助于更好地解决问题

首先，让我们忘掉到底什么是人工智能。根据我从事数据驱动型产品的经验，我发现，如果能对人工智能有个更宽泛的定义，将有助于我聚焦在要解决的问题上，而不是专注于解决方案中使用的某种技术。

作为产品经理，我们必须深入的理解我们的问题空间，以便我们能够正确地定义需求，让我们的团队去解决正确的问题。但在我们正确地定义问题之前，我们往往会过早地考虑“如何去做”，我们会不自觉地偏向于特定的解决方案。

为了避免这种情况，我更喜欢将AI定义为“自动化决策”。

我们做的大多数产品都需要基于数据来“决策”，但“决策”方式可以是多样的。它可以由机器或人类做出，数据可以是静态的或动态的。

当我们的注意力聚焦到“决策”这个词的时候，我们可以通过抽象的方式避免具体方法带来的复杂性，以及行业术语带来的噪声。这个更宽泛的定义能避免我们陷入过早考虑解决方案的困扰，让产品经理能够更加关注问题空间。

二、AI是一种用来解决问题的战术

产品经理在行动之前，需要有三个不可或缺的基石：

1. 愿景：我们的最终目标；
2. 战略：做正确的事情来实现我们的愿景；
3. 战术：正确执行我们的战略；

不管在产品生命周期的哪个阶段，产品经理都需要去做好这三个要点。我们必须让我们的团队与我们正在努力实现的愿景保持一致，同时也要确保每个人都能理解我们的战略，以及将具有可行性的战术融入整体计划中。

我们需要注意的是，人工智能是一种可以用来解决特定问题的战术，而不是一种战略或愿景。倘若我们缺乏最终目标，就算用了人工智能也不会给终端用户带来任何价值。

举一个具体的在线视频公司“网飞”的例子。网飞是最早地大规模有效地应用人工智能的公司之一：

• 网飞的愿景：成为全球最好的娱乐发行服务商；
• 网飞的战略：通过独具吸引力的个性化体验来提升会员留存；
• 网飞的战术：评分系统、推荐、个性英雄镜头、使用情况跟踪等。

如你所见，在个性化体验的战略之下，有许多不同的战术来帮助网飞达成提升留存率的目标。数据和AI的使用因战术的不同而不同，而愿景和战略的描述并不要指明使用哪种技术或算法。

三、AI赋能人类而不是取代人类

当前，自动化相关的话题，引发了人们一些对未来工作的伦理问题的有趣讨论，随之而来的是，人们对AI如何赋能人类也产生了一些迷茫。

一个常见例子是自动驾驶汽车：在汽车行业内，汽车的自动化分为五个等级。大部分的话题都集中在完全自动驾驶（5级）实现以后，世界会发生怎样的改变。

产品经理必须认识到，AI能力的发展是需要阶段和时间的，并不是一蹴而就的。机器擅长的与人类不同，因此某些决策会更容易自动化。

高性能的AI能力首先需要一个庞大的训练数据集。这个训练数据集不仅要大量，还需要有良好的数据结构，并易于机器读取。理想情况下，这个数据集还应定义清楚什么是成功与失败，因为过去的结果是对未来的预测。

下面是我在考虑如何应用“自动化决策”时，经常使用的一个框架：

沿Y轴，常规性场景（Routine Scenario）发生的频率很高，并且其延展的可变性也很低，而细腻性场景（Nuanced Scenario）发生的频率很低，并且可能包含难以复制的细节。

沿X轴，信息性决策（Informational Decision）为终端用户提供附加的上下文信息，而行动性决策（Action-oriented Decision）代替终端用户执行动作。常规的场景往往会生成更可靠的训练数据集，因此机器更容易学习；信息性决策往往比面向行动的决策风险更低。