这是关于人工智能数字产品管理的三部分系列文章的第3部分. 在前两部分中，我介绍了 机器学习的基础知识 并概述了如何创建一个 人工智能产品策略. 在本文中，我将讨论如何将这些经验应用于构建AI产品.

构建人工智能产品是一个复杂的迭代过程，涉及多个学科和利益相关者. 实现框架确保您的 人工智能产品 以最小的成本和努力提供最大的价值. 我在本文中描述的这两种方法结合在一起 敏捷 和 精益创业 产品管理原则构建以客户为中心的产品，并统一跨不同领域的团队.

本文的每个部分都对应于这个框架的一个阶段，从发现开始.

人工智能产品发现

In 第2部分 在本系列文章中，我描述了如何规划产品策略和产品质量 人工智能策略 这支持了它. 在战略阶段, 我们使用发现作为识别客户的初步步骤, 问题, 和潜在的解决方案，而不用担心人工智能技术的需求. 然而, discovery is more than a one-time research push at the start of a project; it is an ongoing m和ate to seek 和 evaluate new evidence to ensure that the product is moving in a useful 和 profitable direction.

在实施阶段, 发现将帮助我们评估拟议的人工智能产品对客户的价值，在技术限制范围内 人工智能策略. 重新审视发现也将有助于识别人工智能产品 核心价值也被称为价值主张.

构建假设

继续本系列上一篇文章中的示例, 假设一家航空公司雇佣你作为一名 产品经理 促进业绩不佳航线的销售. 经过对问题的研究和对多个解决假设的评估 战略规划，你决定开发一个航班需求预测产品.

在这个阶段，加深你的研究，增加细节 假设. 产品将如何运作，它是为谁服务的，它将如何产生收入?

接下来，组织你的发现来识别研究中的模式. 在这个例子中, 你决定将产品推销给二线城市的旅行社，他们会推销未售出的座位. 如果一切顺利，你计划通过向竞争对手提供产品来扩大规模.

基于您所追求的调查领域，您可以开始构建 MVP语句.

注意: 不像 探索性MVP声明 在战略阶段, 这份MVP声明结合了产品概念(航班需求预测器)和支持它的技术(人工智能模型)。.

一旦你列出了所有MVP陈述，根据以下三个因素对它们进行排序:

• 愿望: 这个产品对顾客有多重要?
• 可行性: 产品能否实现战略中定义的产品愿景?
• 可行性: 你有时间、金钱和组织支持来开发这个产品吗?

检验假设

在假设检验中, 您将营销和分发不同保真度的原型(例如故事板和静态或交互式线框)，以评估客户对这个潜在AI产品的初始兴趣.

假设将决定是哪一个 测试方法 你使用. 例如，登陆页测试将有助于衡量新产品的需求. 如果您要向现有产品添加新功能，那么障碍测试是最好的, 烟雾测试评估用户对特定功能选择的反应.

注意: 一旦测试完成，将假设和结果记录下来，以帮助确定产品的价值主张. 我喜欢 精益帆布 因为它的一页纸，一目了然的格式.

在人工智能产品发现的最后, 您将知道要构建哪个解决方案, 你是为谁做的, 以及它的核心价值. 如果有证据表明客户会购买你的人工智能产品, 您将在验证阶段构建完整的MVP.

人工智能产品验证

在AI产品验证阶段, 您将使用敏捷实验格式来逐步构建您的AI产品. 这意味着要处理数据并逐步扩展人工智能模型, 每一步都要衡量客户的兴趣.

因为你的人工智能产品可能涉及到 数据量大 对于许多涉众，您的构建应该是高度结构化的. 我是这样管理自己的:

1. 准备基础设施

基础设施包括培训所需的每一个过程, 维护, 启动人工智能算法. 因为您将在受控环境中构建模型, 健壮的基础设施是为现实世界的未知做好准备的最佳方式.

本系列的第2部分介绍了 技术和基础设施规划. 现在是时候在创建控件之前构建该基础结构了 机器学习 (毫升)模型. 构建基础设施需要最终确定数据收集方法, 存储, 处理, 和安全, 以及创建模型维护的计划, 改进, 如果它的行为不可预测，还可以进行航向修正.

这是一个 可下载的分步指南 让你开始.

2. 数据处理与建模

与领域专家和数据工程师合作实现目标, 收集, 并预处理一个高质量的发展数据集. 在企业环境中访问数据可能会遇到官僚审批的挑战, 所以一定要留出足够的时间. 一旦有了开发集，数据科学团队就可以创建ML模型.

瞄准并收集. 您团队中的领域专家将帮助您定位和理解可用数据, 应该满足4c，对吗, 当前的, 一致的, 和连接. 尽早并经常咨询你的领域专家. 我曾经参与过一些项目，在这些项目中，非专家在识别数据时做出了许多错误的假设, 导致在开发过程后期出现代价高昂的机器学习问题.

接下来，确定哪些可用数据属于您的开发集. 清除不连续的、不相关的或一次性的数据.

此时，评估数据集是否反映了现实世界的情况. 通过在虚拟数据或非生产数据上训练算法来加快这个过程可能很有诱惑力, 但从长远来看，这将浪费时间. 得到的功能通常是不准确的，并且在开发过程的后期需要大量的工作.

进行预处理. 一旦你确定了正确的数据集, 数据工程团队将对其进行改进, 将其转换为标准化格式, 并根据数据科学团队的规范进行存储. 这个过程有三个步骤:

1. 清洁: 从数据集中删除错误或重复的数据.
2. 争论: 将原始数据转换为可访问的格式.
3. 抽样: 创建结构，使数据科学团队能够为初始评估采集样本.

建模是一个真正的工作 数据科学家 开始. 在这一步中, 数据科学家将在基础设施的参数范围内工作，并选择解决客户问题并适合客户需求的算法 产品特性 和数据.

在测试这些之前 算法，数据科学家必须知道产品的核心功能. 这些特征来源于 问题陈述 以及您在本文开头的AI产品发现阶段确定的解决方案.

优化 的特性. 微调特性以提高模型性能，并确定是否需要不同的特性.

训练模型. 该模型的成功取决于开发和训练数据集. 如果你不仔细选择这些，以后就会出现并发症. 理想情况下，您应该从同一数据源中随机选择两个数据集. 数据集越大，算法的性能就越好.

数据科学家将数据应用于开发环境中的不同模型，以测试他们的学习算法. 这一步包括 hyperparameter调优，再培训模型，以及 模型管理. 如果开发集表现良好，则以训练集的性能水平为目标. 正则化 可以帮助确保模型的 在数据集中拟合 是平衡的. 当模型表现不佳时，通常是由于 方差，偏差，或两者兼而有之. 客户数据中的偏见来自对性别等因素的解释, 比赛, 和位置. 从数据中去除人类的先入之见并应用诸如正则化之类的技术可以改善这些问题.

评估模型. 在项目开始时，数据科学家应该进行选择 评价指标 来衡量机器学习模型的质量. 参数越少越好.

数据科学家将用不同的模型交叉验证结果，看看他们是否选择了最好的模型. 获胜模型的算法将产生一个最能代表训练集中数据的函数. 然后，数据科学家将把模型放在测试环境中观察其性能. 如果模型运行良好，就可以进行部署了.

3. 部署和客户验证

现在是时候为在现实世界中部署您的模型做准备了.

完成用户体验. 已部署的模型必须与客户无缝交互. 那是什么? 客户的旅程 看起来像? 如果人工智能产品是应用程序或网站，那么什么类型的交互将触发机器学习模型? 请记住，如果最终用户看到模型并与之交互, 您可能需要访问web服务或api.

计划更新. 的 数据科学家和研究科学家 必须不断更新已部署的模型以确保其准确性随着遇到更多数据而提高. 决定如何以及何时这样做.

确保 安全与 合规. 启用特定于行业的遵从性实践，并建立一个故障安全机制，当模型不像预期的那样运行时启动.

至于验证，使用内置的 跟踪功能 收集客户互动. 以前与客户的互动(访谈、演示等).)可能会帮助您了解客户想要的解决方案, 但是观察他们的行动会告诉你你是否成功了. 例如, 如果你正在开发一款手机应用, 你可能想要追踪客户点击最多的按钮，以及他们在应用程序中的导航旅程.

的 客户验证 Phase将提供基于数据的分析，告诉你是否需要在特定应用功能上投入更多时间.

没有产品在第一次尝试时是正确的，所以不要放弃. 大约需要三次迭代才能给客户留下深刻印象. 等待这三个迭代. 从证据中学习，回到绘图板，添加和修改特征.

人工智能产品规模化

在这个阶段，您将确定您的客户并收集实时反馈. 现在是时候通过在以下领域进行投资了:

商业模式: 此时此刻, 你将掌握获得新客户的成本以及每个客户愿意为你的产品支付多少钱的证据. 如有必要，调整你的商业模式以确保你实现盈利目标. 取决于你的 最初的产品愿景，您可以选择一次性付款或 基于saas模型.

团队结构: 在开发产品的过程中，你如何以及何时增加团队成员? 关键球员失踪了吗??

产品定位: 什么样的定位和信息对客户来说是有效的? 你该如何利用并吸引你所选择的人群中的更多客户?

操作: 出了问题怎么办? 客户会给谁打电话?

观众: 听 客户沟通和社交媒体帖子. 扩大你的客户群也意味着扩大你的产品, 所以要根据客户的需求不断调整和改进. 要做到这一点, 回到发现，研究潜在的新特征, 检验你的假设, 并创建下一个产品迭代.

AI产品快捷方式

如果从头开始构建人工智能产品过于繁重或昂贵, 尝试借助第三方人工智能工具. 例如，开源框架，如 卡夫卡 和 砖 为ML模型开发摄取、处理和存储数据. 亚马逊土耳其机器人 通过众包人工来完成标记训练数据等任务，加快模型训练速度.

如果您需要理解大量的数据，如 情绪分析、人工智能即服务(AIaaS)产品等 MonkeyLearn 是否可以在不使用任何代码的情况下标记、分析和创建可视化. 对于更复杂的问题， DataRobot 提供了一个一体化的基于云的人工智能平台，可以处理从上传数据到创建和应用人工智能模型的所有事情.

人工智能才刚刚起步

我已经讲过了, 为什么, 以及如何实现人工智能, 但是，大量的道德和法律问题不在本系列的讨论范围之内. 自动驾驶汽车，智能医疗设备，以及诸如 戴尔- e2和ChatGPT 准备好挑战长期以来关于人类思想、劳动和创造力的假设了吗. 不管你怎么看，这个新时代已经到来.

人工智能有潜力为特殊的工具和服务提供动力. 我们这些利用它的人应该深思熟虑地这样做, 着眼于我们的决定将如何影响未来的用户.

你对人工智能和产品管理的未来有什么想法吗? 请在评论中分享.

有关产品管理技巧，请查看Mayank的书， 创造伟大产品的艺术.