【课程背景】

当下社会正处于第四次工业革命的巨大变革期，人工智能及相关的很多技术（如AI大模型、人形机器人、数字人等）爆发式增长，同时，云计算、大数据、移动互联网、物联网、区块链、边缘计算等各种新技术也是高速发展，可以说人类进入了日新周异的崭新时代。

在这样的时代大背景下，各种基于人工智能的新产品、新应用、新的行业解决方案也层出不穷，无论是面向C端的APP，还是B端的各种中后台系统，都面临着以人工智能技术为核心驱动力的更新换代的局面，同时AI的赋能也的确给予了这些产品新的机遇和新的广阔的市场空间，甚至是找到很多新的蓝海市场。

在这种时代浪潮中，很多原有的互联网职场人、大型国央企的从事产品研发创新的工作人员，甚至是很多创业公司或团队的创始人、CEO都面临着如下若干课题：

1. 如何以正确的姿势迎接人工智能技术对于本企业原有产品的持续性创新甚至是颠覆式创新

2. 在人工智能令人眼花缭乱的层出不穷的技术背后，是否存在着某种底层逻辑

3. 如何让AI更好的融合到不同行业（传统行业如制造、金融、家电等、互联网行业如出行、电商、社交、在线视频等）的产品创新过程之中

4. 传统的产品创新方法论是否还有效？

5. AI产品的需求分析、产品规划、商业模式的构建等核心问题和互联网产品对应的课题有哪些不同？

6. 拥有AI技术专利背景的企业如何理解“拿着锤子找钉子”的状态，如何规避勉强进入并不适合自己的场景，造成投资和商业的失败。

鉴于目前AI领域普遍的情况是——重视技术、轻视产品、忽视商业模式的现状，同时AI产品领域本身就是一个充满变化和不确定性的特点、AI产品涉及的知识领域非常的庞杂，本课程的定位不是针对想深度学习AI技术的学员，本课程的定位是侧重产品规划设计、商业规则打造的AI产品经理的方向，请听课学员提前知悉。

【课程收益】

Ø 理解人工智能产品创新的核心底层逻辑

Ø 掌握人工智能做产品创新的方向和流程

Ø 掌握几种经典的产品创新的方法论、工具和模型，并且能够结合AI的视角去运用

Ø 掌握产品经理需求分析、挖掘、洞察和排序的能力，并结合AI产品去做分析。

【课程时间】

2天（6小时／天）

【课程特色】

案例跟踪：**丰富的行业案例和设计案例贯穿所有的知识点，并给予核心的观点，引人思考。

互动：从头到尾都由讲师来主导太枯燥了，我们加入了轻松、活跃的互动环节，使学习的过程充满了主动性和趣味性。

实战演练：光听不练假把式，根据课程的内容我们设计了关键知识模块的课上实战演练环节，练完之后老师随堂点评，达到**的听课效果。

【课程对象】

互联网产品经理、传统企业的产品经理、AI产品经理、想要转型的研发团队相关岗位如软件工程师、数据分析人员等。

【课程大纲】

一、AI产品经理通识和AI产品分类、设计原则等

1. 人工智能是什么？

Ø 人工智能是交叉学科

Ø 人工智能的本质

ü 统计学

ü 概率论

ü 微积分

ü 线性代数

2. 机器学习如何找到问题的答案？

Ø 训练集

Ø 标记

Ø 预测函数

Ø 损失函数

Ø 收敛：数学防范

3. AI的落地应用需要的人才布局

Ø AI技术人才

Ø 行业专家

Ø AI产品经理

Ø AI创业者、AI企业家

Ø 市场、销售和运营人才

4. AI产品分类

Ø 从AI→AI → AI

Ø AI的国内外行业布局

ü 基础层：算力 数据存储

ü 技术层：算法能力输出

案例：商汤科技-机场安检识别

案例：云知声-智能电视遥控

ü 应用层：具体行业的场景问题解决和优化

案例：今日头条-内容推荐系统

5. AI产品经理工作职责和能力模型

Ø 不同类型AI公司的产品经理工作职责

ü 原有业务 AI

ü AI 行业赋能（ToB）

ü AI 消费市场（ToC）

ü 软硬件结合的AI产品

案例：某国有银行使用AI改造自有产品：快速精准审核贷款

案例：AI 消费市场——小蛋机器人（案例仅供参考）

Ø AI产品经理的能力模型

Ø 如何成为AI产品经理

6. AI产品设计原则

Ø 可预测

Ø 可容错

Ø 可操控

Ø 可验证

7. AI产品8个实操经验

Ø 永远不要让AI直接生效，需要人工进行确认

Ø 不要让AI取代人的思考

Ø 少chat，多选项

Ø 直接呈现结果而不是过程

Ø 声明是：“AI输出的”

Ø 一定要搜集用户的反馈

Ø AI不是颠覆，是增强

Ø 传统产品设计经验，依然是很重要的基础

二、人工智能产品三大要素介绍

1. 数据

Ø 数据和信息

Ø 数据从哪里来

Ø 数据的分类

Ø 数据与商业的应用

Ø 数据整理

ü 异常数据表现

ü 异常数据原因

ü 异常数据处理

案例：Google的Trueview广告

2. 算法

Ø 算法的魅力：地球的周长是怎么计算出来的？

Ø 我们的生活是如何被算法控制的？

Ø 二进制的价值

案例：Google的PageRank算法

Ø 推荐算法的本质：在向量空间中寻找向量的相互关系

Ø 什么是向量，向量的乘法和加法

Ø 推荐算法的三个环节

ü 召回

ü 粗排

ü 精排

ü 推荐规则的设定

3. 算力——数字社会的基石

Ø 什么是算力

Ø 从单点计算到网格计算

Ø 分布式计算

Ø 云计算：算力资源的重新整合

Ø 云计算运用领域

ü 消费端：追剧、游戏、网购、打车等

ü 行业：工业制造、交通物流、教育、医疗等

ü 政府：城市治理、智慧城市、城市大脑等

Ø 通用算力

Ø 专用算力

ü 基础通用计算

ü HPC高性能计算

n 科学计算：天文、核物理、生命科学

n 工程计算：计算机辅助工程、自动化、电磁仿真

n 智能计算：AI人工智能，机器学习、深度学习、数据分析

Ø AI人工智能：算力大户

Ø CPU、GPU、TPU、DUP、NPU

Ø 数据中心

ü 云计算数据中心

ü 智算中心

ü 超算中心

Ø 衡量算力大小的指标

Ø 算力对比

三、AI技术商业的特点和成功要素

1. AI商业的五大要素及其关系

Ø 技术-场景

Ø 资源

Ø 产品

Ø 商业模式

Ø 组织能力

2. 技术——场景、产品与商业模式

Ø 技术——场景、产品与商业模式的关系

ü 超越需求、创造需求是AI技术产品的重要特点

ü AI技术可能创造全新的产品形态和商业模式

案例：手机二维码技术和公交无卡计费场景的匹配

案例：电子价签和新零售场景的匹配

Ø 好的产品可以充分发挥技术的价值

Ø 好的商业模式能够继续推动AI技术的发展和AI应用的落地

3. 技术、产品与商业模式三位一体

案例：电子价签和新零售场景的匹配

4. 相同技术和需求背景的产品设计和商业模式未必相同

案例：Google Pixel Budse耳机vs讯飞手持翻译机vsZERO

四、AI技术实质和边界

1. 了解技术和技术落地的差异

案例：工业质检场景中的图像识别技术的落地

2. 掌握AI技术的几个层测

Ø 体验和掌握同类型AI产品的功能和效果

Ø 懂技术原理

Ø 编写代码、创建和训练模型

3. 机器学习的类型

Ø 监督学习

Ø 无监督学习

Ø 半监督学习

Ø 强化学习

Ø 深度学习

4. 机器学习的问题

Ø 过拟合

Ø 难变通

Ø 难解释，不可信

Ø 识别能力有限

5. 人工智能与环境、人的交互

Ø 传感

Ø 感知

Ø 认知

Ø 生成

Ø 表达

6. AI产品中AI能力的分布方式

Ø “云 端”模式

Ø 纯云模式

Ø 纯端模式

案例：海康威视AI人脸抓拍相机

五、AI技术——场景适配

1. AI 技术—场景适配的基本方法

Ø 技术—场景的适配前提

Ø 技术—场景的适配矩阵

Ø 技术—场景适配的适度原则

失败案例：3D整容效果预览

2. AI 技术—场景适配中的微机会

Ø 由小到大做适配

Ø 微场景、微产品的特别机会

案例：运营商短信内容的AI审核

案例：弹幕挡脸的去除

六、互联网公司 AI的产品

1. AI 互联网产品的创新机会

2. AI 技术增强型互联网产品

案例：Google Art&Culture数字艺术馆

Ø AI 技术：人脸比对

Ø 场景：人和油画合影

Ø 产品：简单、有趣

Ø 商业价值：产品自具病毒传播的能力

案例：Google Art&Culture数字艺术馆

3. AI 技术原生型互联网产品

七、AI 技术公司的AI产品

1. AI技术公司的项目与产品

Ø AI 项目与AI 产品

Ø AI 技术公司的产品类型

2. 技术公司的中间产品

Ø AI 技术公司的中间产品的特点

案例：旷视科技FaceID

Ø 产品经理在中间产品中的作用

案例：平安科技声纹核身

3. 技术公司的**终用户产品

Ø 中间产品的风险

Ø **终用户产品的价值

案例：旷视科技物流机器人

案例：医疗语音录入麦克风

八、传统企业的AI 产品

1. 传统企业应用AI 的整体情况（以金融业为例）

Ø 金融业应用AI 的整体情况

Ø 中国平安对AI 的规模化应用

2. 传统企业做AI 产品的原因

3. 传统企业AI 产品的分类

4. 传统企业对AI 产品经理的要求

5. 在传统企业做AI 产品的关键

Ø 深入理解行业场景，找到AI技术适合的场景

案例：AI面试

Ø 单点切入从简单的AI产品起步

Ø 重点场景做复杂的产品

案例：中国平安AI车险定损理赔

九、AI 产品规划

1. 竞品分析——抄超钞

2. AI 产品的定位

ü 目标用户分析

ü 产品价值分析

ü 技术实现的苹果

ü 盈利模式

ü 路线规划

ü ……

3. AI 产品经理对数据机制的规划

Ø 如何获取数据

Ø 数据标注

Ø AI模型的规划

Ø AI模型的迭代

4. AI 产品经理对指标体系的规划

Ø 人脸识别相关指标

Ø 语音唤醒相关指标

十、典型AI产品经理工作方法：从0开始做一款精准推荐AI产品

1. 项目启动

Ø AI团队的构成和职责

Ø AI系统预算和研发周期预估

ü 数据从哪里？

ü 从0开始还是已有数据仓库？

ü 寻找竞品，评估**版系统的预期？

Ø AI技术选型

2. 项目实施——样本测试模型 推荐引擎

Ø 谁来做？

Ø AI产品经理把控什么？

ü 需求定义清晰

ü 知道算法边界

ü 数据库和算法的新增和完善

Ø Tip：算法工程师和数据库工程师容易推卸责任

3. 项目实施——构建DMP数据管理平台

Ø 调研业务，调研数据源

Ø 定义数据代表的意思，分清外部和内部数据

Ø Tip：数据源不稳定

4. 项目上线

Ø 上线前：AB测试

Ø 上线后：运营反馈、优化算法

案例：电商APP拍照识别-智能推荐系统

案例：团购类APP智能推荐美食