AI產品經理手冊 The AI Product Manager's Handbook: Develop a product that takes advantage of machine learning to solve AI problems

目　錄

 

第I部分  AI的基礎：術語、基礎設施、AI類型以及AI產品案例

第1 章 構建AI 產品所需要的基礎設施和工具    3

1.1 定義：什麽是AI，什麽不是AI     4

1.2 機器學習與深度學習的區別      6

1.2.1 機器學習       7

1.2.2 深度學習       7

1.3 機器學習的學習類型      9

1.3.1 監督學習       9

1.3.2 無監督學習       11

1.3.3 半監督學習       12

1.3.4 強化學習       13

1.4 流程順序：最佳流程及其過程     13

1.4.1 步驟1：數據可用性和集中化     14

1.4.2 步驟2：持續維護     14

1.5 數據庫基礎：數據庫、數據倉庫、數據湖和湖倉    15

1.5.1 數據庫      16

1.5.2 數據倉庫       16

1.5.3 數據湖(和湖倉)       17

1.5.4 數據流水線       17

1.6 項目管理：IaaS     18

1.7 部署策略：部署與應用模型     19

1.7.1 影子部署策略      20

1.7.2 A/B 測試模型部署策略       20

1.7.3 金絲雀部署策略      21

1.8 AI 領域的成功案例：構建基礎設施的成功案例    21

1.9 AI 的潛力：AI 的發展方向     23

1.10 本章小結      24

第2 章 AI 產品的模型開發和維護      27

2.1 瞭解NPD 的各個階段      28

2.1.1 階段1：發現      28

2.1.2 階段2：定義      28

2.1.3 階段3：設計      29

2.1.4 階段4：實施      29

2.1.5 階段5：市場營銷     30

2.1.6 階段6：培訓      30

2.1.7 階段7：發布      31

2.2 模型類型：從線性回歸到神經網絡      31

2.3 模型訓練：為上線做準備      33

2.4 模型部署：交付研發結果      37

2.5 模型測試和故障排除       39

2.6 模型刷新：模型更新頻率的倫理規範   41

2.7 本章小結       44

第3 章 機器學習和深度學習深入剖析    47

3.1 傳統的AI：機器學習       48

3.2 新興的AI：深度學習       49

3.2.1 隱藏的影響       51

3.2.2 深度學習簡史      52

3.2.3 神經網絡的類型      54

3.3 新興技術：相關的輔助技術     61

3.4 可解釋性：倫理、註意事項和責任      62

3.5 準確性：為成功做準備      63

3.6 本章小結       64

第4 章 AI 產品的商業化      67

4.1 成功的B2B 產品案例       68

4.2 成功的B2C 產品案例       70

4.3 藍海產品案例      71

4.4 紅海產品案例      73

4.5 差異化、顛覆性和主導性戰略產品案例    75

4.5.1 主導性戰略       76

4.5.2 顛覆性戰略       77

4.5.3 差異化戰略       77

4.6 本章小結       79

第5 章 AI 轉型及其對產品管理的影響    81

5.1 財富和價值：AI 革新經濟體系    83

5.2 商品和服務：商業MVP 的增長    85

5.3 政府和自治：AI 塑造社會的邊界和自由    87

5.4 疾病和健康：AI 和納米技術在醫療領域的應用    90

5.5 基本需求：AI 向善      92

5.6 本章小結       93

第II部分  構建AI原生產品

第6 章 瞭解AI 原生產品     97

6.1 AI 產品開發的階段      98

6.1.1 階段1：創意      98

6.1.2 階段2：數據管理     99

6.1.3 階段3：研發       100

6.1.4 階段4：部署       101

6.2 AI/ML 產品團隊的最佳組合    102

6.2.1 AI 產品經理      102

6.2.2 AI/ML/data 策略師     103

6.2.3 數據工程師      103

6.2.4 數據分析師      103

6.2.5 數據科學家      104

6.2.6 機器學習工程師     104

6.2.7 前端/後端/全棧工程師       105

6.2.8 UX 設計師/研究員     105

6.2.9 客戶成功        106

6.2.10 市場/銷售/市場推廣團隊      106

6.3 技術棧投資       107

6.4 AI 服務產品化：AI 產品管理的不同之處   108

6.5 AI 定製化：針對行業和客戶群體的考慮    109

6.6 銷售AI：產品管理與銷售     111

6.7 本章小結       112

第7 章 機器學習服務產品化      113

7.1 AI 產品與傳統軟件產品的差異    113

7.1.1 相似之處        114

7.1.2 差異之處        115

7.2 B2B 與B2C：產品化的商業模式      121

7.2.1 領域知識：瞭解市場需求     121

7.2.2 實驗：探索群體的需求      123

7.3 一致性和AIOps/MLOps：信賴與信任     125

7.4 性能評估：測試、重新訓練和超參數調整    126

7.5 反饋循環：建立關系       127

7.6 本章小結       128

第8 章 面向垂直領域、客戶和同行群體的定製化   129

8.1 特定領域的AI 定製化      130

8.1.1 瞭解市場        132

8.1.2 產品設計與市場服務      133

8.1.3 制定AI 產品戰略      134

8.2 AI 產品高度滲透的垂直領域    137

8.2.1 金融科技        137

8.2.2 醫療保健        139

8.2.3 網絡安全        140

8.3 用戶行為分析      141

8.4 AI 產品的價值指標      141

8.4.1 OKR      142

8.4.2 KPI      142

8.4.3 技術指標        144

8.5 思想引領：向同行學習     144

8.6 本章小結       145

第9 章 產品的宏觀AI 和微觀AI     147

9.1 宏觀AI：基礎和範疇      148

9.1.1 機器學習        149

9.1.2 電腦視覺      151

9.1.3 自然語言處理       151

9.1.4 深度學習        152

9.1.5 機器人技術      153

9.1.6 專家系統        155

9.1.7 模糊邏輯/模糊匹配     156

9.2 微觀AI：功能層面      156

9.2.1 機器學習(傳統機器學習/深度學習/電腦視覺/自然

語言處理)       157

9.2.2 機器人技術      158

9.2.3 專家系統        159

9.2.4 模糊邏輯/模糊匹配     160

9.3 成功案例：振奮人心的示例    161

9.3.1 Lensa      161

9.3.2 PeriGen       162

9.4 挑戰：常見的陷阱      163

9.4.1 倫理       163

9.4.2 性能       165

9.4.3 安全       165

9.5 本章小結       167

第10 章 性能基準、增長策略和成本   169

10.1 價值指標：北極星指標、KPI 和OKR 的指南    170

10.1.1 北極星指標      171

10.1.2 KPI 和其他指標標準      175

10.1.3 OKR 和產品策略      177

10.2 增長黑客：以產品為導向的增長      178

10.3 技術棧：及時反饋       180

10.3.1 客戶數據平臺(CDP)       181

10.3.2 客戶參與平臺(CEP)       182

10.3.3 產品分析工具     183

10.3.4 A/B 測試工具     184

10.3.5 數據倉庫      185

10.3.6 商業智能(BI)工具      185

10.3.7 增長黑客工具     186

10.4 成本管理和定價：AI 是昂貴的     187

10.5 本章小結      188

第III部分  在現有產品中融入AI

第11 章 AI 的浪潮       193

11.1 演進或淘汰：變化是唯一不變的      194

11.2 第四次工業革命：技術的進步和變遷     197

11.2.1 與咨詢顧問合作     199

11.2.2 與第三方合作     199

11.2.3 首次招聘      200

11.2.4 第一個AI 團隊      201

11.2.5 無代碼工具      201

11.3 擺脫恐懼：收獲大於代價     202

11.4 本章小結      206

第12 章 行業發展趨勢與洞察     207

12.1 最具增長潛力的領域：Forrester、Gartner 和麥肯錫的

研究       208

12.1.1 嵌入型AI：應用和整合案例     208

12.1.2 倫理型AI：責任和隱私      210

12.1.3 創作型AI：生成和沉浸式應用     211

12.1.4 自主AI 開發：圖靈機器人    212

12.2 AI 採用的趨勢：讓數據說話    213

12.2.1 整體趨勢      214

12.2.2 嵌入型AI：應用和集成的用例     215

12.2.3 倫理型AI：責任與隱私      216

12.2.4 創作型AI：生成和沉浸式應用     217

12.2.5 自主AI 開發：圖靈機器人    217

12.3 最容易實現的目標：快速實現AI 的成功    218

12.4 本章小結      220

第13 章 將產品演進為AI 產品      221

13.1 韋恩圖：可能性和概率      222

13.1.1 清單1：價值     223

13.1.2 清單2：範圍     224

13.1.3 清單3：影響範圍      226

13.2 數據為王：公司的血液      227

13.2.1 準備和研究      228

13.2.2 良好的合作關系     228

13.2.3 基準測試      229

13.2.4 數據團隊      230

13.2.5 定義成功      231

13.3 競品分析：關註競爭對手     232

13.4 產品戰略：建立適合組織的藍圖      233

13.4.1 產品戰略      234

13.4.2 產品路線圖      237

13.5 紅旗和綠旗：要註意和警惕的事項    239

13.5.1 紅旗：警告信號     239

13.5.2 綠旗：積極信號     240

13.6 本章小結       242

參考文獻(掃描封底二維碼下載)     243