过去一段韶光一贯在思考：
非技能职员(比如产品经理、设计师、市场营销等)理解人工智能技能存在哪些门槛？有没有更直不雅观、门槛更低的办法？人工智能产品的研发和过去有什么不同？各个角色如何协同？为此，我与很多产品经理、UX设计师等非技能职员进行了互换。
下面就为大家分享我对付这些问题的思考。
本日，无论是面向个人的运用还是企业级软件，人工智能都在个中发挥了主要浸染。未来更多的产品和做事也一定是数据和人工智能技能来驱动。
只管人工智能技能与微积分、线性代数、概率论与统计、打算机等多种学科干系，存在较高的理解门槛，但是身处在这个大浪潮中，不清楚内在的奥妙就有点太可惜了。
什么是人工智能？常常看到的机器学习和深度学习这些是什么意思？我的业务问题可以用以上技能办理吗？由数据和人工智能技能驱动的产品，功能设计会和以前有很大不同吗？我怎么给客户讲清楚产品在人工智能技能上的上风？当这些产品涌现问题时，怎么修复和升级优化？…….真正能落地，产生业务代价的产品和做事的，在全体生产链条上，除算法工程师外，其他角色也须要理解相应的人工智能技能。
一、人工智能技能无处不在
1992年，明尼苏达大学的John Riedl和Paul Resnick 创建了基于协同过滤技能的新闻推举系统。该系统网络用户对文章的评分，并预测用户对其他文章的喜好程度，这是最早的自动化协同过滤系统推举引擎之一。
到如今个性化推举系统已经成为各种网站、APP的标配，比如：淘宝 、今日头条、网易云音乐等等。
在交通出行领域UBER、滴滴等利用人工智能技能来分配搭客的订单并帮助司机方案路线，提高出行效率。
上述只是大家熟习的两个场景。
除了改变个人生活，人工智能在企业运行办法也产生了根本性的影响。
比如：
产品的采购询价常日是一个非常耗时的过程，传统的办法采购职员要供应询价单给供应商的事情职员获取价格信息。询价单一样平常是word、pfd或者excel格式，可能包含几百乃至上千种零部件。
当供应商拿到询价单，须要人工一个一个查询部件价格，然后反馈给采购方，而且全体过程常常要来回确认，非常耗时。
那么借助人工智能技能，比如：
OCR识别和信息提取搜索引擎查询RPA(Robotics Process Automation)自动填表可以将原来耗费几个小时的事情变成一键3秒报价。
如果去核阅企业运行的各个环节，会创造很多适宜运用人工智能技能的场景：从市场营销、财务、发卖做事到产品设计、运营，乃至人力资源管理等等。
可见，除了toC领域，人工智能技能也正在重构企业的代价链。
二、非技能职员理解人工智能技能有哪些门槛
在面对人工智能时，非技能职员的态度呈现两极分解的特色：他们要么充满迷惑，要么过于自傲。
下面是我们常常听到的一些疑问：
产品经理：
人工智能、算法、机器学习、深度学习这些到底是什么？它的能力边界在哪？我怎么把人工智能技能运用到产品？用户体验设计师：
人工智能技能会给产品体验带来哪些变革？如何设计人工智能产品的用户体验？商业/市场干系职员：
人工智能技能对付企业而言到底意味着什么？我如何向客户先容产品及其运用的人工智能技能？总结一下，非技能职员理解人工智能技能紧张有三大门槛：
AI算法到底是怎么得出结果的？如果我想运用AI技能，要怎么做？采取人工智能技能后，它的效果如何评估？1. AI算法到底是怎么得出结果的在过去，如果想要创建一个产品来识别某些东西，必须要写逻辑步骤（程序）。
比如：为了识别图片中的猫，须要用程序来分别识别猫的轮廓、皮毛、腿、眼睛、尖耳朵等等，然后把它们组合在一起进行判断。
但这在实践中，就相称于试图制造一只机器猫。可以想象在逻辑上是非常繁芜的，并且很多时候我们并不能准确描述“识别猫”的所有步骤。
而人工智能算法就不一样， 它可以借助大量数据——比如：你给算法 100000 张有“猫”标签的照片，机器就能找出差异。
这里面的核心差异就在于：传统办法，人们须要给出识别逻辑，而人工智能算法是从结果出发。
那机器是怎么自动找到猫的识别逻辑呢？
这就涉及到算法的事情事理。
很显然，让非技能职员去理解这些数学公式并且进而理解人工智能技能是非常不现实的。
这就引入了其余一个问题：如何以一种精确的“心智模式”去理解某项事物？
不同的角色对应的心智模式一定不同，以PCA和神经网络为例：
工程师要对背后的数学事理及推导步骤很熟习，但对产品经理、UX设计师、乃至售古人员而言，知道这些对你理解“什么是PCA？”“它的利用场景是什么？有什么浸染？”，并没有太大的帮助。
2. 如果我要运用AI技能，要怎么做
产品是怎么设计出来的呢？
在SAP事情多年，我们一贯在用Design Thinking——设计思维所倡导的设计理念与方法流程，来进行产品研发。
设计思维最早由IDEO提出，经由多年景长已经运用于很多行业的产品研发过程中。
那人工智能产品可以沿用这种办法来设计吗？
人工智能技能的结果不愿定，准确率也不是100%可担保的。
比拟之下，传统产品涌现bug是非常，而人工智能产品bug则是常态化。
对人工智能算法来说，准确率98%是站在数据集的角度考虑的，但真正把模型或产品运用到业务系统中，用户面对的是一份一份的数据。每一份数据都可能出错，那在这种情形下须要怎么做？
面对这些情形的时候，人工智能产品的设计、研发过程该当遵照若何步骤？
3. 采取人工智能技能后，它的效果如何评估
通过上面识别猫的例子，可以看到：
传统办法是试图用程序描述清楚猫的布局，而人工智能技能则直接从结果入手，通过大量的数据见告机器“哪些是猫？”，由算法去自动创造识别的规则。
这种差异导致：评价人工智能技能运用效果的办法与过去不同。
传统技能遵照因果、业务逻辑，人工智能依赖数据和算法。因此，对付人工智能产品而言，研发职员须要精确理解算法指标、业务指标，以及算法指标和业务指标之间的关系。
个中算法指标紧张面向人工智能算法工程师，而业务指标则紧张面向产品经理、运营职员等干系角色的。
Accuracy升高，会帮助提升用户生动数吗？研发工程师见告我F1 Score很高了，可是它跟用户的访问时长什么关系？…….以上这些问题是须要不同角色一起在实践中探索的。
除了以上三个门槛，对付产品经理、设计师等角色，还面临另一个寻衅是：如何与AI工程师/数据科学家沟通协作？
传统产品研发过程中，常日包含的角色紧张有：产品经理、设计师、前端、后端、测试等。
在人工智能产品研发过程中涌现了一些新的角色，比如：数据科学家。
根据在团队中事情内容的侧重，一样平常业界也把数据科学家分为A、B两种类型。
Analysis（剖析型）：
统统为数据驱动的决策做事。
紧张的事情是：清理数据、做剖析、找 Insight、做 Report 等等。
他们须要理解市场、行业、业务。而各种人工智能技能和工具是他们完成事情的手段，创造精确的问题则是他们的紧张任务。
Building（构建型）：
偏 Research & Product，他们的职责是让算法能够与产紧密结合，乃至主导算法驱动的产品。
紧张的事情是：把算法从 Research 转化为 Product。
三、人工智能技能不是Magic1. 非技能职员如何理解人工智能技能
就像前面提到的，让非技能职员理解数学公式，进而理解人工智能技能这个路径是非常不现实的。
那如何以符合非技能职员心智模式的办法去阐明人工智能技能呢？
我们认为要以场景+直不雅观感知的办法来理解。
场景：
当前的业务问题是什么?面向的用户是谁，在什么场景下利用该功能?选择用什么人工智能算法来办理问题？办理问题须要哪些数据?评估指标有哪些，通过网络哪些数据来得到反馈并优化模型？（数据的网络非常主要，数据可以分为：用户行为数据和业务数据。业务数据一样平常都会定好，困难的是行为数据的采集。以是，一个产品经理如果说不清楚自己要采集哪些数据来优化功能，解释对这个功能理解的还不足透彻。）核心业务流程是若何的？以上这些问题可以帮助产品团队定义和理解AI运用的场景。
直不雅观感知：
通过Demo来和算法/模型进行互动，比如：改变输入，改变参数来直不雅观的感知算法是如何事情的。
2. 基于人工智能产品的设计也有章可循
为了磋商人工智能产品的研发流程和方法，我们还是从传统产品的设计开始讲起。
商业模式画布和设计思维是经典的可持续创新理论，已经在各种产品研发过程中得到广泛运用。它们强调以用户为中央和快速迭代验证方案。
商业模式画布是从计策层面判断和定义产品/业务模式要关注的关键要素，它包含如下关键成分：
而设计思维是：将计策转变为现实的详细步骤和方法，范例的流程是这样：
作为比拟，下面列出了人工智能产品的技能实现过程：
通过三者的有机领悟，我们借助AI运用画布的办法来辅导人工智能产品的设计。
AI运用画布以模型为中央，左侧包含：机会、运用工具、策略、流程，强调模型运用的商业代价/机会。
右侧包含：办理方案、数据、技能、成功标准，关注模型的技能可行性。
针对每一个要素进行更细粒度的拆分，就可以有章可循地设计人工智能产品，真正在业务上产生代价。
以上便是：我对付“非技能职员如何理解人工智能技能？”“并且，其如何参与到人工智能产品研发的过程中“的思考。
人工智能技能虽然有门槛，但是找到得当的切入点就能事半功倍。当你理解了以上这些话题，人工智能技能对你也就不再陌生。
本文由 @凯文 原创发布于大家都是产品经理，未经容许，禁止转载
题图来自 Unsplash，基于 CC0 协议