我是如何进入人工智能产品管理领域的
我的起点是伦敦政治经济学院，在那里我辛苦学习了需求曲线、供给曲线、计量经济学、微观经济激励等知识。随后，我进入了投资银行业，具体来说，我在美国银行美林的一家分支机构工作，负责以巨大的银行和私募股权组合中的非流动资产为担保的贷款业务，这些资产会影响资产负债表评级——例如锁在金库里的金条、对冲基金份额等。
尽管这些经历与技术无关，但对我来说却非常有用——我并不后悔在银行业工作，尽管我可能花了一点时间才意识到自己应该提升自己的技术水平。
在银行业工作一段时间后，我决定转向技术领域，但我希望专注于软件产品开发史上一些最具突破性的问题和领域。因此，我的第一份工作是在一家名为import.io的公司担任数据产品经理，该公司开发了帮助从网络中抓取数据的工具。
这是我在技术领域的第一个职位，它让我学到了一些推动互联网发展的技术，包括：
- 无头浏览
- Beautiful Soup/Scrapy 和其他库
- Googlebot 和可搜索索引
- Web 代理和 IP 地址
以及更多。许多人不了解基本的基础知识，例如静态页面代码是如何在浏览器中呈现、然后发布到域名上、再到每个人都可以在互联网上查看和找到，甚至查看其代码的！
从数据产品管理到技术产品管理到平台PM再到AI产品管理。
数据产品管理是一个很吸引人的角色，2014 年我担任这个职位时，它还是一个很新的东西。当时，人工智能还不是一个流行词——流行词都是围绕大数据和云（Apache Hadoop、Hive、Pig 等）展开的。重点是获取大量数据，而不是提取数据并使用答题卡等方式对其进行智能化结构化。
我发现这个角色最有趣的是弄清楚我到底要做什么，这些工作与其他产品经理的工作有什么不同。
我了解了这种角色的含义，下面是描述：
- 与其说是售卖基于应用程序的体验，不如说是售卖数据并将其包装成产品
- 数据的包装通常是以API而不是UI的形式，你可以通过不同的方式定制这些数据——如何访问、刷新频率、其模式、如何更新、检索和编辑你自己的数据版本，如何在个人云集群中存储等
- 作为产品经理，你有灵活性与工程师合作设计有用的API
总的来说，我必须接受这样一个事实：我曾想在会议上站在最前线发布产品，并向妈妈展示我发布的产品，但这种想法已经不复存在了。API 和数据产品管理非常技术性，我很快意识到了大多数 PM 都意识到了的一点——如果我不是工程师和技术人员，除了真正制造产品的工程师所能带来的价值之外，我还能带来什么价值？我真的在增加价值吗？还是我只是在浪费团队的时间和空间？
这个反思促使我在技术方面提升自己，逐步转向技术产品管理、平台产品管理，最终进入人工智能产品管理领域。通过不断学习和适应新技术，我找到自己的定位，明确如何在这些技术驱动的角色中真正发挥作用并为团队增值。
成为创始人
我现在在做什么？
我目前是Uber所有应用AI产品的产品负责人。我的工作是研究如何在Uber现有状态之外应用AI，并与各团队合作，改进我们的运作方式。我处理以下问题及更多：
- 在线批量预测产品（例如，预测收入者将赚多少钱、预计请求哪些服务警报的时间）
- 计算机视觉产品（例如用于驾驶员文件的自动转录）
- 为用户提供情境实时预测产品（例如预测用户下一步将做什么，并向他们提供相关通知）
在担任这个职位之前，我在伦敦与英国早期的初创公司工作了将近7年，其中也包括创办自己的初创公司，该公司使用自然语言处理（NLP）技术来检测仇恨言论，并跟踪和聚类虚假声明和潜在误导性陈述，提供“可信度评分”。在此之前，我在金融领域工作，构建Excel模型以评估抵押贷款中非流动性、非结构化、难以定价的担保品（如金条）的崩盘风险。
在这篇文章中，我将讨论一些构建和管理AI产品需要考虑的事项。如果你想了解更多关于人工智能的相关内容，可以阅读以下这些文章：
2024年每个开发人员都需要掌握的生成式人工智能技能
Google的Gemini AI模型：揭开人工智能的未来
世界上最好的人工智能模型：谷歌DeepMind的Gemini已经超过了GPT-4！
我尝试了50种人工智能工具，以下是我的最爱
1. 知道如何将复杂问题分解成几个部分
在解决任何问题时，我都必须思考“我们需要哪些组件才能完成这个构建？”
我举个例子。我曾为 Bumble 开发过一段时间的推荐系统。我们的目标是思考如何在双边市场中为特定用户找到最佳匹配。
你可以这样分解这个问题：
- 如何对潜在匹配列表进行排序？
- 这些比赛排名对你来说是否对全球有利，或者对你个人而言是否有利？
- 好的定义是什么？仅仅是“吸引力”/ELO 分数（给出的相对正面评价与负面评价），还是我们需要衡量其他东西（例如推动聊天的倾向）。
- 我们优化的目标是什么？Bumble 中是否有更多聊天功能，还是提供更多初始匹配？
- 市场是如何互动的？如果每个人都看到相同的匹配集（有吸引力的女性/男性），那么这些人就会饱和，不会有任何“供应”，对吗？我们如何在队列中以正确的方式分配这些高匹配率的潜在个人？
某种程度上，一名优秀的技术产品经理应该能够提出很好的问题。这么说吧，在会议中，不断质疑应用科学家、让他们思考风险和可能被忽略的方面，这完全没问题，即使这让你显得有点烦人。
2.了解任何AI平台的系统设计
我几乎所有AI产品都不得不深入考虑以下几个方面：
- 我们需要收集哪些训练数据，以及如何收集？
- 对于我们的模型，哪些特征会有用，我们如何构建/清理训练数据以获得这些特征？
- 模型需要更新的频率是多少？
- 推理中模型所需的延迟是多少？
- 模型需要多长时间来进行原型设计？
- 你试图预测/学习的输出指标是什么？（转化率，接受率）
- 模型在UI/系统中必须输出什么（置信度阈值/分数，数值范围，时间序列等）？
- 模型的“成本函数”是什么（模型何时会受到惩罚）？
- 系统的正确评估指标是什么？每个指标的利弊如何？精度/召回率很常见，但对于其他问题，诸如NDCG或MAE等可能更好。
- 谁将负责将系统投入生产，并且他们是否了解需要做什么（将代码重构为Spark等）？
- 需要进行哪些“规范化”（L1，L2）？独热编码？
- 维度是多少？需要多少权重？
- 系统的“潜在空间”是什么？代表什么？
- 需要多少神经网络层/这些层可能需要做什么？我们如何预先训练系统？
- 需要哪种模型类型（贝叶斯，神经网络，转换器，LLM，核方法等）以及原因是什么？
3.为团队带来和谐与凝聚力
在我管理的所有AI产品中，通常存在以下各方之间的一种代理战。以下是我通常看到的激励格局：
- 研究人员/科学家——喜欢参加学术会议、阅读论文，并深入思考如何解决分布偏移问题、偏差、方差、带注释数据的问题、损失函数及其公式、变量之间的距离测量等问题。他们将解决你心中的问题，并向你证明新方法比旧方法更好。但通常就此止步。大多数科学家对最终产品和客户/用户的用例不太感兴趣，而且很难改变他们的想法。
- 工程师/DevOps/后端——通常觉得研究科学家很麻烦，因为他们不检查代码，也不与他们合作让代码“准备好投入生产”。他们喜欢制作高性能系统，在生产中测试算法，设置在线学习和人机交互等功能。同样，让工程师深入思考最终用户是非常困难的——对于工程师来说，关键是让代码很好地结合在一起，并在开发过程中进行高效的测试和流程（Git 合并等）。
- ML 工程师——非常乐于助人且务实，他们已经从 Python/Java 过渡到学习 ML，并且真的想亲自动手。你可以依靠这些人来提供帮助。ML 工程师是工程和研究之间的优秀调解人。
几乎所有这些参与者都认为没有必要聘请 PM。除了制作漂亮的幻灯片、通过用户需求以非常结构化的方式陈述显而易见的内容，以及执行编写发布文档、推动更好的指标跟踪等管理工作之外，PM 还能做什么？
你需要做的就是找到一个能够看到你的价值并推动你完全融入团队的人。否则，你很难不觉得自己是那个总是努力证明自己价值而不是被部落接受的局外人讨厌的 PM。
4. 了解从算法原型到生产的路径
MLOps领域即使到现在也仍然相对较新，许多工程师和科学家仍然不知道构建优秀AI系统所需的工具。在我的职业生涯中，我对这些方面有所了解可以在推动AI产品质量方面给你一些优势。
为了使算法可以投入生产，你必须时刻考虑以下事项：
- 你将如何计算和编译原始数据，然后按照计划将这些数据构建成与你的数据仓库兼容的指标？
- 你如何记录你的模型以及在哪里（使用的数据、使用的模型等）
- 与针对问题完成的实验相同
- 你需要多少个集群才能解决你的问题？推理、训练、存储、计算、缓存等的成本是多少？执行一次预测、一次分类任务等的成本是多少？
- 如何防止数据过时？
- 你如何处理分布变化（例如，你的训练数据不再代表你现在将获得的真实数据，例如 COVID）
- 我们如何进行实验？我们的 AB 测试计划是什么？我们如何实现统计显著性，以及使用什么方法（回溯、反事实、AB 测试等）
我认为，通过这4个要点，并深入研究每个要点，任何人都应该能够在短时间内从普通 PM 过渡到 AI PM。
感谢阅读！你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/
原文作者：Dhruv Ghulati
翻译作者：诗彤
美工编辑：过儿
校对审稿：Jason
原文链接：https://medium.com/@dhruvghulati/what-i-have-learned-building-ai-products-9baa9039aa99
