本篇先介紹許多熱門的行業(yè)均在產(chǎn)生AI產(chǎn)品經(jīng)理崗位的需求，再詳細(xì)介紹AI產(chǎn)品經(jīng)理必懂的AI技能，接著撰寫什么是神經(jīng)網(wǎng)絡(luò)？什么是機(jī)器學(xué)習(xí)?最后用一個(gè)案例詳細(xì)拆解AI產(chǎn)品經(jīng)理如何用機(jī)器視覺識別手寫字體的整體案例。

疫情后產(chǎn)品經(jīng)理的生存法則變了！??！

時(shí)下社交電商產(chǎn)品、營銷短視頻產(chǎn)品、數(shù)據(jù)安全產(chǎn)品、人工智能產(chǎn)品、機(jī)器人客服產(chǎn)品都在蓬勃發(fā)展，社交電商中用機(jī)器學(xué)習(xí)基于社交關(guān)系推薦精準(zhǔn)的商品或服務(wù)，短視頻的機(jī)器人驗(yàn)Huang, 基于大數(shù)據(jù)生成的數(shù)據(jù)集用機(jī)器學(xué)習(xí)算法來訓(xùn)練挖掘潛在的風(fēng)險(xiǎn)等等。

這些產(chǎn)品背后大多隱含著一種崗位需求，這種需求指向一種產(chǎn)品經(jīng)理：AI產(chǎn)品經(jīng)理。

人人都是產(chǎn)品經(jīng)理，但是想成為離CEO最近的產(chǎn)品經(jīng)理，得先在疫情下生存下來，得能在疫情之后選對產(chǎn)品方向。

一、AI產(chǎn)品經(jīng)理必會(huì)的技能有哪些？

AI產(chǎn)品經(jīng)理不是直接的AI+（加上）產(chǎn)品經(jīng)理，AI產(chǎn)品經(jīng)理有自己獨(dú)特的技能，例如：基礎(chǔ)層面AI產(chǎn)品經(jīng)理最好有數(shù)學(xué)中線性代數(shù)，微積分，統(tǒng)計(jì)概率論作為打底，然后在應(yīng)用層面最好有計(jì)算機(jī)相關(guān)的知識，再就是在算法層面至少能梳理出自己行業(yè)所需要的算法和自己產(chǎn)品需要的算法時(shí)下能夠支持的技術(shù)邊界。等等以上這些技能是AI產(chǎn)品經(jīng)理的必需一面，以后再再介紹具體，本篇先入門講解什么是神經(jīng)網(wǎng)絡(luò)算法？什么是機(jī)器學(xué)習(xí)算法？

二、什么是神經(jīng)網(wǎng)絡(luò)？

人工智能的底層模型就是”神經(jīng)網(wǎng)絡(luò)”（neural network）。許多復(fù)雜的應(yīng)用（比如模式識別、自動(dòng)控制）和高級模型（比如深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、機(jī)器視覺、機(jī)器聽覺）都基于它。學(xué)習(xí)做人工智能產(chǎn)品經(jīng)理，必懂的技術(shù)技能一定是神經(jīng)網(wǎng)絡(luò)，一定是從它開始，然后逐步深入。

那么神經(jīng)網(wǎng)絡(luò)并不神秘，神經(jīng)網(wǎng)絡(luò)的本質(zhì)是模仿人類的思考。人類的思考是在于人類大腦的圣經(jīng)網(wǎng)絡(luò)。人類神經(jīng)元具體思考過程如下：

1. 外面的信號刺激通過神經(jīng)末梢，轉(zhuǎn)化為電信號，電信號轉(zhuǎn)導(dǎo)到神經(jīng)元；
2. 很多很多神經(jīng)元構(gòu)成人類的神經(jīng)中樞；
3. 神經(jīng)中樞綜合各種信號，做出決策和判斷；
4. 人體根據(jù)神經(jīng)中樞的指令，對外部刺激做出反應(yīng)。
5. 所以人造神經(jīng)元就是人工智能產(chǎn)品中的核心技術(shù)，視為神經(jīng)網(wǎng)絡(luò)。

一個(gè)神經(jīng)網(wǎng)絡(luò)包含，輸入的數(shù)據(jù)，和輸出的結(jié)果，這中間對數(shù)字的處理需要有對不同數(shù)字的權(quán)重賦值的權(quán)值，和究竟哪種結(jié)果適合的閾值。

所以日常我們常?？吹缴窠?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如下：x表示輸入，a層是神經(jīng)元，h是輸出。

三、什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)是一種數(shù)據(jù)分析技術(shù)，讓計(jì)算機(jī)模擬人和動(dòng)物天生習(xí)得的技能：從經(jīng)驗(yàn)中學(xué)習(xí)。機(jī)器學(xué)習(xí)算法通過計(jì)算直接從數(shù)據(jù)中“學(xué)習(xí)”信息，而不依賴于預(yù)定模型。當(dāng)可用于學(xué)習(xí)的樣本數(shù)量增加時(shí)，這些算法可自適應(yīng)提高性能。

另外機(jī)器學(xué)習(xí)的原理就是上面講到的神經(jīng)網(wǎng)絡(luò)，同樣包含數(shù)據(jù)的輸入，中間神經(jīng)元層的計(jì)算，和最終結(jié)果的輸出。

但是機(jī)器學(xué)習(xí)自身又分為，有監(jiān)督的（對輸入的數(shù)字進(jìn)行標(biāo)注），和無監(jiān)督的（對輸入的數(shù)據(jù)不標(biāo)注）及半監(jiān)督的。

故此可以理解為機(jī)器學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用。

案例：AI產(chǎn)品經(jīng)理實(shí)操機(jī)器視覺識別手寫字體

下面筆者LineLian通過一個(gè)例子來實(shí)際操作一遍神經(jīng)網(wǎng)絡(luò)，又叫感知機(jī)。這個(gè)案例里叫MLPClassifier(Multi-layer Perceptron Classifier, 多層感知機(jī)分類器)。

AI產(chǎn)品需求是：利用神經(jīng)網(wǎng)絡(luò)識別手寫的字體。

本案例原理同樣適用于馬路上的攝像頭（電子警察）識別車牌，及計(jì)算機(jī)視覺（CV）相關(guān)的其他實(shí)戰(zhàn)產(chǎn)品案例。

AI產(chǎn)品流程是：導(dǎo)入數(shù)據(jù)，訓(xùn)練模型，優(yōu)化模型，啟發(fā)式理解等。如下圖:

下面筆者按照上圖訓(xùn)練神經(jīng)網(wǎng)絡(luò)的流程，先選擇經(jīng)典數(shù)據(jù)集，需要訓(xùn)練聯(lián)系的同學(xué)可以公眾號留言，進(jìn)行如下訓(xùn)練：

第零步：引入適合的數(shù)據(jù)集

在這一步中重點(diǎn)是找到適合的數(shù)據(jù)集。

第一步：設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)參數(shù)

其中產(chǎn)品經(jīng)理要懂的點(diǎn)是：

sloer是表示優(yōu)化神經(jīng)網(wǎng)絡(luò)數(shù)字權(quán)重的，relu表示激活神經(jīng)元的，alpha表示參數(shù)項(xiàng)正則，hidden后面表示神經(jīng)網(wǎng)絡(luò)的層和神經(jīng)元個(gè)數(shù)，random表示隨機(jī)生成數(shù)字，verbose表示打印過程，learning_rate=’invscaling’，用來更新有效學(xué)習(xí)率。

第二步:生成了模型并把模型保存下來

第三步：篩選模型

第四步：交叉驗(yàn)證模型

第五步：載入數(shù)據(jù)，選擇準(zhǔn)確率作為驗(yàn)證集模型驗(yàn)證的具體指標(biāo)

對模型用數(shù)據(jù)測驗(yàn)正確率。

第六步：調(diào)整神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型的大參數(shù)，這里調(diào)整神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)。

第七步：繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)調(diào)整神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型的大參數(shù)，這里調(diào)整神經(jīng)網(wǎng)絡(luò)中間層的節(jié)點(diǎn)數(shù)n

第八步：輸出訓(xùn)練結(jié)果

第九步：輸出針整體對測試集數(shù)據(jù)訓(xùn)練結(jié)果

本文案例操作流程在AI產(chǎn)品實(shí)踐中具有普適性，AI產(chǎn)品經(jīng)理在做AI產(chǎn)品的過程中重心不是放在訓(xùn)練參數(shù)和模型的大參數(shù)，或者叫超參數(shù)上。而是懂里面部分關(guān)鍵函數(shù)代表的含義。

即:

1. 懂得你的神經(jīng)網(wǎng)絡(luò)你的機(jī)器學(xué)習(xí)采用多少層神經(jīng)網(wǎng)絡(luò)；
2. 懂你的數(shù)據(jù)集數(shù)據(jù)質(zhì)量情況，數(shù)據(jù)分組情況，例如，本文將數(shù)據(jù)集分為訓(xùn)練集數(shù)據(jù)、交叉驗(yàn)證集數(shù)據(jù)和測試集數(shù)據(jù)、及中間收集的訓(xùn)練誤差數(shù)據(jù)和交叉驗(yàn)證誤差數(shù)據(jù)；
3. 懂代碼不一定熟練寫代碼；
4. 懂部分核心功能函數(shù)的意思，但未必由AI產(chǎn)品經(jīng)理能夠改造函數(shù)；
5. 最最要懂的這么成熟的機(jī)器視覺除了應(yīng)用在識別車牌，識別罪犯、看家護(hù)院外，還能應(yīng)用此算法模型解決哪些需求？例如：結(jié)合其他模型做個(gè)新的功能應(yīng)用。

像下圖抖音一樣做個(gè)換臉的產(chǎn)品也未嘗不可知。

AI對產(chǎn)品的影響不僅僅是換臉，也不僅僅是機(jī)器人客服（Chatbots），從理論上AI可以重新定義產(chǎn)品，從實(shí)踐中AI需要AI產(chǎn)品經(jīng)理拎著AI技術(shù)找對那個(gè)釘子需求。未來說不準(zhǔn)你和我都有機(jī)會(huì)做出成名的AI產(chǎn)品。江湖夜雨十年燈，一起聊聊AI，侃侃AI產(chǎn)品經(jīng)理的人生，你的轉(zhuǎn)發(fā)是我日后續(xù)更的動(dòng)力！

#相關(guān)閱讀#

產(chǎn)品經(jīng)理10大基礎(chǔ)技能（1）：讀透SQL

產(chǎn)品經(jīng)理10大基礎(chǔ)技能（2）：讀透模型

產(chǎn)品經(jīng)理10大基礎(chǔ)技能（3）：讀懂?dāng)?shù)據(jù)倉庫

產(chǎn)品經(jīng)理10大基礎(chǔ)技能（4）：用Python建立并分析RFM模型

#專欄作家#

連詩路，公眾號：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進(jìn)化論：AI+時(shí)代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash, 基于CC0協(xié)議