六頂思考帽是英國學者愛德華·德·博諾（Edward de Bono）博士開發的一種思維訓練模式，或者說是一個全面思考問題的模型。
通過上一篇文章中對分析拉勾上的AI產品經理招聘數據，我們已經瞭解到關於AI產品經理的市場需求情況，以及企業對於產品經理的崗位職責及要求。今天我們重點來共同聊聊，AI產品經理需要在思維方式上的準備工作。
說起AI(人工智能)我們不得不提到機器學習和深度學習，那麼二者究竟是怎樣的關係呢？筆者更傾向的一種認知是：機器學習（ML）是一種實現人工智能的方法，深度學習（DL）則是一種實現機器學習的技術。通過國務院於2017年7月出臺的《新一代人工智能發展規劃》來看，AI相關行業的開發人員、產品人員大家任重而道遠。而作為AI產品的產品經理，我們一方面是要有相關的技能和知識儲備，另一方面是要有著相關的思想上的準備。
作為互聯網產品經理，我們需要的主要思維方式：
- 用戶思維：以用戶為中心；
- 簡約思維：less is more,simple is beautiful；
- 極致思維：超越用戶逾期；
- 迭代思維：小步快跑；
- 流量思維：目光群集之處，金錢必將追隨；
- 社會化思維：用網絡的方式完成協作，分工和合作；
- 大數據思維：全樣思維、容錯思維和相關思維；
- 平臺思維：堅持開放、共享、共贏；
- 跨界思維：大世界大眼光，用多角度，多視野的看待問題和提出解決方案。
既然同樣是產品經理，我們在上述9中思維方式的基礎上，AI產品經理有哪些不同，亦或需要加強的地方呢？
1. 萬物皆數據
如果有一定技術基礎的夥伴，應該瞭解面向對象編程，而面向對象編程的一個核心觀點就是“萬物皆對象”。而我們作為AI產品經理，需要的一個觀點是萬物皆數據。
不管是NLP (Natural Language Processing)自然語言識別，計算機視覺、圖像識別等等方面，最終都是將實體轉化為計算機能夠理解的數據符號來加以理解。
我們在學習深度學習的時候有一個很經典的例子，就是手寫數字的識別(基於MNIST數據集)。為了讓我們的程序能夠識別某個手寫數字，我們在從事數據預處理時，就是先將原本28*28的數字圖像，轉換為一維的向量，其長度是784，並且轉換為Float，然後將數字對應的圖像數字標準化。其核心的代碼如下：
2. 大膽假設，小心求證
我們在進行深度學習的建模過程中，有一個非常困難的問題，就是如何設定網絡的層數及其類型，我們只有不斷的試錯，通過進行一系列的試驗，儘可能的找到最好的網絡結構。面對我們深度學習和機器學習的建模過程，我們很多時候並不能立刻找到最優的算法，我們只有通過不斷的通過模型的準確性，F1值等等來找到最優的算法。
在AI產品的設計過程中，我們會碰到很多前沿的領域或者技術。我們以TNT為例，語音識別的加入肯定能在一定意義上提升工作效率這一點是毋庸置疑的，但是他能否作為主流的辦公手段呢？假設我們可以通過人工智能的手段去處理複雜的語言邏輯，達到用戶想要的目的，但我依然認為這是一種過渡手段，而我們暫且能夠看到的一定階段的目標，就是腦機接口的應用，通過意念去控制程序實現我們的目的。而我們在實現這些的過程中，首先要假設：我們能否通過自然語言識別完成這樣的操作；自然語言識別能否成為主流的工作手段；是否有著更好的代替自然語言識別的手段或技術。這些都是在不斷假設和求證過程中進行的。
3. 從跨界到無界
隨著移動互聯網時代的到來，我們處於資訊大爆炸中，並且科技的快速發展，使人們逐漸突破思維的禁錮，“跨界”正成為時下新常態，而跨界思維也成為互聯網產品經理的主要思維方式之一。
李彥宏指出：“互聯網產業最大的機會在於發揮自身的網絡優勢、技術優勢、治理優勢等，去提升、改造線下的傳統產業，改變原有的產業發展節奏、創建起新的遊戲規則。”
而作為AI產品經理，更應該從跨界思維到無界思維。給大家推薦一本書《銀河系漫遊指南》(筆者被唐巧安利的)：該書於1979年出版，書中主人公Arthur Dent的朋友Ford Prefect——星際旅行指南秘密研究員——警告他地球將要被毀滅。他們兩人逃到外星人的飛船，並環繞宇宙開始了奇妙的冒險。他們目睹的一件東西就是可以對音頻進行實時翻譯的通用轉換器。今天我們用到的科大訊飛的翻譯工具，百度翻譯，Google翻譯等在當時是多麼神奇的東西，但是 《銀河系漫遊指南》的作者就能夠想象到未來會有這樣的事物產生。我們在從事普通的產品經理工作時，很多時候要基於現有的產品表現形式，現有的技術實現方式去進行需求的評估、產品的實現，而作為AI產品經理我們更需要的是無界思維，不讓自己束縛在現有的認知上。
4. 薛定諤的貓
量子力學作為20世紀最有突破的科學成就之一，也是最具爭議的科學之一。“薛定諤的貓”很好的闡述了這一現狀。人們不能接受量子力學是因為它的不確定性。
而薛定諤的貓是奧地利著名物理學家薛定諤提出的一個思想實驗，試圖從宏觀尺度闡述微觀尺度的量子疊加原理的問題，巧妙地把微觀物質在觀測後是粒子還是波的存在形式和宏觀的貓聯繫起來，以此求證觀測介入時量子的存在形式。既然是量子力學的實驗，又跟我們的AI產品經理思維有著怎樣的關係呢？我們先來看看下面的三幅圖，左邊是淘寶的客服小蜜，右邊是京東的京東客服。第三幅圖是微信的關鍵詞回覆。
我們在從事智能客服，或者一些應答工具的產品時，會首先確定一些關鍵詞，針對某些關鍵詞的觸發，推送相應的答案給用戶，產品的設計與邏輯類似與微信的關鍵詞回覆。不過我們最開始的智能客服或者應答工具都是針對封閉性環境，或者說我們需要一個十分確定的關鍵詞去觸發條件，而對於開放性應答環境就需要人工智能的相關技術，開發性的應答環境我們需要的不是一個十分確定的關鍵詞去觸發。
舉一個簡單的場景，我們需要在用戶想我們發送“早上好”的時候，回覆“早上好”。如果是封閉性的應答環境，我們通常是去進行分詞匹配是否包含有早、早上、早上好，這三個關鍵詞，如果有這三個關鍵詞，我們回覆“早上好”。而通過深度學習的方式，我們現在的做法，通常是去收集很多跟早上好相關的語句，去訓練模型，告訴模型這些都是早上好的意思，如果再遇到類似語句，就需要回復早上好。
5. 人工智能並非高不可攀
我們在實際工作中，很多時候涉及人工智能、機器學習、深度學習的問題時，很部分夥伴可能會認為我們通過現有的處理方式和產品已經能夠很好的解決問題，我們沒有必要去採用新的技術手段。亦或者我們在從事產品的過程中，覺得某個功能是需要用到人工智能相關技術，而我們的技術團隊是沒辦法實現這樣的需求的。
我們先說說即時通訊工具。
老闆—“囧人，你看淘寶和京東上買東西的人都能跟店小二，聊兩句，而且很多產品都有這樣的功能，我們的APP也應該有這樣的功能嘛”
John—“老張(技術部leader),上級新需求，我們的APP上要加上聊天工具，你看什麼時候能弄完，老闆只給1周時間”。
老張—“這不扯犢子麼？我們總過就2個兩個開發人員，一個前端+後臺，一個後臺+運維，並且XMPP協議我們都不熟悉，這個功能完不成的”
難道我們就這樣回覆老闆呢？？當然不是，現有的第三方提供聊天SDK的Bmob和融雲，都是能夠幫助我們快速在App中實現聊天工具的快速方法，即使是視頻聊天，網易視頻雲等也提供完善的SDK和文檔幫助我們快速實現。
舉上一個例子的主要原因是要告訴大家，如果我們遇到一些技術性難題，並且團隊並不具備相應的技術能力的時候，我們可以尋找是否有第三方的SDK或者API能夠快速實現我們的需求。比如提供語音識別SDK和API的科大訊飛、百度翻譯等；提供圖片、名片掃描等OCR識別服務的百度文字識別、百度身份證識別、掃描全能王等；提供智能客服的微軟Azure服務；提供區塊鏈服務的螞蟻金服等等。作為AI產品經理，要時刻關注產品和技術的發展，並且及時瞭解業內動態。
6. 人文情懷
為什麼我將人文情懷放在最後一位呢？
- 機器學習：專門研究計算機如何模擬和學習人的行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷完善自身的性能。
- 深度學習：深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
從機器學習和深度學習的定義來看，我們都要回歸到問題的本質，也就是迴歸到產品的本質就是“人”。產品亦或者工具都是為人服務的，而我們現有的技術也是以人為根本來搭建的。那麼我們在從事人工智能相關的工作中，也不能忘了人工智能背後所包含的人文情懷。
我們以泰坦尼克號的數據為例，來講述人工智能背後的人文情懷。
我們在AI產品的工作中，難免會遇到分類和預測的問題。傑克和露絲雖然是虛構出來的人物，但是我們可以通過真實的泰坦尼克號數據，來預測一下傑克和露絲在真實的泰坦尼克號上能否生存下來呢？
我們處理數據的主要思路是：
- 數據預處理；
- 建立模型；
- 訓練模型；
- 評估模型準確率；
- 加入傑克和露絲的數據；
- 進行預測；
- 找出異常數據。
我們最後在查找異常數據的時候，發現了一些很感人的故事：某些生存概率高的旅客，最後卻沒有幸存；Trevor一個嬰兒是如何在父親、母親、姐姐都遇難的情況下生存下來的等等。我們在從事數據分析和產品工作的時候，請記得我們面對的永遠不是一個冷冰冰的數據，使用我們工具和產品的永遠是活生生的人。
閱讀更多 人人都是產品經理 的文章
