编辑导语：当人工智能逐渐被普及应用到更多场景时，产品+人工智能也逐渐成为产品人们所要推敲的工作。那么，若何发掘AI产品需求、实现产品落地？我们又该若何定义智能办事和智能体验？本文作者便结合其经验向我们展示了他的看法。
如今越来越多的产品经理也在推敲为本身的产品添加AI功能，然则事实上并没有那么轻易。作为产品经理我经常能收集到各类AI产品的idea，有些甚至过于科幻，每当我们迫在眉睫地去实施的时刻，成果老是状况百出。
该若何选择更好的技巧筹划或许是算法工程师存眷的范畴，但对AI产品来说，若何治理好AI产品需求也是一个重要挑衅，这也是AI产品经理的任务地点。
这两年的实践中，我先后做了“Get写作”和“互链文档”两款智能写作产品，前者是针对新媒体写作场景，后者是针对于日常笔记场景。不管是哪个场景，摆在我们面前最大年夜的问题并不是“我们可以用AI打造一款如何与众不合的产品”，而是“我们该怎么去定义智能体验”。
一、若何定义智能体验？
学术界对于AI智能已经有了一些定义，人们期望AI像人一样，能合理地思虑和行动（出自《人工智能??一种现代化的办法》），如下图。
从用户体验角度来看，AI产品的智能表现就是能合理地做出行动决定计划，换句话说就是“机械能根据输入前提作出合理断定并输出成果”，我们暂且称之为“主动化决定计划”。
例如，Siri可以或许合理地答复你问题，固然有些答复听起来很搞笑，但只要输出的成果让人认为合理，就依然会被人接收，如下图。
但AI的输出是否合理，这个取决于人的主不雅评判。这也是数据标注工作所做的意义地点??尽可能经由过程标注让模型更能切近人的预期。
当我们把连续串“主动决定计划”串联在一路了后，就变成了一个主动化的营业流程，赞助人类省心省力地完成营业目标，这也是AI产品的价值表现。
例如，扫地机械人经由过程优胜的寻址算法，趁主人不在家的时刻扫遍房间的每一个角落，让人认为省心又省力。但假如在扫地过程中赓续须要主人来处理各类状况，如卷了电线和异物，就算这些状况和算法无关，那也会让人认为不智能。
是以，AI产品的体验后果并不必定取决于算法，而是在产品应用过程中是否能流畅地达到用户预期的目标或价值。
综上，最终决定产品的智能体验感的核心照样在于经由AI的一系列主动决定计划后，能更好地知足营业场景中的需求。
二、AI产品需求的发掘与治理
根据前面的分析，所谓的AI产品需求治理，起重要发掘那些可以或许主动化决定计划的需求点。其次当这些需求点串联在一路的时刻，让产品整体能达到较好的应用体验。
前者和算法有关，后者不仅仅局限于算法，如下图所示：
须要强调的是，不管技巧手段若何变，产品经理始终都须要以实现贸易价值为目标，以用户体验为中间，拔取具有可行性的技巧手段和筹划。
但反不雅今朝市情上的一些AI产品经理的材料，通篇照搬AI技巧的概念，而忽视了产品本质，这是一种舍本求末的表示。
在AI产品需求分析与整顿的过程中，我们总结了以下四个关键步调：
- 收集场景案例；
- 绘制决定计划流程；
- 筛选可行性用例；
- 制订AI产品路线图。
1. 收集场景案例
我们要教会AI决定计划，我们就要必须弄清楚人是如何做决定计划的。我们应当以实现营业价值为最终目标，专注分析营业场景中的问题。在项目早期，收集实际场景中的营业案例显得尤为重要。
我们可以将收集的案例整顿成一个个表格或者卡片，包含要素有：场景概述、营业目标、营业流程、关键决定计划点、营业痛点、过往案例。
- 场景概述：用最简洁的一句话解释该场景中的营业要点“谁??做什么??为什么做”，这类似于敏捷开辟中的“用户故事”;
- 营业目标：用于明白营业要杀青的最终成果，并为主动决定计划获得一个可衡量标准。我们可以寻找营业中一些量化的KPI，这不仅是对人的考察也是对AI的考察；
- 重要营业流程：主如果为了弄清楚当前的体系运行情况，比如在原有的人工的营业流程是怎么样的？现有的营业流程中有哪些长处或者缺点？
- 关键决定计划点：找到关键逻辑决定计划点，在流程中人是若何做决定计划的？断定的效力怎么样？断定规矩是什么？要输出如何的成果？
- 营业痛点：找到产品可以或许发挥价值的处所，有哪些痛点？有哪些抱怨？
- 过往的成功与掉败的案例：主如果为了弄清楚一些真实情况。可否举出一个或者多个成功的案例？可否举出一个或者多个掉败的案例？掉败的原因是什么？会怎么样处理？
在我接触过的项目中，一些营业方对表格中的问题会表示得一脸懵逼，原因很简单，本身都没有弄清楚本身营业的SOP（标准功课法度榜样），就期望AI来帮他们解决问题。
这种情况，照样须要由人类先摸索出有价值的SOP，因为人做不好的，AI肯定也做不好。
如下图，CRM客户发掘的营业场景案例。天天，客服人员须要拨打大年夜量的德律风，找到对产品感兴趣的客户，以便于发卖人员跟进。对于客服人员来说，工作量大年夜并且反复，轻易让人烦躁。
经由过程如许的收集和整顿，让我们对要解决的问题和场景有一个直不雅的感知，但跟着查询拜访的深刻我们还可能会发明新的问题。
为了不漏掉有价值的信息，这个阶段我们收集的案例，应当有更多发散性。
2. 绘制决定计划流程图
经由过程营业案例的收集，我们可以梳理出一个营业流程图，我们可以应用“UML活动图”来绘制，并且我们还要重点标识出决定计划的断定点。如下图：
如图所示，起点是遴选客户材料，停止点是标记出有意愿的A类的客户。
为了加倍明白，我们将主流程（Happy path）放到主轴上面，代表决定计划的菱形节点放在两边，我们可以一目了然，看到那些通向“幸福Happy”的关键决定计划。
先不推敲任何实现手段，我们须要先弄清楚，每一个决定计划点的输入、输出和规矩是什么。我们可将这些决定计划点整顿成一份“决定计划用例清单”，然后再综合推敲是否合适AI主动化决定计划。
注：用例（Use Case）是UML中术语，一个用例代表一个完全的体系功能单位，但不推敲该体系的内部实现细节。
别的，我们还可以将此清单整顿成UML用例图，这个体系介入者有三个：客服、客户、AI。
3. 筛选可行性用例
根据上面的用例，AI该若何与人类一路工作呢？
并不是所有“决定计划”都是合适机械做，机械做决定计划的特点是效力高速度快，但应变性弱。人类做决定计划的特点是灵活性高，然则轻易产陌生忽和漏掉等问题。我们可以用处景决定计划矩阵断定，如下图：
按照场景和决定计划两个维度进行拆分，分成四个象限：
- 惯例性场景+信息性决定计划：对细节请求不高，进修案例多，AI进修后果较好，AI只供给信息建议，帮助人类决定计划，掉足的风险很低，特别合适AI来做；
- 细腻性场景+信息性决定计划：对细节请求极高，进修案例少，AI做出精确断定有难度，AI供给信息建议，由人类为主导AI帮助做决定计划，掉足风险低；
- 惯例性场景+行动性决定计划：对细节请求不高，进修案例多，AI进修后果较好，AI代替身类做行动决定计划，掉足有必定风险性，合适人类为主导AI做帮助；
- 细腻性场景+行动性决定计划：对细节请求极高，进修案例少，AI做出精确断定有难度，让AI代替身类做行动决定计划有很大年夜风险，建议人来做。
我们可以将上面的决定计划用例做一个基本的剖断。排布在场景决定计划矩阵如下：
经由过程如许的分类办法，我们能很清楚的知道机械和人类应当如何分工，案例中大年夜部分决定计划用例都可以交给机械，但“询问进一步沟通的意图”是很关键的一步，假如全权交给机械，后果将大年夜打扣头。
如许，我们就有了一张人与AI的分工图：
这时我们有了两条思路：
- 第一条思路，假如AI后果好的话，那么全权负责整条链路，让人在最后一步把关，如许的好处是效力高；
- 第二条思路，AI作为一个帮助对象，赞助客服主动化筛选客户信息，做好通话情况记录和打分，必定程度有效晋升客服效力，并且成果也可控。
到底哪个筹划好呢？
一方面须要根据实际的营业需求断定。例如，针对高端人群的产品，获取客资成本高，对于这些高端客户来说冷冰冰的机械人德律风显得没有诚意，然则通俗话不标准的发卖人员也可能让人认为是盗窟倾销。
别的一方面，我们须要将需求对应到不合的技巧模块上，因为算法产品有必定不肯定性，贸然应用不成熟的技巧，也承担着巨大年夜风险。作为产品经理，我们应积极与数据科学家和工程师沟通，或许他们也有更好的建议，对于产品经理来说，沟通永远都是第一要务。
4. 制订AI产品路线图
AI和人一样，须要一个成长过程，这个过程中须要赓续的积聚数据和调剂算法策略。一个好的AI产品路线图，须要给我们的产品计整洁个学徒期，从简单的决定计划开端，再逐渐演变为更复杂的决定计划。
我们可以根据前面的算法模块的拆解，遴选出哪些须要优先做的模块，我们可以从影响、尽力、风险三个维度推敲。
我们优先选性价比高和风险较低的模块，假如是一些通用性的算法模块也可以推敲应用大年夜厂供给的办事。如许包管产品功能完全性的同时，也降低了不肯定性带来的问题。
AI产品比拟传统产品更须要大年夜量数据，我们须要提前做好数据埋点和反馈机制，确保产品上线后，可以或许收集足够的数据，充分懂得各类决定计划及其完全高低文。如许便于算法工程师，持续的优化模型和算法。
别的，为了更早的发明真实场景中的问题，我们须要让用户尽早地应用我们的产品。然则因为产品还在学徒期，功能不完美、体验不肯定，并不合适大年夜范围推广。我们可以推敲经由过程邀请制，让愿意尝鲜的用户先体验，这些用户往往比通俗用户包涵性更强也加倍积极，愿意提更多的看法和设法主意。
基于上面的几点推敲，我将路线图中的需求分成应用层需乞降算法层需求两类。
应用层主如果指直接与用户打交道的需求，这部分是偏传统的软件开辟内容。
细分下去包含：决定产品应用体验的功能性需求；和运营节拍互相干注的增长性需求，如邀请、裂变、积分等；还有效户看不到的但能让产品和办事项得更好的支撑性需求，如产品后台、数据统计平台等。
算法层是指与主动化决定计划互相干注的需求。
应用层与算法层经由过程算法办事供给API打交道，这些API须要根据应用层场景进行调剂和优化。但算法只有API是不敷的，还须要一些支撑性的模块，例如收集爬虫和一些基本算法模型。
在产品早期，我们须要敏捷验证我们的营业偏向和价值。所以，我们起首须要为用户做好基本场景的扶植，并为AI的崭露头角预留出更多的空间，于此同时我们也须要做好算法层的技巧扶植，然后再慢慢引入种子用户赓续优化产品。
而中期，我们须要供给更多的营业数据反哺算法，做到人无我有的极致体验。
最终，我们整顿出我们的AI产品路线，让我们的AI产品可以或许从学徒期慢慢走向成熟。
三、结语
在这两年的AI产品实践中，我在产品经理、设计师、工程师之间往返切换角色，不仅仅是为了打造心中所想的产品，也是为了探寻心中的一个谜底：AI时代，产品经理应当若何做产品。
以前一年，可谓一路疾走，将本来写产品需求的时光放到了写代码上，不知不觉中，我的github瓦片图也将近被绿色占满。但值得光荣的是，经由过程亲手打造的产品，团队也成功拿到了融资。
AI产品其实并不神奇，任何产品的贸易价值都在于其对人类的价值。
只是不合的技巧筹划须要推敲的侧重点会有所不合。
对于产品经理来说，科技在进步，思维方法须要迭代更新，但也不克不及全部舍弃，用“进化”这个词来形容我们AI时代的产品经理可能更为贴切。
#专栏作家#
PM熊叔，微信"大众,"号：PM熊叔，人人都是产品经理专栏作家。教导类产品产品经理出身，学过设计，做过开辟，做过运营的产品经理。
题图来自 Unsplash，基于 CC0 协定
