关于AI产品的几点思考

AI 产品的数据

对于 AI 产品而言，数据可访问性是最重要的因素。

首先，可能不得不从第三方数据开始，你必须购买这些数据，
<br/>

或者从公共数据开始，这些数据可以免费获得，或者很容易获取。

但是，天下没有免费的午餐。

<br/>

最不应该做的事情就是基于原始的第三方数据集或免费的数据集创建一个产品，
<br/>

然后看似得到了一个非常精确的大模型，但是在真正处理来自你从未见过的真实客户的数据时表现很差。

这就是为什么你可能会想要或需要与一些潜在客户的合作伙伴。

与可以信任的客户合作，以帮助构建一个能够利用真实数据取得成功的产品，
<br/>
这对于最终获得一个准备好的 MVP 产品有很大帮助。
<br/><br/>

AI 产品的营销

对于人工智能产品，营销要经过具体的审查，因为人工智能市场竞争激烈，不然公司处于沟通的泥潭中。
<br/>

特别是一些敏感场景，新的生产力工具出行初期往往需要面对大量的不信任和恐惧感。

如果你过多地宣传你的产品，以及哪些模型使它值得打上人工智能的印记，你就泄露了太多的秘密。
<br/>

如果你对赋予其 AI/ML 功能的实际技术沟通太少，可能会面临过度推销解决方案的 AI 功能的批评。

我们可以很有信心地说，大多数公司在谈到人工智能产品时，都倾向于沟通不足。
<br/>
在这一步中，你需要与所有利益相关者就如何最好地向外部世界传达人工智能能力达成一致。

<br/><br/>

AI 产品研发与传统研发模式的不同

在这个阶段，传统软件开发和 AI 产品开发之间的区别在于，在继续之前，对创意的关注是重中之重，因为投资 AI 产品的成本非常高。

<br/>
因此，在进入产品开发生命周期的下一阶段之前，需要重点关注这一阶段。

我们不希望在进入产品开发的核心阶段后，再打回到设计阶段，

结果发现对如何利用 AI 为产品提供支持有了更好的想法，

从而不得不失去数月的工作，花费数月时间整合特定的技术堆栈、存储和昂贵的人力。
<br/><br/>

AI 产品的底层基础设施和团队协作

在 AI 产品底层的技术堆栈中，最大的考虑因素是，随着业务的增长，

要正确地设置你的基础设施，以处理你的数据规模。

构建正确的技术堆栈，以处理数据的清理、存储、安全、准备和监控，

将是支持你的 AI 计划或产品团队的基础。

这需要与构建你的数据战略相结合。<br/>

除此之外，你将寻求为你的 AI 计划中的许多角色创建一个协作环境。

在分析师、数据科学家、ML 工程师、更广泛的工程团队

以及你纳入 AI 团队组建过程中的任何领导人和顾问之间，

你需要为所有这些不同成员创建沟通和协作的渠道。
<br/><br/>

AI 产品经理的职能

如果你的组织规模足够大，可能会为之前提到的每个产品周期版本分配单独的 PM。

也可能会有各种 PM 支持 AI 产品功能的各个方面。

也可能会有一个 PM 专门负责产品的 AI 功能，由高级别 PM 或产品总监监督整个套件。

在较小的组织中，可能只有一个 AI PM 监督整个产品的整个生命周期或构思，以不断维护该产品。
<br/><br/>

组织和公司规模

公司规模大小的另一个区别在于数据本身。

根据公司规模的大小，你拥有的数据的访问或质量可能会有不同程度的难度。

作为产品经理，让这些数据可用并且处于可用状态可能比在初创公司更困难，

并且会占用你更多的时间，因为你需要获得需要管理权限的孤立数据集的访问权限。

即使将这些数据整合在一起也可能很困难，具体取决于每个数据集的惯例。

相反，初创公司可能很难积累足够多的用户，并且存在数据量问题。

对于大大小小的公司来说，数据可用性和质量都是老生常谈的问题，

这是值得长期投入精力去做的事情。

本文由mdnice多平台发布