如何从0开始做一款AI产品（上）
AI产品的工作方法
目前大部分公司不是靠纯AI算法来发家的，大部分公司是靠传统的行业加上AI。 这种类型的产品之前没有涉及AI算法，一般是在业务发展中再逐渐搭建自己的AI算法团队进行迭代发展。还有部分是完全靠第三方的AI算法来助力赋能自己的产品。在开发流程中一般是在现有的功能上，添加上AI功能。
举例：医学界
生产该软件的公司一开始是做线下的杂志，很多制药的工厂在该杂志上发布软文介绍，对医院的医生进行介绍。随着移动互联网的发展，纸质杂志生产的越来越少，逐步转移到线上。
目前的核心需求是：将药的广告咨询精准推荐给医生。痛点是：打开率不足2%,药厂对于ROI不满意，没有足够的广告效应；已有的单向推荐没有得到反馈，不懂医生关注点是什么，推荐成功率很低。分析出核心痛点是信息不对称，盲目的给医生推荐信息，没有制作出带算法的AI推荐系统出来。项目启动的时候盘点一下，人钱物，盘点AI技术相关。项目实施阶段，首先建模需要对样本数据进行测试，测试好了之后推荐引擎才能成型，构建好了一个具有AI属性的DMP平台；项目上线阶段，采用放量上线，进行AB测试。
项目启动阶段：
1.了解AI团队的构建：需要有算法工程师，数据仓库，ETL工程师，数据库工程师，AI产品经理
3.了解哪些AI技术能够做精准推荐
NER(命名实体识别)
NLP(自然语言处理）
NLU(自然语言理解）
关联规则
项目实施阶段
项目实施阶段——测试模型+推荐引擎
核心人员是：算法工程师、数据仓库工程师、数据库工程师
参与了解的人员：ETL工程师、AI产品经理
AI产品经理需要把控什么？
1.把握需求定义：如需要某数据，产品经理搞定数据从哪里来，是购买还是采集源数据
2.明确算法边界，知道能实现什么功能，不能实现什么功能；如果算法不能做，需设计运营管理平台，由运营维护。
3.推进数据库和算法的新增和完善，逐步降低人工维护规则，增加机器自动规则。
项目实施阶段——构建DMP平台（数据管理平台）
核心：数据源
1.调研业务，调研数据源，成为公司或者行业的业务专家。
2.产品经理或数据仓库核心驱动：数据仓库+数据库工程师构建数据平台，定义数据每个数据代表的意思，清楚哪些数据源是自己的，哪些是外部的。
项目上线
上线前：进行AB测试（但不是必须的）
不做AB测试的风险：有BUG 时,难以判断用户是否接受新功能，也会导致推荐不精准。
AB测试方法：根据业务类型，选择客户、按区域/ip判断
放量上线：产品经理整体协同主导，把握核心部门手机号码，遇到问题第一时间找到关键人。
上线之后：
收集运营反馈、收集客户反馈、优化算法
如何改造已有的AI产品
使用供应商的AI算法情况，如某国有银行产品经理，大型国有银行，以前依靠人工审核贷款，仅服务中大型企业，政策要求给中小型企业放款，这样导致量大难度增大。
AI产品的核心需求：快速精准审核贷款。
项目工作方法：项目启动阶段中需要进行行业调研，了解其他软件是否已经实现了，如果已经实现了该功能，就需要在市场上进行招投标，选择靠谱的服务商。另外要了解哪些AI技术支持功能的实现。在选择靠谱的服务商过程中要梳理清楚自己的核心需求及对于的核心服务能力。
项目实施阶段：产品设计研发易踩的坑点：第三方服务商的版本变化，之前给的老接口，更新后未及时同步，造成后续的数据不一致，需要产品经理发现纠正；跟第三方服务商对数据，如果出现数据不一致要及时处理；对于个别功能还需进行个性化定制，在谈判阶段是ok的，最后项目实现未提供相应服务，需要产品经理具备项目管理的能力，将定制化的需求模块化。
从0开始做一款软硬协同型AI产品
以魔镜为例：
第一步：调研定义市场方向，确定魔镜使用场景，是试衣魔镜？还是使用在健身房；还需要进行竞品分析，定义产品的市场方向。
先确定是toB还是toC ，toB的情况只要能提高客户粘性，高定价商城愿意买单，但是如如果个人用户在家使用，不能定价太高。完整的产品方案是包含很广的范围的，软硬协同型的产品比纯软件型的产品，工作量要大一些。
第二步：深挖魔镜的特点，输出MRD、feature list 、usercase
市场分析、项目机会、应用范围、市场需求、运营模式、搭建时序、资源匹配、远期规划
硬件的配置、软件交互展示方案、软件匹配环境、效果及展示
第三步：产品说明书PRD，其目录一般为：包装、产品介绍、操作简介、安装图示、产品尺寸、规格参数、连接电源、注意事项。
以七匹狼的魔镜项目为例，比如说七匹狼要制作一款试衣魔镜，有2种情况，七匹狼存在2种门店，老门店和新门店。新的门店新的需求希望魔镜放在橱窗里面，还需要懂BOM的规划和管理，外观结构的设计能力、洽谈工厂。
硬件流程：选择板卡的时候看性能稳定还是价格，易踩坑点：板卡功能太先进，但是没有在市面上使用过，数据不稳定。记住“无芯片不AI
怎么判定板卡的性能：①看是否被大批量产品使用过 ②板卡行业普适度如何？③上一代芯片稳定下一代不一定稳定。
上市前的准备：
QA、QC等测试、常见资质认证：国内的3C/ISO9001等、国外的CE认证；在前期提早准备好相关资料。
打造教育+AI软硬协同型AI产品
项目背景：K12教育，学生成绩提分难
用户诉求：
1.学生学习不知道哪些是自己的弱点
2.写练习作业，老师批改工作量大，难度大
3.教师资源分布不均，极大关联老师自身的教学水平
4.以前通过线下培训班解决，但是价格搞，现在政策监管严格，不能再采取培训班处理
核心解决：学员能够自主完成考试练习，并在价格相对较低的情况下享受到优质老师的教学辅导
需求挖掘：以考试为切入点，采集学生的数据；二三线城市没有好的老师可以做问题解答
核心技术逻辑:采用拍照、硬件外包或者自研硬件，数据流来源找供应商或者不同部门合作。
商业模式：卖笔、卖试卷、卖耗材等
产品落地
软件部分：学生每次考试的错题有错题集，使学生成绩得到提升，要设计一套模型，根据收集的错题集进行深度学习来优化，通过题库反馈给学生进行学习，真实有效的提高学生的成绩；对错题进行分析和建模，搞定算法工程师，提早布局，决定睡做题目设计，针对提高学科成绩考名校，可以找学霸找教育专家出题。产品规划好自然语言处理工程师处理好模式识别，识别学生的主观题、客观题。
后期推广：
商业模式设计优化、跟进运营实现内容优化，全科目覆盖：题库的地域性、年龄限制，题库的持续开发，配合更多科目效果更好。
AI+教育产品解决了2大痛点：1.老师批改试卷精力不足的问题 2.学生不清楚提升学习的方法，本产品采集学生的即时考试数据创建学习的模型，提供学习策略
作为硬件产品经理，如何融合AI技术实现产品创新
硬件产品经理要进行创新，是需要多阅读用户的行为，从行为中提取可以创新的点。外观的创新，从美学方面进行创新。
以科大讯飞为例，原有语音识别技术，要做商业化，需要结合行业找应用场景，做解决方案，TOB场景，将语音识别的技术赋能到行业，比如赋能到汽车行业，要求AI产品经理要非常懂汽车行业，对汽车行业有深入理解，能对接其中的各个部门，提供定制化的语音识别的产品。第一步，需要找到这种造车新势力的公司，第二步是调研客户的需求，出相关的解决方案，再投标和比标。
TOC场景，比如小蛋机器人，是一个智能音响，语音识别的框架是来自科大讯飞的技术，其核心是为其他行业树立标杆。要求产品经理有超强的创新能力，并且注重性能的稳定性，不要闭门造车。
