1.1.3　構成人工智能產品的三要素

近幾年來人工智能的快速發展離不開深度學習（Deep Learning）在圖像識別、語音識別、自然語言處理、信息檢索、機器翻譯、社交網絡過濾、生物信息學和藥物設計等方面的成功應用。作為機器學習算法家族中的一員，深度學習在每個應用場景中的落地都離不開算法、計算能力、數據“三要素”，如圖1-8所示?！叭亍毕嚓P技術近些年來的快速迭代和積淀，是促使人工智能技術得以廣泛應用的根本原因。

圖1-8　人工智能產品“三要素”

●近些年來算法框架的不斷成熟及開源社區的發展大幅度降低了執行算法的門檻。

●以GPU、TPU為核心的大規模集群計算系統的發展及硬件成本的逐步降低也基本掃清了計算能力的障礙。

●互聯網和移動互聯網在迅猛發展的同時，也在數據層面提供了機器學習的基礎。

既然“三要素”如此重要，人工智能產品經理就需要從產品規劃的初始階段開始，到最終產品上線后的運營，在整個產品管理過程中考慮如何為研發團隊創造“三要素”的最佳環境。

（1）在算法層面：設計的產品要和公司現有的算法研發能力相匹配，例如避免設計一些過于超前或落后的產品功能。這需要產品經理對主流的算法模型和框架有基本的認知，并可以做到對各種算法在不同場景下的使用效果進行量化評估。有關這方面的知識會在第4章詳細展開論述。

（2）在計算能力層面：產品經理要從需求出發，衡量產品的功能所需求的算法模型需要怎樣的系統架構支撐，并能夠評估硬件開銷。綜合考慮利弊后要判斷采用平臺即服務（Platform as a Service，PaaS）的方案還是自建計算平臺。例如，產品設計中包含了實時在線的智能語意搜索和智能內容推薦功能，這對于產品底層在線學習的能力就有極高的要求，為了實現這種能力，需要投入大量計算硬件（例如GPU卡）。

（3）在數據層面：在機器學習領域，數據顯然已經變成了兵家必爭之地，優質的數據可以幫助企業快速建立門檻。好的數據通常要比好的算法更重要，假設你的數據集夠大，那么其實不管使用哪種算法，可能對分類性能都沒有太大的影響。因此產品經理要在產品設計之初就考慮到數據從哪來、數據質量怎么保證、數據治理的工作怎么開展等問題。在這種情況下，產品經理的跨部門協調能力通常起到決定作用。有關跨部門協調能力，會在本書第7章具體介紹。

人工智能“三要素”是構建人工智能產品核心競爭力的重要手段，任何一種要素都不足以讓產品在市場上建立絕對優勢。產品經理應在定義產品核心競爭力的時候就主動尋找三要素交叉組合的“黃金地帶”，如圖1-9所示。這無論對于建立產品競爭門檻還是吸引外部投資都是很有幫助的。

圖1-9　人工智能產品的“黃金地帶”