如何從零到一入門AI產品經理

AI產品經理入門的三項自學教材推薦

该图片由Gerd Altmann在Pixabay上发布

我是一位數位金融產品經理，對於想轉職AI產品經理的朋友，在這邊分享我推薦的自學教材，以及對於企業導入AI的一些看法～

想成為人工智慧產品經理，市場上存在明顯知識缺口

這幾年AI成為熱門的創業話題，各種商業模式必須要與AI沾上邊，才較有辦法受到資本市場的青睞。我自己在銀行工作，銀行過去累積了大量客戶數據（以貸款為例，銀行有過去幾十年貸款戶的財務狀況、信用資料、家庭職業、還款記錄等資料），銀行自然成為訓練AI模型或試驗AI商業的應用場域。

但對於數位互聯網產品經理來說，過去的工作偏向服務流程的設計，要轉型成AI產品經理，仍需掌握一些關於AI的知識與應用概念，才有利於在工作中，更加掌握專案進度與內容。若在網路搜尋台灣AI相關課程或素材，大多為AI工程師的編程教學課程；針對「產品經理」的知識經驗分享了了無幾。而中國的一些論壇，雖然有較多的相關資料，但資訊也常雜亂。目前在台灣，AI產品經理的知識體系，明顯仍存在一個很大的缺口。

想做AI產品經理，你需要深入研究演算法並學會Python嗎？

先說我的答案，我認為大多數的AI產品經理並不需要，但你必須對這些知識保持著一點興趣與好奇，以了解AI技術於應用面的瓶頸。

看過有文章把AI產品經理分成三類：

1. 不需要了解AI技術的產品經理：「商品層」的產品經理 ，僅把已實現的AI應用當作商品，因此工作內容與一般互聯網產品經理相同。
2. 需簡要了解AI技術的產品經理：「應用層」的產品經理 ，希望運用AI技術或工具，找到新的應用或發展新商品。開展工作時， 僅了解AI能做什麼和不能做什麼，將AI技術當做一個API(介面，或理解成黑盒)運用。
3. 需深度瞭解AI技術的產品經理：「技術層」產品經理，需閱讀大量paper，並具備高級數學知識，如追求透過改善演算法，增加AI的學習效果或突破其他數限制，業界多直接徵求數據科學家。

對沒有專業數學知識培訓或背景的人來說，很難踏入「技術層」產品經理的領域(這也是數據科學家值錢的地方)。

推薦入門AI產品經理的三項自學教材

不論你是否打算往AI產品經理職涯前進，我相信使用AI工具的能力，會成為未來職場上必備的技能。因此過去兩個月，我從產品經理的角色出發，自學AI相關知識。總結這兩個月的學習經驗，推薦以下三項教材：

1. 『人工智慧導論』，為2019年鴻海出版的人工智慧科普高中教材。書中淺談目前各種熱門AI應用(包含圖像識別、影像識別、語音識別、自然語言處理、知識發現、創作等領域)背後的基礎AI學習原理。內容從科普出發，閱讀時需要一些基於數學邏輯的想像力，可以作為養成廣泛AI知識基礎的入門書籍。
2. 『人工智能產品經理：AI時代PM修煉手冊(簡體)』2018年出版，作者是中國科大訊飛的AI產品總監。為從產品經理角度出發，說明最為一個AI產品經理，如何建構工作中所需的知識架構與技能。因為是從產品經理角度切入，對各領域背後AI演算法的介紹較少，剛好可以補足『人工智慧導論』的不足。
3. 『人工智能專業課程 (AI Masterclass)』2019年Udemy的AI線上課程，英文授課，有中文字幕。課程中建立了AI模型，可以在賽車遊戲中自我訓練取得高分。講解演算法概念的課程內容佔80%，相對人工智慧導論以圖片動畫說明得更詳細，並詳細介紹paper出處，作為延伸閱讀教材，但不涉及數學式驗證過程。講解Python編成的課程佔20%，可大致了解工程師如何寫AI程式(各AI開發平台，已有各種演算法模型的函式，可直接設定參數)，可作為人工智慧導論後的進階教材。註：Udemy優惠期間，課程售價為台幣360元，請不要原價購買。

傳統企業導入AI的關鍵

在了解AI產品經理的工作內容和知識技能後，我們把視野高度，從個人擴大到企業組織。對於企業來說導入AI工具，需要注意什麼？

分享一個演講影片，講者是一間AI Startup公司的創辦人，在創業之前是LinkedIn數據團隊的早期成員。影片中提到他對於企業導入AI的一些觀察，以及身為數據產品經理的一些工作經驗，我把它總結為以下幾點：

Pete Skomoroch在Rev論壇上的演講(AI產品管理經驗速成)

1. 公司從高層至各業務部門，都需要擁抱實驗文化的不確定性
   AI的優勢是透過機械學習，無需由人定義邏輯，即可發展出一些數據規則，進而應用於商業領域。每一個AI應用專案，本質上都是一次數據實驗，最後的結果無法事先保證有效，專案結果具有高度不確定性。交付AI項目需要一種實驗性的文化，公司的領導階層與各業務部門，都需要對此有所認知，並擁抱實驗文化。只有擁抱實驗文化的公司，才可以承受這些數據風險，並對這些不確定性感到放心。
2. 從財務來看，AI的資源投入應視為研發支出
   AI或數據專案從經驗來看，更像是研發支出。大多時候無法確保可以成功，所以從管理階層認知、公司文化、工作流程、預算編列等都需要配合調整，否則AI團隊很難有長期且穩定的資源，撐到有結果的時候。
3. 初始AI專案必須要與公司目標有所連結。
   常有AI團隊在Pilot時，為了追求Quick Win，執行的專案並無法為公司到來太多的商業價值。講者建議即使是Small Sample Project也需要同時注意Quick Win和ROI。實務上可以從Effor和Impact兩個角度思考，來刪除不適合的開發選項。以LinkedIn為例，公司使命是「Connect the world’s professionals to make them more productive and successful」因此推動用戶填寫完整的個人資料是一項非常重要的工作，即是透過機器學習建議使用者各種社交標籤，從而推動了大量個人資料的完成。
4. 企業如何培養AI產品經理
   理想的狀況是找到一個曾經做過相同事情的產品經理，但實際上AI的應用領域太廣，即時是同一領域不同的數據也有不同的結果，這幾乎不可能達成。因此尋找具備溝通能力、跨領域學習的潛力AI產品經理，是相對務實的做法，而一個合格的AI產品經理，需要具備以下基礎：
   ●要可以區分技術上簡單、困難或是做不到。
   ●要對公司數據有相對掌握，可以在各單位間幫團隊要到這些數據。
   ●AI專案要產生價值，亦牽涉到其他業務單位大量的資源投入，而傳統業務單位對於有不確定性的專案都是排斥的；除了採用一些方法降低數據處理成本外，也要依靠產品經理盡量先找到product market fit，並與業務單位溝通請求支援。
   ●AI專案不需要透過很多的時間做前置的模型與算法研究(因為你不會透過研究得到結果)，掌握算法特徵之後，盡快地讓設計師和數據科學家、機器學習人員聚在一起，使用真實的數據、原型和測試。

AI於金融業的挑戰與起步應用

以個人經驗來說，AI或數據專案在金融業要啟動，除了上述提到文化與組織的問題外，還會遇到以下挑戰：

1. 資料清理與整合：金融業雖累積大量數據，但因為過去的資料太過雜亂，包含資料架構、資料定義可能都沒有統一管理。因此資料清理與整合是一項不可忽視的苦工，有些銀行甚至用了一至兩年的時間，才重新打造一個較有效率的資料系統。
2. 外部行為數據難以取得：外部數據難以取得有兩個原因，一是傳統銀行的用戶場域不足；一是在個資治理的框架下，實務上的做法還有待討論。
3. 數據搜集與平台效能的權衡：用戶於銀行交易時，安全與穩定是最基本的要求，但是在銀行平台進行數據搜集，往往會拖慢平台效率。在數據搜集與平台效能的權衡上，公司上下應形成一定的共識與認知。

綜合以上考量，目前金融業看到的AI導入應用，多著墨於營運端的資料處理。如：智能客服、風管模型強化、金融犯罪預防等。一方面避開需要修法的領域，一方面可以立即上線看到成果。

其他推薦延伸閱讀文章

最後分享兩篇網路上的其他文章，一篇是AI產品經理與資料科學家的經驗分享；另一篇則是『人工智慧在台灣』的書摘，讀完之後能對台灣的AI產業有較為整體的認識。

AI時代的數位產品經理-與資料科學家合作的10個關鍵

我讀《人工智慧在台灣》搞懂的四件事｜經理人學習人工智慧的第一本書

我是Avery，一個喜歡把知識轉化成文字，和大家分享的數位產品經理。
如果有任何疑問、想聽的主題，歡迎留言給我 📒
如果想給我一點鼓勵，請給我 1–10 個拍手；
如果覺得文章對你有幫助，請給我 10–40 個拍手；
如果有興趣繼續看此篇文章相關的分享請給我 40+ 個拍手讓我知道 👏🏻
最後，謝謝你的閱讀！