所以,產品經理的關鍵點除了參悟透人性需求之外,其更關鍵的是認知和遷移,將知道的知識巧妙的遷移運用到產品中來,例如輔助駕駛、圖像識別、語音辨識等。在過去是非常困難的技術,而如今已經被許多牛逼的小團隊突破。產品經理應該做的是遷移,跳出固定思維,去想和做別人沒有想到和做到的甚至感知到的事情,並進行AI+遷移。
二、AI發展
1.AI的發展
Internet的前身阿帕網起源于美蘇冷戰。20世紀80年代阿帕網已經通過大學和研究所等機構滲透到民間。1989年歐洲量子物理實驗中心工作的伯納斯李向實驗中心正式提交了一份後來被稱為“萬維網藍圖”的報告。這份報告提出了萬維網框架的運行機制和實施方案。1990年11月,他在NeXT工作站上製作了第一個萬維網流覽器和第一個網路服務器,隨後編寫了執行萬維網項目細節的網頁,至此世界上第1個萬維網站誕生。
1993年1月美國伊利諾大學為流覽萬維網網站開發的UNIX版本馬賽克流覽器被放到該大學計算中心的免費FTP伺服器上,不到兩個月的時間就被下載了上萬次。1993年12月《紐約時報》商業版頭版介紹了馬賽克,稱其將創造一個全新的產業。馬賽克的流行使得覆蓋互聯網的萬維網成為新的連接世界的平臺,也引發了以矽谷為中心的電子商務革命。1993年1月馬賽克剛出現時,全世界只有50個萬維網伺服器,10月份達到500個,1994年6月份增加到1500個,萬維網開始以指數增長。
注意,好產品逐步出現了:在萬維網流行了3年後的1996年,斯坦福2個研究生發現用解n元一次方程組的辦法,可以把萬維網的所有網頁按照重要性進行排名,從而解決了網路使用者面對以指數增長的網頁資訊進行有效搜索的難題;他們後來成立了穀歌公司。差不多在相同的時間,剛上線一年多的亞馬遜與明尼蘇達大學的幾位元電腦專家合作,開始分析每個用戶在其網站上購買的商品,並與其他用戶的購買商品進行比較和關聯,用得到的結果來個性化對網站流覽用戶的商品推薦。
不同的是,網路人工智慧不再像穀歌、亞馬遜的初期一樣使用昂貴的超級電腦,而是用大量聯結在一起的廉價伺服器甚至是個人電腦來取得相同甚至更好的效果。在知識來源上,網路人工智慧往往依靠成千上萬的大眾點滴貢獻(crowdsourcing)而不是專家智慧。比如穀歌在計算網頁的排名時使用的是不同網頁之間的超文字連結資訊,而這些連結是使用者在創建網頁時提供的。亞馬遜的資料來源則是每個使用者購買的商品資訊。這些在個人看來再簡單不過的資訊被整合到一起進行處理後發揮出巨大的潛力,也使得資料採擷成為網路人工智慧的流行用語和代名詞。
網路人工智慧給人類社會帶來的不僅是日常生活的方便,它們在很大程度上開始從各個方面影響社會發展進程。穀歌的搜索結果可以決定一個人的言論被關注的程度,而亞馬遜的推薦則可以把許多品質好但沒能得到推廣的商品推薦給大眾,引出“長尾定律”。So產品經理還會從零開始搭建搜尋引擎嗎?遷移吧。
2.大廠是如何訓練識別和檢測演算法系統的
華人AI之秀李飛飛團隊曾經從互聯網上下載10億多圖片,然後通過亞馬遜機械土耳其人這一低成本網路眾包的方式,雇傭了來自167個國家共5萬多人對這些圖片進行了分類標注。截止2009年該專案成功產生了一個包含22000不同門類,共1500萬圖片的帶標籤的資料庫。該資料庫裡的圖片分類和標籤品質超過以往任何資料庫,其中僅貓這一門類就有62000張不同的圖片,包含了所有種類的馴養和野生貓。建成這一資料庫後,李飛飛及其團隊利用深度學習方法,使得電腦通過監督學習方式識別包含各種物體的圖像,而且能夠用自然語言生成對每個圖像中的物體關係的簡單描述。這一成果產品經理還建議圖片創業公司再走一遍嗎?
三、AI+產品案例
有一次跟VST的運營總監聊天,話到曾經裝了很多新聞閱讀軟體,後來只留下一個今日頭條,我問她為啥,答曰:“今日頭條把我想看的都推薦給我了,非常懂我”。SO……
如果有人閱讀彼得蒂爾的從零到一後真的從零到一搭建這麼一套新聞推薦系統,我相信這款產品負責人一定是只占了勤奮一詞,我真的替他焦慮。因為目前完全可以AI+遷移,迅速打造一個今日頭條式樣的資訊平臺。
大概框架如下:
首先新聞頭條類創業者首先要自我解決資料來源的問題,可以是爬蟲可以是管道分銷還可以自采。