AI产品经理：方法、技术与实战

相对于其他互联网产品经理，AI产品经理除需要掌握必备的产品经理的技能外，还必须掌握机器学习、机器视觉、语言识别等专业技术。价值AI产品都是融合多种技术的大型产品，在工程化落地方面有更多的挑战，所以AI产品经理还要掌握产品工程化的方法。这也是市面上AI产品经理紧缺、高薪的原因。本书基于AI产品经理的上述需求进行了深度介绍，尤其是技术和工程化这两个其他互联网产品经理存在明显不足的方向，本书进行了非常详细的阐述。

这是一本指导AI产品真正实现商业化落地的专业技术书。书中内容完全围绕产品落地、商业化展开，既提供了不同类型AI产品的落地方案，又提供了具体的方法、技巧，还提供了安防、制造、汽车等多个典型行业的应用案例。
无论是从技术或其他岗位转型AI产品经理，还是从其他方向的产品经理岗位转型AI产品经理，都可以通过本书弥补欠缺的相关知识。而对于已经入门的AI产品经理，阅读本书可以了解算法、中台、业务等各类AI产品的落地方案，掌握快速、高效、高质量落地产品的方法论。 本书共包括4篇13章的内容。
第一篇（第1～2章）对AI产品及AI产品经理进行全方位深入解读，目的是让读者真正理解AI产品经理这个职位，这是做好这份工作的基础。另外，本篇还重点介绍了如何成为AI产品经理和如何规划AI产品经理职业发展路径。
第二篇（第3～6章）从机器学习入手，逐渐拓展到以计算机视觉、语音识别、语义理解为核心的多模态内容理解技术、行为主义的机器人学，以及AI云原生工程应用。本篇以AI产品经理实际需求为前提，用产品经理可以理解的方式展开介绍，不讲与产品经理工作关联性不强的技术细节，只讲技术原理和应用方向，这些都是AI产品经理落地产品时必须掌握的。
第三篇（第7～11章）是本书的重点。本篇首先介绍了通用的产品方法论，然后结合AI产业链的特点，深入解读了算法、中台、业务三大类AI产品的落地实践。其中，关于算法和中台类产品的介绍，可帮助读者应对自动驾驶、元宇宙、企业智能、智能汽车、虚拟数字人等主流产品的落地需求；针对业务类AI产品，从城市治理、企业服务、个人服务三个维度展开介绍。
第四篇（第12～13章）从赋能行业和项目实践两个维度解读AI产品高效、高质量落地的方法。其中不仅以安防、制造业、汽车为案例解读了AI产品高效落地的方法和方案，还以B/G端项目、商机项目为例，提供了可行性验证、交付等问题的解决思路。

王泽楷
亚太人工智能学会资深数字孪生研究专家，曾任平安科技、商汤科技任AI高级产品专家。近10年来一直工作于AI领域技术和产品一线，曾参与多个世界500强企业的AI建设项目、多个一线城市的城市级AI应用落地，在AI技术、产品的项目应用等方面积累了丰富的经验。
曾从事深度学习算法研究工作，发表AI相关专利论文6篇。经历了新一代人工智能技术发展，对以深度神经网络为代表的人工智能技术的发展有深刻理解。对计算机视觉有深入研究，长期跟踪研究前沿技术趋势。
硕士毕业于法国南特大学，拥有电子工程专业和测控（机器视觉）专业双硕士学位。

赵 瑞　商汤科技智慧城市事业群研发执行总监

AI技术突破对产业发展起着非常重要的作用。AI技术落地成为产品，需要形成闭环并产生价值，故除了应关注技术的领先性外，还应关注用户价值、商业价值等，而AI产品经理正是连接技术、用户和商业，推动AI赋能百业的重要角色。本书就是专为AI产品经理写的，值得推荐。

程 浩　远望资本创始合伙人、迅雷创始人

在人工智能时代，技术越来越成熟，AI领域面临的z大挑战是落地问题。应用要落地，需要懂行业、懂用户需求的产品经理来推动，本书介绍的方法论和实践对于有志从事人工智能产业的产品经理有一定的借鉴和帮助作用。

林 强　中兴通讯研发中心原主任、欧洲经营部总经理、中兴创投董事总经理

进入AI时代，如何研发成功的产品是企业面临的新挑战。除了需要各平台技术的支撑，企业还需要具备产品管理思维。进行原型开发是产品经理的重要工作，即通过收集需求，将客户需求定义为产品原型。挖掘客户需求、开展竞争分析、把握核心本质、提升产品解决问题的能力，这是智能时代产品经理面临的新挑战。通过本书，我们能系统了解AI算法、平台与业务，可为开发出成功产品拓展思路。

苏 杰　产品创新顾问、《人人都是产品经理》作者

讲AI产品的书很多，但大多都在体系化方面存在不足，本书弥补了这方面的不足。本书从技术到商业，从基础理论到行业应用，从产品规划到落地，从G端、B端到C端，从事到人，都进行了系统解读，可作为AI产品从业者的知识索引、案头手册。

罗予晨　云天励飞原产品总监

AI产品经理是人工智能时代企业中的重要岗位，是连接AI技术与业务的关键角色。本书系统介绍了AI技术，又结合了业务场景和实践案例，内容全面且深入，值得AI产品从业人员阅读。

前言

第一篇　AI与AI产品经理

第1章　深入理解AI和AI产品2

1.1　全方位认识AI2

1.1.1　AI的定义2

1.1.2　AI的三大学派6

1.1.3　AI的发展历程8

1.1.4　AI的发展政策11

1.2　深入理解AI产品12

1.2.1　什么是AI产品12

1.2.2　AI技术产品化13

1.2.3　AI产品产业化和标准化14

1.2.4　AI产品落地的价值与难题16

第2章　AI产品经理19

2.1　什么是AI产品经理19

2.2　怎样成为优秀的AI产品经理21

2.2.1　AI产品经理的职业规划23

2.2.2　AI产品经理的知识体系24

第二篇　 AI技术

第3章　机器学习28

3.1　机器学习概述28

3.1.1　监督学习30

3.1.2　无监督学习31

3.1.3　强化学习32

3.1.4　自监督学习33

3.2　深度学习34

3.2.1　什么是深度学习34

3.2.2　深度学习的发展和局限38

3.2.3　迁移学习40

3.2.4　大规模预训练模型40

3.3　生成对抗网络42

3.4　元学习44

3.4.1　基于度量的元学习45

3.4.2　基于优化的元学习47

3.5　联邦学习与隐私计算48

3.5.1　什么是联邦学习48

3.5.2　联邦学习的分类50

3.5.3　联邦学习框架与应用53

3.6　AutoML/AutoDL55

3.6.1　什么是AutoML55

3.6.2　自动化数据处理与增强56

3.6.3　自动模型生成—神经架构搜索58

3.6.4　自动模型压缩 62

3.7　可解释AI 64

第4章　多模态感知及理解67

4.1　计算机视觉67

4.1.1　图像生成69

4.1.2　图像处理71

4.1.3　立体视觉73

4.1.4　图像分类79

4.1.5　图像检测80

4.1.6　图像分割82

4.1.7　目标跟踪85

4.2　语音识别87

4.2.1　基本概念87

4.2.2　传统语音识别流程90

4.2.3　端到端深度学习语音识别93

4.2.4　声纹识别97

4.3　自然语言处理99

4.3.1　概述99

4.3.2　NLP的分析层次100

4.3.3　信息抽取105

4.3.4　知识图谱108

4.3.5　机器翻译116

4.3.6　对话系统119

4.4　多模态内容理解122

4.4.1　多模态方法简介122

4.4.2　多模态融合应用124

第5章　机器人学与运动规划128

5.1　机器人硬件130

5.1.1　传感器130

5.1.2　执行机构131

5.1.3　动力源132

5.1.4　处理器133

5.2　机器人感知133

5.2.1　传感和信号处理133

5.2.2　定位与地图构建134

5.3　运动规划与控制137

5.3.1　运动规划137

5.3.2　运动控制141

5.4　应用领域142

第6章　AI云原生工程应用146

6.1　云原生147

6.1.1　云原生概述147

6.1.2　容器技术150

6.1.3　微服务151

6.1.4　Service Mesh152

6.1.5　Serverless152

6.1.6　DevOps与ModelOps154

6.2　AI云原生应用发展趋势155

第三篇　AI产品应用

第7章　从两个视角深挖AI产品机会158

7.1　市场视角：寻找商机158

7.1.1　关注市场的宏观力量159

7.1.2　寻找AI细分好赛道161

7.2　技术视角：技术创新和可行性167

7.2.1　依托技术创新的产品创新167

7.2.2　技术可行性和技术成本170

第8章　AI产品从定义到落地173

8.1　如何真正做到从用户需求出发173

8.2　正确定义一款产品的8个要素176

8.3　AI产品设计框架详解180

8.3.1　软件设计要点详解180

8.3.2　硬件设计要点详解191

8.3.3　整体性能设计要点详解195

8.3.4　安全性与AI伦理197

8.4　产品需求流转200

8.4.1　需求收集200

8.4.2　需求管理201

8.4.3　产品需求评审202

8.4.4　产品需求排期206

8.4.5　产品需求验收207

8.5　AI产品三层级—算法、平台与业务208

第9章　算法类AI产品落地详解210

9.1　任务定义—AI算法产品的真实需求与目标211

9.1.1　明确算法需求211

9.1.2　用样例描述算法需求213

9.2　数据工程—用数据定义功能边界214

9.2.1　数据采集215

9.2.2　数据标注216

9.2.3　数据生成218

9.3　算法生产—获得最小可行的AI产品219

9.3.1　训练模型219

9.3.2　加速模型222

9.3.3　跨硬件平台适配224

9.4　算法评估—获得算法能力边界225

9.4.1　两种评估方法225

9.4.2　视图识别的精度指标227

9.4.3　语音识别及文本精度评价233

9.4.4　确定合理的速度指标233

第10章　AI中台落地详解236

10.1　AI中台的需求及整体方案236

10.1.1　算法的长尾现象237

10.1.2　AI中台及体系架构239

10.1.3　全栈、自动化、资产化与普惠化241

10.2　AI中台下的三大功能模块设计242

10.2.1　算力管理类功能设计243

10.2.2　数据管理类功能设计245

10.2.3　算法管理类功能设计246

10.3　AI中台典型应用举例249

10.3.1　云厂商的云原生AI中台249

10.3.2　零售智能称重：推理训练自动化闭环应用251

第11章　纵深业务类AI产品的落地254

11.1　面向G端城市治理的AI产品254

11.1.1　城市治理的需求与业务模式255

11.1.2　G端碎片化市场下的AI产品策略255

11.1.3　城市治理下的典型AI产品—智能摄像机258

11.2　面向B端企业服务的AI产品261

11.2.1　企业服务的需求与业务模式261

11.2.2　企业转型AI262

11.2.3　效益型AI产品策略263

11.2.4　AI与制造业结合的产品应用265

11.3　面向C端消费者的AI产品267

11.3.1　个人服务需求和业务模式267

11.3.2　交互体验型AI产品策略268

11.3.3　虚拟数字人与元宇宙270

第四篇　行业实践

第12章　AI+行业的产品应用274

12.1　AI+安防274

12.1.1　安防行业总览274

12.1.2　泛安防人脸产品实战275

12.2　AI+制造业287

12.2.1　制造业质检痛点分析287

12.2.2　瓷砖缺陷检测289

12.2.3　制造业读码产品实战290

12.3　AI+汽车294

12.3.1　行业总览及AI技术机会分析294

12.3.2　智能驾驶AI芯片解决方案296

12.3.3　AI在驾驶辅助与自动驾驶中的应用298

12.3.4　智能座舱AI产品实战302

第13章　AI项目落地过程及问题分析306

13.1　B/G端的AI项目306

13.1.1　AI落地B/G端离不开项目307

13.1.2　从项目到产品308

13.2　商机项目与概念验证309

13.2.1　AI商机的涌现309

13.2.2　AI商机POC实战310

13.3　AI交付项目管理314

13.3.1　AI项目管理方法314

13.3.2　AI项目交付管理实战316