導語：AI產品經理是近年來職業市場上出現的一個新物種，遵循進化規律，市場自然會逐漸對其提出新的職業要求。如何成為一名合格的AI產品經理？除了需要具備傳統PM的核心技能，還需要有契合職業本質的基本技能——將AI能力與場景匹配。
AI產品經理工作中涉及的AI能力與場景匹配情形主要有兩種，分別是正向匹配和逆向匹配。
正向匹配從AI能力出發，尋找匹配場景。AI產品經理經常會關注行業趨勢，跟蹤、分析新近出來的算法表現，如果理論效果特別優秀，會嘗試將算法表現對應到AI能力，再去尋找AI能力所能解決的場景，探知是否比現有的場景解決方案做得更好，有沒有替代或者優化的可能性。
逆向匹配從需求場景出發，匹配最合適的AI能力。在產品設計過程中，需求採集完畢之後，需要進行需求轉化，即把需求轉化成功能。
這一步，傳統PM更多是進行產品元素的組合，登錄註冊、詳情頁、個人中心、推薦、評價等，AI產品經理還需要適度的穿插AI能力，通過獲取的用户需求場景去探究如何選取合適的AI能力進行匹配。
二、AI能力與場景匹配不管是正向匹配還是逆向匹配，都需要按照一定的匹配流程，找尋AI能力和需求場景的契合點。
按照思維邏輯發展的順序，將AI能力與場景匹配時，核心關注點主要有三——場景需求是否適合用AI能力解決，用什麼AI能力解決，解決到什麼程度。
顯而易見，並非所有場景需求都有必要動用AI能力，但是很多AI產品經理都可能陷入的誤區是，任何需求到手，都喜歡請出AI能力這尊大佛，結果往往尷尬而過猶不及。
陷入誤區之後的AI PM可能已經忘卻作為PM的本心——最簡的方法，最優的體驗，最大的效用。
跟任何解決方案一樣，AI能力也有自己的適用範圍。這裏借鑑車馬的觀點，從服務對象和服務內容兩個維度對AI能力適用度進行區分，其中服務對象分為對人和對物，服務內容分為標準和非標，劃分如下：
舉幾個例子，服務對象對人的比如人臉支付，服務對象對物的比如照片處理，服務內容標準的比如刷卡進站，服務內容非標的比如自動駕駛。
人臉支付是一個典型的對人的場景，如果在支付時不對支付人加以引導，則會發展成非標的場景，正是因為目前的解決方案都對支付人有支付引導，比如人臉框提示，才將場景從非標變成標準，即對人標準場景——適合AI的場景。
比較好的理解這套規則能夠讓匹配過程一開始就事半功倍，避免繞彎，而更進階的是，某些情況下還可以充分利用這套規則，發揮想象力，將對人非標的情況轉換成對物標準的情況，在解決方案上達到質的提升。
舉個簡單的例子：解決快遞件錄入庫的問題，是選擇為錄入人員開發一套智能錄入系統，方便人對物的錄入，還是選擇改進快遞分揀作業線，直接在作業線上對快件進行錄入？
2. 用什麼AI能力解決如果判斷手上的需求場景適合調用AI能力，就要考慮到底選擇什麼AI能力進行解決。
有一些AI能力天生就適合特定場景，如果將對應關係弄錯，就會走不少彎路，而對應關係的理解，“無他，但手熟爾”，靠平時的見解與積累。個人歸納的對應關係如下：
AI行業快速迭代的特殊性質決定了AI產品經理裏必須不斷更新自己，將知識內化，形成能力壁壘。當涉及方案匹配時，多一種想法，就多一種質變的可能。
選擇AI能力時，僅考慮AI能力與需求場景的對應性還不夠，同時要兼顧的還有設備性能和系統平台。
AI硬件的設計除了要考慮軟件架構，還需要考慮硬件設備的性能，因為硬件設備性能才是AI能力施展拳腳的天花板。
如果AI能力需要部署在本地硬件設備上，在挑選AI能力時就不得不基於設備性能進行權衡，目前學界的算法喜歡為了百分之零點幾的準確率的提升，在設備性能上毫不設限，誕生不少巨無霸算法，多少脱離實際，應用中還是應該以設備性能為限。
AI能力的應用廣泛，在Windows、Linux、Android、iOS等不同系統平台上都有涉及，而不同系統平台的支持庫相差不小，不同算法所適用的部署平台也不盡相同，這一點在選擇的時候也要考慮。
3. 解決到什麼程度挑選完合適的AI能力之後，研究內容需要細化到具體的算法選擇。同一項AI能力會有很多不同的算法解決，每一個算法都對應一個準確率，選擇哪個算法就等於希望場景需求被解決到什麼程度。
通常情況是，越複雜、體積越大的算法得到的精度、準確率越高，算法越好，需求越能被解決好，但並不是越好的算法就越適合當前場景，這就涉及到一個權衡——場景需求被解決到什麼程度才正好？可以從三個方面進行展開：適度匹配，SOTA極限，團隊資源。
適度匹配的意義更多在於性能的合理利用，90%的人臉識別準確率顯然不能用於金融支付場景，但是90%的人體檢測準確率在人流量監測場景下卻能夠適用。
硬要將人流量監測場景下的人體檢測準確率提升到99%，暫且不談能不能實現，單是研發投入就會極大提升，實際效用差卻沒有多大。
金融支付場景下的人臉識別準確率對於實際效用影響巨大，是硬着頭皮也要進行研發投入的點。將性能合理利用，適度匹配，根據實際調整解決程度。
SOTA極限其實決定了解決程度的上限，SOTA是State-of-the-Art的縮寫，有趣的是，它的意思指向“在一些benchmark的數據集上跑分非常高的模型”，代表了最優秀的一批算法。
很容易理解，如果目前行業的極限算法的能力是這樣，那對於場景需求的解決程度也只能以此為上限。
如果説SOTA極限來自於外部，那團隊資源則是內部的上限。學界的有些算法方案在發佈的時候，會切實考慮到工業應用，會將源碼及部署方案一併發佈到github等託管平台；有些算法方案則只有paper放出，沒有相關實現資源。
如果最合適的算法恰好沒有放出實現資源，而團隊人力和時間又不足，則只能在放出過實現資源的算法裏面找相對合適的，相應的解決程度也會受限。如果團隊資源充足，就有機會通過paper進行算法復現，將需求解決得更好。
本文由 @JaceinSalt 原創發佈於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議