人工智能PM系列文章（四）：通向AI产品成功的必要条件
一款成功的人工智能产品，核心技术、产品化、商业化三要素缺一不可。人工智能产品的商业化，需要产品经理做些什么，才能更好的实现产品变现呢？
在我之前写的《AI产品经理，应掌握哪些技术？》文章，一开头就提到过：
每一块钱的科研投入，需要100块钱与之配套的投资（人、财、物），才能把思想转化为产品，这样的情况还是在不考虑产品是否被市场认可的前提下。1:100就是科学家的专利到产品落地的距离，在人工智能时代下的产品，恐怕会比1:100有更悬殊的比例。
当下很多公司并不了解这个距离，造成了在招聘人才的时候非常迷茫。
实际上，AI人才大体可以被分为两类：
一类是那些可以实现人工智能技术的工程师，例如：算法工程师，根据解决的具体场景和问题，又可以再细分为：图像处理算法、推荐算法、自动驾驶算法、语音识别算法等。另一类是可以将人工智能技术和行业知识相结合并通过产品和项目的落地实现最终商业目标的人才。而这类人才中很重要的一类职位就叫做AI产品经理。
本篇文章，我们就一起深入探讨，到底这个从技术转化为产品成功的过程需要哪些必要条件，以及产品经理在这个过程中究竟该扮演怎样角色。
通过大量的AI成功和失败案例的分析后发现——想要创造一款成功的人工智能产品，核心技术、产品化、商业化三要素缺一不可。
一、核心技术
在人工智能时代，有人说：衡量一家公司的“核心技术”看它工程实践的能力；也有不同的声音认为“核心技术”应该衡量这家公司产品的算法能力。
在我看来，我们讨论这个问题前应该缕清一个问题——那就是究竟构成人工智能产品有哪些关紧要素？而产品经理应该怎样参与到这些关键要素的创造过程中？
近几年来人工智能的快速发展离不开深度学习（Deep Learning）在图像识别、语音识别、自然语言处理、信息检索、机器翻译、社交网络过滤、生物信息学和药物设计等方面的成功应用。
作为机器学习算法家族中的一员，深度学习在每个应用场景中的落地都离不开算法、计算能力、数据“三要素”：
1.在算法层面：产品经理设计的产品要和公司现有的算法研发能力相匹配。
例如：避免设计一些过于超前或落后的产品功能。这需要产品经理对主流的算法模型和框架有基本的认知，并对各种算法在不同场景下的使用效果可以做到量化评估
2.在计算能力层面：产品经理要从需求出发，衡量产品的功能所需求的算法模型需要怎样系统架构支撑，并能够评估硬件开销。综合考虑利弊后要判断采用平台即服务（platform as a service, PaaS）的方案还是自建计算平台。
例如：产品设计中包含了实时在线的智能语意搜索和智能内容推荐功能，这对于产品底层在线学习的能力就有极高的要求，为了实现这种能力，需要投入大量计算硬件（例如：GPU卡）。
3.在数据层面：数据在机器学习领域显然已经变成了兵家必争之地。优质的数据可以帮助企业快速建立门槛，好的数据通常要比好的算法更重要。假设你的数据集够大，那么其实不管你使用哪种算法可能对分类性能都没太大影响。
因此产品经理要在产品设计之初就考虑到数据从哪来、数据质量怎么保证、数据治理的工作怎么开展等问题。
在这种情况下，产品经理的跨部门协调能力通常起到了决定因素。
人工智能时代的产品成功不同于过往任何一个时期，日新月异的技术创新导致解决同一个需求的手段有多重选择。产品之间竞争的战场早已经从可见的、功能性方面转换到了更多维度的比拼。
而且往往人工智能产品给用户带来的是“零感知”技术，即——用户没有任何学习成本，甚至都察觉不到这种“高科技”。但实际上已经实现了更优的产品体验。
例如：某些手机厂商的人脸识别技术采用了3D人脸重现技术，采用的深度感应镜头融合了VCSEL红外激光器、NIR多重滤波片以及滤光接收模块，不仅使用的算法复杂而且集成到手机端的分析能力大幅增强，实现了在人脸解锁功能上有2D技术有无法超越的安全级别。
另外，凭借传感器硬件和复杂算法实现的3D建模能力还可以帮助企业实现更多的应用创新，这种企业在未来在手机竞争中就取得了绝对的制高点。
另外，深度感应镜头也用在人体跟踪、三维重建、人机交互、即时定位与地图构建（Simultaneous Localization and Mapping, SLAM）等领域。公司一旦具有这种技术在未来的竞争中将占据市场先机，甚至造成与竞争对手完全不在一个跑道上竞赛的局面。
因此，核心技术是人工智能产品成功的第一要素。
二、产品化
核心技术本质上只是解决用户需求的一种手段。如果技术先进却对用户提出了较高的使用门槛，或很难直接的传递价值，产品一样无法成功。
产品化的过程是让产品首先可以以快捷、低门槛的形式触及用户（宣传、推广），当用户开始使用产品后可以有效的传递价值并为用户解决实际需求；当用户使用产品一段时间后通过延展价值并形成用户持续的消费。
对于人工智能产品来说，在产品化的不同阶段中都面临着比传统产品更高的挑战。
首先，人工智能产品的技术逻辑本身就很难被诠释清楚，尤其是一些前期并不被人所知晓的新品牌，建立信任是第一步。其次，无论人工智能产品多么具有科技含量，如果产品无法快速证明它可以带来的价值，就无法促使用户产生购买欲望。因此，制定让用户快速了解产品的策略，快速用价值打动用户是非常关键的一步。再次，用户一旦产生了购买行为，与产品建立了紧密的联系。在长期的使用过程中产品需要禁得起考验，保证长期稳定的将价值传递给用户。人工智能产品往往在效率、便捷度、人性化等方面让用户体会到产品的价值。最后，人工智能产品除了需要给用户传递价值，还需要与用户建立更多的连接，也就是让用户依赖产品，将产品融入用户的生活中。
只有这样才能延展其价值并促使用户产生更多购买行为，为企业创造持续的变现的机会。
三、商业化
如果说产品化决定了产品的价值空间，商业化则决定了产品将价值变现的能力。
人工智能产品相比于传统产品使用了更复杂的技术架构，这造成了：
一方面产品在研发阶段投入的成本具有不确定性；另外一方面技术的预期效果也比较难评估。
因此产品经理不能利用过去的经验评估产品的成本结构，制定产品的定价策略。产品经理需要站在用户角度考虑产品定价策略，深入理解场景和用户的痛点在哪。
举一个简单的例子：食堂打饭这个场景中，最后一个环节通常是需要一个收银员根据你挑选的饭菜金额收费，这要依靠准确的识别和速算。
如果你设计一个菜品识别（机器视觉）、报价、收费的收费机器人，你怎么给这个产品定价？如果只是看表面，你一定觉得这个产品简直是太完美了。如果的机器误识别率低，而且运算速度快，用户只要将菜品放在摄像头前刷卡就行了，最直接的价值就是节省了一个人的劳动力。
但是你要仔细想想，食堂档口的老板会这么想吗？收银员只是在用餐高峰期充当收费的角色，在不忙的时候可能会被安排洗碗、擦地、甚至需要在后厨兼做一些帮厨的工作。
尽管在用餐高峰收费这个环节的劳动力是被省下了，但是机器人能替代人完成其他任务吗？
因此，这款产品的定价一定不会很高。
因此，人工智能产品的商业化需要产品经理能够把场景、痛点分析透彻，并在评估产品能带来的价值和研发成本后，制定适合的商业推广策略和产品定价包装策略。甚至在必要的时候进行产品定位调整，最终实现产品变现。
作者：特里，头条号：“人工智能产品设计”。人工智能领域长期实践者，专注于AI产品设计、大数据分析、AI技术商用化研究和实践。
本文由 @特里 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自 Unsplash ，基于 CC0 协议