【AI求职系列1】AI 产品经理人才结构及求职建议

这是求职产品经理系列的第179篇文章

最近很多小伙伴想要进入AI行业做产品做研发，但是我发现很多人的基础比较薄弱，很多基础的概念、流程、算法以及高频面试问题都搞不清楚。

所以从这篇文章开始，我会写一系列问题，帮助大家一步步进入AI行业,少走弯路。还没有关注公众号的一定要关注走一波~

这一篇会重点介绍机器学习和深度学习的区别与联系；人工智能的产业发展现状；AI行业的人才结构以及转行建议。

一、机器学习

机器学习的核心是让机器有能力从数据中发现复杂的规律，并且通过这些规律对未来某些时刻的某些状况进行预测。

举例来说：

假设，我们要通过机器学习预测未来几天内是否下雨，那我们需要筛选出过去一段时间内比较重要的天气特征数据，比如过去的平均气温、湿度、降水量等等，然后通过机器学习算法从这些历史数据中发现规律。

这个所谓的规律就是算法工程师常说的模型，而发现这个规律的过程就是训练模型的过程。最终通过这个模型加上相应的气温、湿度等特征数据，我们就可以计算出未来几天内下雨的一个概率。

我们可以用一句话来总结机器学习的过程：机器学习就是让机器从过去已知的大量数据中进行学习，进而得到一个无限接近现实的规律，最后通过这个规律对未知数据进行预测。

其中，我们使用的过去的数据就是我们说的样本，而气温、湿度这些属性就是特征，过去某一天是否下雨就是我们建模时用到的标签（或者叫结果）。

如果在建模过程中，我们能够获得这些标签并使用它们训练模型，就叫做有监督学习。如果没有标签，就叫做无监督学习。

像上面这种预测是否下雨，预测结果是“是 / 否”这样的问题，就是分类问题，如果是预测具体温度是多少，预测的结果是一个连续值的，就是回归问题。

如果大家想要学习更多AI领域的专业名词及解析，可以直接点击下面这篇文章：

真心建议大家冲一冲新兴领域，工资高不内卷【内含99个AI专业名词解释】

二、深度学习

深度学习是机器学习的一种，是一种特殊的机器学习，它借鉴了人脑由很多神经元组成的特性，而形成的一个框架或者说是方法论。相对于普通的机器学习，深度学习在海量数据情况下的效果要比机器学习更为出色。

如下图所示，人工智能是一个范围很大的概念，其中包括了机器学习，机器学习包括了深度学习。

虽然深度学习的效果很好，但它也有局限，比如，深度学习对机器性能的要求会更高，算法模型训练时间相对更长等等。所以，我们需要根据实际业务的场景来选择是否应用深度学习的相关算法。

三、人工智能产业现状

理解了什么是人工智能之后，接着，我们再来看看人工智能的产业现状怎么样，从全局的视角来了解整个行业，这对我们知识体系的建立是非常有帮助的。

对于人工智能的产业，我们可以基于产业链的上下游关系，把它分为基础层、技术层和应用层。

我们先来看最下面的基础层，它按照服务的线条被划分成芯片服务、云服务、机器学习平台和数据服务，它们都是我们整个 AI 行业最底层服务提供者。

再上一层的技术层是 AI 技术的提供者，我按照技术类别对它进行了划分。这里面，我们比较熟悉的企业有商汤、依图，它们主要是提供计算机视觉服务，最常见的应用场景就是人脸识别了

最上面的应用层是 AI 技术对各行业的应用服务，比如AI+零售/金融/教育/文娱等领域均有很多应用场景。

首先，B端的落地场景

1）教育领域的典型应用场景有：校园考勤、作文批改、知识问答等

2）健康领域的典型应用场景有：医疗影像辅助、在线问诊、患病预测等

3）零售领域的典型应用场景有：智慧营销、智能货柜、虚拟试衣等

4）文旅领域的典型应用场景有：智慧景区、AI导览、车辆调度等

5）政务领域的典型应用场景有：智慧城市、智慧公安、人脸监控预警等

6）金融领域的典型应用场景有：量化交易、金融风控、催收机器人等

7）安防领域的典型应用场景有：车牌识别、巡检机器人、危险行为检测等

8）客服领域的典型应用场景有：智能客服、客服质检、客户回访等

其次：C端的落地场景

当前AI在C端主要应用在文本、图片、音频、视频四大领域。

1）文本领域的典型应用场景有：营销文案、知识科普、文字客服等

2）图片领域的典型应用场景有：图像编辑、图像生成、图像识别等

3）音频领域的典型应用场景有：语音合成、音乐制作、有声书等

视频领域的典型应用场景有：视频后期剪辑、视频生成、数字人等

除此之外，在整个 AI 产业链中，BAT 提供了全链条的服务，它们既做了最底层的基础服务，如云服务、机器学习平台，也做技术输出，如 BAT 会有自己的计算机视觉、语音识别等能力，同时也有对外的应用场景，所以我把它们放到了一列中。以下是全景图，供大家参考：

四、AI 产品经理人才结构

了解了人工智能的发展现状，我们就可以有针对性地看一下这些层级的公司对 AI 产品经理都有哪些要求了。

那这些产品经理究竟有什么区别呢？接下来，我就结合应用层、技术层和基础层这三个层级企业的特性，来给你讲讲不同层级产品经理所需的技能，同时给你一些具体的转行建议。

首先是基础层

处于基础层的企业主要提供算力和数据服务，这些企业的特点是，偏硬件，偏底层技术，技术人员居多。

这就要求 AI 产品经理了解如云计算、芯片、CPU/GPU/FPGA/ASIC 等硬件技术，以及行业数据收集处理等底层技术和框架。所以，原来从事底层硬件、技术平台、基础框架的产品经理或者相关领域的研发，就比较适合转型到基础层了。

其次是技术层

处于技术层的企业主要的业务是为自己的业务或者上游企业提供相应的技术接口。这些企业的特点是技术能力强，大部分业务都是 ToB 服务。

这个时候，AI 产品经理就必须要具备企业所在领域的技术知识，如语音识别（ASR）、语音合成（TTS）、计算机视觉（CV）、自然语言处理（NLP）等通用技术，最好还能了解 TensorFlow、Caffe、SciKit learn 这样的机器学习框架。

所以，技术层的 AI 产品经理本身必须具备一定的技术基础，最好还能是算法出身的工程师。但不管你属于哪一种，都一定要保有探索的热忱。

最后是应用层

这类型公司就是我们日常生活中接触最多的互联网公司，只是其中一些公司走的比较靠前，应用了 AI 技术来赋能自己的内部业务。比如滴滴使用 AI 技术做智能分单、智能补贴；京东数科是用 AI 技术做智能反欺诈，大数据风控。比如现在的智能聊天机器人，妙鸭等一些图生图的应用等等。

这一层是互联网产品经理转型最多，也是成功率最高的一层。

处于应用层的企业，大多数直接面向 C 端用户，所以它们关注的是如何结合市场特点，来利用 AI 技术创造性地设计出符合市场需求的产品。

所以这类型的产品经理不仅要求对所在行业有深刻的认识，同时也要对 AI 技术有一定的了解。能够与算法和研发工程师顺畅沟通与配合，能够判断算法同学交付的产品是否满足业务需求。

总之，这一层的 AI 产品经理岗位，比较适合已经在某个领域具备了行业经验，打算转型做这个领域产品经理的同学。对于这样的同学，这一层的入门门槛比较低，在补充一定的 AI技术知识后，再补充1-2个AI的实战项目经验，获得一份 AI 产品经理的 Offer 相对来说会容易很多。

总之：

如果你对硬件有足够的了解，那么可以尝试进入基础层发展；

如果你本身就是一个算法工程师，精通一些算法或开发框架，就可以考虑进入技术层，你将有天然的优势；

如果你和大多数的互联网产品经理一样，在自己所处的行业有足够的经验，但是对于 AI技术了解还不够，那更适合来应用层发展，发挥自己对于业务的敏感度，发现行业的创新点。

如果大家想要转行应用层的AI产品经理，但是缺乏项目知识以及项目经验，则可以重点看一下这篇文章：

没有项目经验，如何快速转行AIGC产品经理？