导语：AI产品经理是近年来职业市场上出现的一个新物种，遵循进化规律，市场自然会逐渐对其提出新的职业要求。如何成为一名合格的AI产品经理？除了需要具备传统PM的核心技能，还需要有契合职业本质的基本技能——将AI能力与场景匹配。

一、正逆向匹配

AI产品经理工作中涉及的AI能力与场景匹配情形主要有两种，分别是正向匹配和逆向匹配。

正向匹配从AI能力出发，寻找匹配场景。AI产品经理经常会关注行业趋势，跟踪、分析新近出来的算法表现，如果理论效果特别优秀，会尝试将算法表现对应到AI能力，再去寻找AI能力所能解决的场景，探知是否比现有的场景解决方案做得更好，有没有替代或者优化的可能性。

逆向匹配从需求场景出发，匹配最合适的AI能力。在产品设计过程中，需求采集完毕之后，需要进行需求转化，即把需求转化成功能。

这一步，传统PM更多是进行产品元素的组合，登录注册、详情页、个人中心、推荐、评价等，AI产品经理还需要适度的穿插AI能力，通过获取的用户需求场景去探究如何选取合适的AI能力进行匹配。

二、AI能力与场景匹配

不管是正向匹配还是逆向匹配，都需要按照一定的匹配流程，找寻AI能力和需求场景的契合点。

按照思维逻辑发展的顺序，将AI能力与场景匹配时，核心关注点主要有三——场景需求是否适合用AI能力解决，用什么AI能力解决，解决到什么程度。

1. 场景需求是否适合用AI能力解决

显而易见，并非所有场景需求都有必要动用AI能力，但是很多AI产品经理都可能陷入的误区是，任何需求到手，都喜欢请出AI能力这尊大佛，结果往往尴尬而过犹不及。

陷入误区之后的AI PM可能已经忘却作为PM的本心——最简的方法，最优的体验，最大的效用。

跟任何解决方案一样，AI能力也有自己的适用范围。这里借鉴车马的观点，从服务对象和服务内容两个维度对AI能力适用度进行区分，其中服务对象分为对人和对物，服务内容分为标准和非标，划分如下：

举几个例子，服务对象对人的比如人脸支付，服务对象对物的比如照片处理，服务内容标准的比如刷卡进站，服务内容非标的比如自动驾驶。

人脸支付是一个典型的对人的场景，如果在支付时不对支付人加以引导，则会发展成非标的场景，正是因为目前的解决方案都对支付人有支付引导，比如人脸框提示，才将场景从非标变成标准，即对人标准场景——适合AI的场景。

比较好的理解这套规则能够让匹配过程一开始就事半功倍，避免绕弯，而更进阶的是，某些情况下还可以充分利用这套规则，发挥想象力，将对人非标的情况转换成对物标准的情况，在解决方案上达到质的提升。

举个简单的例子：解决快递件录入库的问题，是选择为录入人员开发一套智能录入系统，方便人对物的录入，还是选择改进快递分拣作业线，直接在作业线上对快件进行录入？

2. 用什么AI能力解决

如果判断手上的需求场景适合调用AI能力，就要考虑到底选择什么AI能力进行解决。

有一些AI能力天生就适合特定场景，如果将对应关系弄错，就会走不少弯路，而对应关系的理解，“无他，但手熟尔”，靠平时的见解与积累。个人归纳的对应关系如下：

AI行业快速迭代的特殊性质决定了AI产品经理里必须不断更新自己，将知识内化，形成能力壁垒。当涉及方案匹配时，多一种想法，就多一种质变的可能。

选择AI能力时，仅考虑AI能力与需求场景的对应性还不够，同时要兼顾的还有设备性能和系统平台。

AI硬件的设计除了要考虑软件架构，还需要考虑硬件设备的性能，因为硬件设备性能才是AI能力施展拳脚的天花板。

如果AI能力需要部署在本地硬件设备上，在挑选AI能力时就不得不基于设备性能进行权衡，目前学界的算法喜欢为了百分之零点几的准确率的提升，在设备性能上毫不设限，诞生不少巨无霸算法，多少脱离实际，应用中还是应该以设备性能为限。

AI能力的应用广泛，在Windows、Linux、Android、iOS等不同系统平台上都有涉及，而不同系统平台的支持库相差不小，不同算法所适用的部署平台也不尽相同，这一点在选择的时候也要考虑。

3. 解决到什么程度

挑选完合适的AI能力之后，研究内容需要细化到具体的算法选择。同一项AI能力会有很多不同的算法解决，每一个算法都对应一个准确率，选择哪个算法就等于希望场景需求被解决到什么程度。

通常情况是，越复杂、体积越大的算法得到的精度、准确率越高，算法越好，需求越能被解决好，但并不是越好的算法就越适合当前场景，这就涉及到一个权衡——场景需求被解决到什么程度才正好？可以从三个方面进行展开：适度匹配，SOTA极限，团队资源。

适度匹配的意义更多在于性能的合理利用，90%的人脸识别准确率显然不能用于金融支付场景，但是90%的人体检测准确率在人流量监测场景下却能够适用。

硬要将人流量监测场景下的人体检测准确率提升到99%，暂且不谈能不能实现，单是研发投入就会极大提升，实际效用差却没有多大。

金融支付场景下的人脸识别准确率对于实际效用影响巨大，是硬着头皮也要进行研发投入的点。将性能合理利用，适度匹配，根据实际调整解决程度。

SOTA极限其实决定了解决程度的上限，SOTA是State-of-the-Art的缩写，有趣的是，它的意思指向“在一些benchmark的数据集上跑分非常高的模型”，代表了最优秀的一批算法。

很容易理解，如果目前行业的极限算法的能力是这样，那对于场景需求的解决程度也只能以此为上限。

如果说SOTA极限来自于外部，那团队资源则是内部的上限。学界的有些算法方案在发布的时候，会切实考虑到工业应用，会将源码及部署方案一并发布到github等托管平台；有些算法方案则只有paper放出，没有相关实现资源。

如果最合适的算法恰好没有放出实现资源，而团队人力和时间又不足，则只能在放出过实现资源的算法里面找相对合适的，相应的解决程度也会受限。如果团队资源充足，就有机会通过paper进行算法复现，将需求解决得更好。

本文由 @JaceinSalt 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