~ 个人背景：因为还属于产品大白，对商业化还不够深入了解，正在积累相关知识。只能先凭借自己的感觉来理解 AI 产品的方向和定位。
AI 产品在做产品定位的时候，比常规产品要考虑多一个维度，就是算法和数据规模的问题。这也是 AI PM 比常规 PM 要求更高、工作更难的原因，因为产品中的很多环节都要多考虑一个 AI 的维度，这个维度可能会将原有的问题复杂化，或者是需要提炼出更高的抽象层级。
关于产品定位，也是我在刚开始接手写匠产品时面临的比较大的困难。我刚入职的时候，除了做竞品调研和相关资料分析以外，最重点分析的就是产品的目标和定位的分析。
首先，先确定公司核心业务背景，以及自身基因，再确定是以技术（AI）导向，还是以用户需求导向的产品方向？
技术导向 or 需求导向
如果是以技术导向，需要在产品定位预设之前将所有对技术有利的因素考虑进来，比如在什么市场或场景下的数据规模最庞大、对算法最有利？产品的目标是收集用户的反馈和数据，不断优化算法，然后产品朝着技术发展的方向前进就是了。
如果是以需求导向，优先考虑的是产品要解决的是什么问题、产品方案是否能解决、以什么样的方式解决。然后在实现方式上才考虑技术手段，是否能用 AI 实现、AI 在产品中扮演什么样的角色？需求导向的产品定位，可能要对数据规模大的市场划分做一定的取舍，因为产品的定位有可能不会切入这个市场。如果 AI 无法解决这些需求痛点，要以其他的方式来解决，那么这个产品也可能不属于 AI 产品了。
当然你会说，不论做什么产品，当然是会找到体量更大的市场来做。但是，需求更强的市场和数据规模更大的市场，有正向关系吗？
比如我们做的是文字检查的产品，主要功能是校对，那么以下有好几类目标市场和受众场景，我们如何判断和选择首批冷启动用户呢？
一个网络小说作家，每天写作到深夜，要架构故事的情节，编写人物对话等，但是创作之外还是要考虑一些行业规则，比如避开各种网络安全监管等…
这类用户对文字检查的需求非常强烈，但是这个市场的规模量级够大吗？产品能帮用户检查他想要的文字错误吗？他们对算法的容错度有多大？
再举一个出版社编辑的场景，需求就不必说了，他们每日检查文章的数据规模非常大，但是他们对校对的质量要求也非常高，我们当前的 AI 技术的准确率和召回率能否达到对方的预期？他们短期内能接受什么水准的产品呢？
所以，我们能否找到一个同时满足数据规模大、需求又很高频、痛点很强、对文字检查的质量要求也不算非常高的场景呢？
比如新媒体编辑、广告文案、公文报告、论文写作、学生作文培训等各类需求场景的区别是什么？
所以，在做产品定位的时候，除了考虑产品要解决什么样的问题，还要额外考虑和 AI 有关的因素。
需要考虑哪些 AI 因素
- AI 解决的是什么样的问题？
- AI 在什么场景下才能发挥出最大的作用？
- AI 的技术瓶颈有哪些，用户的容错度多高？
AI 解决的是什么样的问题？
我的理解，AI 产品一是要解决哪些传统技术无法解决的问题（比如 CV 的无人驾驶、NLP 的语义分析），二是要解放人们重复性劳动的问题（比如自动身份验证解放人工审核、无人超市解放收款员）。
AI 在什么场景下才能发挥出最大的作用？
人工的优势是：可以解决创造性质的问题，复杂判断的问题。而 AI 的优势有哪些呢？在什么场景下才能发挥出最大的作用？
（1）数据量规模庞大，人工速度拼不过的时候，比如：
- 在机场安防监控，肉眼一个个识别 拼不过 AI 人脸1：N快速识别；
- 快递行业尤其是双十一，每天都几百万的数据量，在做分拣时候，工业拍照扫描分拣和肉眼分拣都经常出错，10%-20%的出错率都会造成巨大的损失；
- 出版社、公众号编辑每天会处理大批量文字；
（2）简单且重复、精细的，人肉无法快速识别时，比如：
- 简单+重复：
- 快递员每天都要发快递和联系收件人，而输入快递单里的手机号会很辛苦，内置系统通过快递单 OCR 识别能快速发送到联系人；
- 微信编辑写完文章还要人工做枯燥重复的文字检查，速度很慢，出错率高，急切需要提升文字的发布速度；
- 精细：
- 检测人脸中两只眼睛的距离，机器是可以计算的，而肉眼做不到；
- 处理初级的错误，如形近字，肉眼也看不见如此微妙的错误；
AI 的技术瓶颈有哪些，用户的容错度多高？
AI 的技术瓶颈主要有以下几方面：
有监督学习（有明确定义的输入和输的条件和标准）的效果会比较好，比如校对词典收录了判定了对-错的词典，词典越大，准确率就越高。但是不可能收录所有的错误词典，因为人工收录和标注需要非常高昂的成本，即使可以，也可能会造成数据冗余（因为不是所有场景的文字都会包含这些词典），加载速度慢等其他技术问题。
如果用半监督或者是无监督的方式做算法训练，可以省去标注的成本，但也可能无法达到用户在真实场景中的目标，预期效果不一定好。比如无法精确判断一句话的表达是好或坏，即使能，现有技术也只停留在浅层的语义分析，无法分析背后的「弦外之音」。所以在产品上线后依然需要根据用户和数据的反馈，或者是二次标注才能调整算法的效果。
所以在早期，面对 AI 的技术瓶颈，目标用户的容错度有多高？关键问题是什么？产品功能和底层算法，分别能解决用户需求到什么程度？是否全部都要解决？
然后再分析去确定产品和市场定位是什么，击中哪个目标市场和用户场景，以及要获取怎样的首批启动数据。
~ 这个产品在之前两年一直处于研发和Demo状态一直没有做起来，后来分析也有部分原因是产品定位没有考虑到上面这些因素，从源头一路错下去，所以 AI PM 最开始还是要先思考做正确的事，然后才是如何正确地做事。
- created，170820
