除去常规 PM 都需要面临的用户场景中的各个问题，AI PM 在产品或项目的算法研发阶段，主要会面临算法研发周期较长和数据（训练集、测试集等）处理的一些问题。
而不同行业、不同公司或岗位的 AI PM 还会有其他不同的问题，而我属于 创业公司+toC+AI+NLP，面临的问题有这些交叉学科的知识背景，也有行业应用场景，更有算法研发过程中的各种坑。
问题
我做写匠，和之前做计算机视觉领域的产品还不太一样，写匠主要用的技术是自然语言处理（NLP）和机器学习（ML）。
NLP 是一个交叉学科，难度很大，有些问题从语言学角度都没有解决，导致技术受限，产品本身要分解到底层又牵扯到语言学领域的问题，对 PM 初学者来说水很深，不太建议一转行就进来踩坑到底层，看多了资料真的会盲目，十分受挫。
而我在接触 NLP 产品的早期（入职0-6个月）会有这些工作：
（1）理解用户场景和需求背景：
- 理解产品本身的需求场景、做同类竞品分析和测试…
- 进行一些用户调研、访谈、…
- 思考写匠产品本身核心竞争力是什么，核心功能和辅助功能分配？
- 产品结构，整体规划…
（2）拆解需求，哪些和 AI 相关：
- 核心功能：要反馈给用户哪些写作建议，
- 如：基于认知科学的xx原理、涉及到的某些文学属性和评价指标、语言风格、…
- 如何拆解这些需求？基于规则还是基于统计？比如：提取并抽象出各种语言规则…
- 算法研发过程中有哪些问题？评价指标有哪些？如：
- 准确率（全文找到错别字是不是有误报的情况）
- 召回率（全文找到的错别字的数量是不是漏了）
- 容量和速度（一次可以容纳多少字数、速度如何，会不会卡）
- …
- 如何提升这些指标？比如：提高数据量…
- 如何扩大语料库规模和训练数据？
- 比如：从网上获取语料库，建立通用语料库，专用语料库、各行业的词表…然后处理数据集，数据整理，…
- 根据需求拆解，算法的输入和输出是什么？数据如何显示？哪些是用户需要，哪些是后台需要？…
- 新旧版本的算法评测如何对比？比如：
- 制定算法评测指标，进行评测集标注，做算法评测，分析结果…
（3）产品终于从 0 ~ 1 进入到工程开发阶段：
- 产品逻辑、原型设计、交互设计…
- 算法、前端、后端的业务逻辑拆分…
- 团队写作、项目管理、各种开会…
- 测试用例，功能测试、性能测试、…
- 版本管理，后续迭代哪些功能…
- 偶尔申请一些第三方服务…
- 偶尔组织聚餐和团建…
…
这就需要我额外学习：
- AI 在 自然语言处理中的应用有哪些，如问答系统、文本摘要、情感分析、…
- 自然语言处理本身的基础能力，如分词、词性标注、句法分析、…
- 读一些和 NLP、ML、PM 工作直接或间接相关的书，如：
- AI+NLP：《NLP汉语自然语言处理原理与实践》、《机器学习》、《认知语言学》、《面向机器学习的自然语言处理标注》、…
- PM：《认知与设计》、《破茧成蝶》、《设计心理学》、…
- 工作方法要高级批量化，提升认知水平，帮助自己理性思维的认知科学理论，应用到自己的学习中…（推荐老板的公众号：【开智学堂】、【心智工具箱】）
困难
上述工作中，最开始对我来说最难的地方是：拆解需求，如何根据目标，提取出抽象规则，制定算法能力的评价标准，…比如：怎么把这些文学底层理论知识变成算法硬性的指标，如果底层的问题没想清楚或者是解决不了，即使把代码写好了，模型训练好了，最后用户也会觉得怎么那么硬邦邦的，很奇怪，就觉得这产品很不实用。而即使有了思路和方法， 在执行过程也发现很大阻力，比如数据各种问题。后来就给自己挖到坑里面了，浪费了很多时间，虽然在这个坑里自己也蛮大收获的。
除了算法本身的问题，研发过程中需要 AI PM 一起做语料库获取、数据处理、算法评测、测试集标注等需要耐心和细节的活。然后算法接入工程的各个环节也会有许多技术难题，这里不多赘述。
在整个周期，最开始自己比较容易跑偏的是，我没有理解 AI PM 真正的角色定义。
比如：
我当时是迷茫和沉浸在算法逻辑和文学评价中，就闷头看论文和语言学书籍，我对用户场景思维没有掌握透彻，忽略了产品定位、没有做用户测试，没有思考需求场景，只想解决方案，这条木有目标的路一直走不下去还死磕各种学习和知识上，后来就发现自己走歪了，自己和产品都变成四不像。
解决
当时 PM Leader 就帮助我梳理，还是要回归到用户场景来思考写匠在文学中要解决的这些问题。然后我才开始采访或者访谈一些潜在客户，比如作文培训场景、出版社编辑、微信编辑、写作爱好者、…
但是，访谈完之后，用户需求比我们预期的要高、也很难、比如作文场景的评分标准没法很好的量化变成算法解决的规则，产品本身短期内没法解决用户的人工、时间成本，AI 提供的智能反馈也没法达到对方人工反馈的水平。
但是这也是现在 NLP 的技术无法突破的问题，toC 产品如果达不到用户的预期，导致竞争力就卡在这里，要么大量投入和研发，要么就转变方向做更容易的事情。
也会面临研发周期很长的问题，所以要强大的心理素质和准备，整个 NLP 行业，大家也都处于探索和尝试，还是先做浅层分析，深层的只能慢慢积累了。
- created，180409
