1.1.3　构成人工智能产品的三要素

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”，如图1-8所示。“三要素”相关技术近些年来的快速迭代和积淀，是促使人工智能技术得以广泛应用的根本原因。

图1-8　人工智能产品“三要素”

●近些年来算法框架的不断成熟及开源社区的发展大幅度降低了执行算法的门槛。

●以GPU、TPU为核心的大规模集群计算系统的发展及硬件成本的逐步降低也基本扫清了计算能力的障碍。

●互联网和移动互联网在迅猛发展的同时，也在数据层面提供了机器学习的基础。

既然“三要素”如此重要，人工智能产品经理就需要从产品规划的初始阶段开始，到最终产品上线后的运营，在整个产品管理过程中考虑如何为研发团队创造“三要素”的最佳环境。

（1）在算法层面：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，并可以做到对各种算法在不同场景下的使用效果进行量化评估。有关这方面的知识会在第4章详细展开论述。

（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的系统架构支撑，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：在机器学习领域，数据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，那么其实不管使用哪种算法，可能对分类性能都没有太大的影响。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决定作用。有关跨部门协调能力，会在本书第7章具体介绍。

人工智能“三要素”是构建人工智能产品核心竞争力的重要手段，任何一种要素都不足以让产品在市场上建立绝对优势。产品经理应在定义产品核心竞争力的时候就主动寻找三要素交叉组合的“黄金地带”，如图1-9所示。这无论对于建立产品竞争门槛还是吸引外部投资都是很有帮助的。

图1-9　人工智能产品的“黄金地带”