AI产品经理应该怎么拥抱大模型时代(ai产品经理应该怎么拥抱大模型时代背景)

AI产品经理应该怎么拥抱大模型时代全球视角下的开源LLM生态
目前很明显中文圈和欧美圈已经有了明显的分化,由于数据集和目标语言的不同,两边各做各的了。日韩和东南亚语系暂时是没人管的孩子。
从应用角度来说&#x

例如,COPY AI 和Jasper 专注于内容生成和具有明确价值需求的目标领域。例如自动生成SEO文章、广告创意、INS文案等。

目前该品类在海外发展良好。这是因为,在受益于SaaS支付受理的同时,它还针对33,354名电子商务从业者这一独特的用户群体。

事实上,代码验证提示、会议纪要、专业文档等都可以是这个方向的延伸。但一方面要看微调的效果,另一方面产品价值肯定没有电商领域那么高。

全球视角下的开源LLM生态

归根结底,C端是最适合ChatGPT应用的场景。用户容忍度非常高,连弱智者都能忍受,更何况是升级后的GPT。

但问题出在两个方面:

首先,您需要找到一个可用于实现您的功能的C 端场景。归根结底,仅仅添加更多场景是不值得的。

其次,需要找到突破成本线的商业模式。按照GPT3.0出版价格计算,该产品每输出3700字,需要向用户赚取1元钱(参考:国内主要小说网站起点中文网目前付费观看价格为2万字/元)。

我对海外C端娱乐应用不太了解(之前用的账号已经过期了,最近获取一个很痛苦)。国内应用搜索结果显示,社交类应用Glow近期排名第七。再往下看,就会发现主流娱乐聊天基本都是以二次元/宅男群体为主。

如果我们把这个用户群再扩大一点,可能会出现一些名人的粉丝,因为他们年轻、坚韧、敢于接受新的挑战。

然而,很难说这只是为了聚集这些群体。 —— 如果你在独居的二叔身上尝试一下ChatGPT,你认为他会喜欢吗?毕竟,孤独一直是人类永恒的挑战,你永远不知道下一个挑战是什么。命中就会来自。

从业务层面思考

在当今的互联网环境下,无论是外部投融资还是内部项目库存,盈利能力是最重要的,商业可行性是核心问题。

业务问题实际上可以分为两个模块:战略和战术,具体取决于公司规模和团队结构。 AI PM意见不同程度减弱。

让我用一个例子来解释一下。

国内中文场景的开源LLM生态

应用方向探索

我想启动一个ChatGPT项目,用户基础是什么,商业模式是什么,障碍在哪里?进化的步骤是什么?

这些问题是在决定是否继续进行一个项目以及决定下一步从哪里进行该项目的过程中出现的。在这方面拥有发言权,无论大小,都是非常训练的。这个环节只有两种能力:知识获取和知识推理。

知识获取包括以前的行业经验、业务经验以及临时研究的行业信息。这方面取决于挖掘、识别和结构化知识的能力。在一堆狗屎中淘金确实很难,尤其是在当今时代的信息环境下。

知识推理是有选择地导出这些知识并从中导出业务答案。此链接允许您使用多种思维工具(例如Business Canvas)来构建您的推导。做了几次之后,您将建立业务分析肌肉记忆,并且该工具将成为事后的想法。

模型服务

该产品已建成并免费运行一段时间,但接下来该产品的价格如何设置? 各渠道服务商价格是否相同?直销价格是多少?成本线和利润线是多少?

只关注价格会引发许多琐碎而复杂的问题。更不用说协会制作的产品规划、渠道政策、广告ROI等模块。

战术层面的问题是碎片化的、面面俱到的,所以每个方向其实并没有那么复杂,只需要一些方法论去敲门,剩下的就需要实践经验了。所以我们看到现在大公司在招聘的时候,往往会寻找垂直细分方向有相关经验的人,比如会员产品经理。这节省了时间和试错成本。

2B垂直工具

这里的技术其实没有那么技术。 AI产品经理与传统产品经理最大的区别在于,他所依赖的产品核心是AI技术,所以他的首要职责就是将业务和用户需求转化为算法需求。

这里提出的问题涉及各个技术方面。例如,我们遇到的问题是“聊天机器人需要能够记住用户的喜好,比如喜欢下雨天,喜欢达芬奇,或者喜欢黄金时代”。现在你需要一个算法团队来帮助你实现。因此,可能会有不同的级别。

聊天机器人应该支持记住用户输入的偏好信息(如黄金日子、永久保留期),并支持知识的互斥和整合(例如,首先我喜欢雨天,然后说我喜欢雨天)。聊天机器人应该帮助记住用户输入的信息。我们是否可以不使用模型参数来学习这个,而是建立一个独立的知识库并通过模型独立调用它,这样用户就可以将自己喜欢的知识可视化地修改为。一旦你安装了意图识别器,如果发现用户喜欢知识,它就会被转移到你的知识库中进行存储和集成。如果用户不喜欢知识,则模型结果通常会按比例放大。这里意图识别器可以使用xxx技术。阅读本文档假定您具有相关的实施经验。

可以看到,技术层面分为三个层次,由浅入深。那么深与浅取决于什么呢?

这取决于产品的技术能力。有些时候,你的技术能力决定了你能否深入挖掘。事实上,你不需要达到第二级。在第一层清楚地陈述您的要求。然而,平衡此类产品特权、需求确定和投资回报率可能会带来重大挑战。这取决于您的要求的目的。例如,第一级需求当前可以使用模型或知识库来学习和记录。然而,第二个需求显然需要基于知识的实现方法,因为它需要用户直观地修改他们喜欢的知识。 (有些情况下,即使是基于知识的方法最终也可能用不上,但这并不重要。提出你的想法并与算法团队充分讨论,或多或少可以得到启发。)这取决于你和你的边界。算法团队已经解决了。总的来说,要找到你们之间最舒服的交织区域,产品要多走几步,技术化、算法化,才能达到1+1>2的效果。

当然,无论你的需求涉及什么技术层面,你都应该牢记基本原则,并解释你的需求的背景、目的和价值。例如,在第二个示例中,您需要额外解释用户偏好知识的视觉修改会做什么以及是否值得这样做。这些商业价值与实现目标的技术实施成本相竞争。平衡。

AI产品经理在技术层面能做的就是发现和分析什么时候一个模型不太适合某个场景,或者什么时候一个场景扩展了新的功能需求,并详细讨论最终的解决方案。最后,与您的算法团队合作平衡成本和收益。

C端娱乐类

应用层问题实际上在某种程度上与技术层交织在一起,因为启动新的应用程序功能几乎总是需要背后的技术支持。

不过,这里让我们保持简单,删除有技术要求的部分,只留下没有或低技术依赖性的部分进行讨论。

我举一个大家都很熟悉但影响很大的例子。在进行人脸识别或银行卡图像识别时,存在一个虚拟盒子,需要将人脸或银行卡放置在固定位置。该功能没有技术要求,只需添加透明浮动层即可。然而,它显着提高了采集图像的质量并提高了算法的有效性。

事实上,您可以对聊天机器人采用类似的方法。例如,ChatGPT 可能会崩溃,从而切断输出。事实上,他的原理是,自然语言生成本质上是一个预测下一个单词是什么,然后预测文章的连续过程。因此,如果您的模型错误地预测了不应出现的END 字符,则AI 会认为可以在此停止。

这个解决方案有一个高端的技术方案,我们创建一个低级的——,当用户点击时,AI自动重做输入和输出。结果。通过这种方式,我们还可以收集有关此类END 崩溃的不良案例数据。

作为产品经理的思考:

无论是2B还是2C,只要我们做的产品被人们使用,就离不开增长。

然而,2B 和2C 增长是完全不同的方法。

其实2B更应该归入商业层,应该做好产品定价、渠道政策、客户成功,磨练整个销售环节,找到弱点并优化。此过程需要清楚地了解2B 和2C 在支付决策方面的主要差异。在2B中,主要决策者控制公共资产并做出支付决策,而在2C中,私人用户控制私人资产并做出支付决策。付款决定。

但教育行业市场类似于2B:由学生使用、由家长付费、受学校和机构影响。这也是一个由关键决策者组成的多用户结构,但管理他们的个人资产。

不用说,2C和2C的成长产品是非常独立、细分的行业。您可以通过展示位置、搜索引擎优化、新客户引导、老客户保留、社交划分等方面的建议来努力工作。不管怎样,核心理念是吸引更多的人,赚更多的钱。

但现在我们谈论的是ChatGPT,所以也许它仍然是一个新项目和新产品。那样的话,初期很可能不会安装相应的成长产品,所以AI产品一定要谨慎。

最后,如果你想做一些练习,可以尝试一下这方面的一些C端应用,比如Glow、Sugar Box(可能还有其他的,如果需要建议请私信我们)。

不过,我个人并不建议尝试市面上的各种聊天机器人和B端产品。前者已经发展到非常成熟的水平,而后者可能很难理解发生了什么。打开B面,不做任何细节。较新的C 端产品(例如Glow 和Sugar Box)是您练习的良好候选者。

这里我不会对这两款产品写任何分析或产品建议,但我个人认为站在外面提出产品建议是无稽之谈。该产品的吸引力在于,它根据有限的资源和环境选择局部最优的解决方案,从而促进演示的缓慢增长。如果我不在董事会内,我倾向于将很多建议和迭代保密。否则,内部人士会显得愚蠢。

例如,如果您觉得自己的对话不智能,需要提高智力,我们建议连接GPT3.0。那么,是否有可能这个产品的受众实际上并不需要那么多的智能,或者他们的需求无法与访问GPT3.0 的成本相平衡?这可能是一个商业问题而不是个人问题。所以我觉得教张小龙做产品其实是错误的。

战略层的思考:

越来越多的人转行成为人工智能产品经理。毕竟市场不太好。我觉得成为一名AI产品经理对于应届毕业生以及正在考虑转行的互联网行业人士来说绝对是一个很好的方向。做了多年的AI产品经理,还是想给大家一些经验和方向

AIGC在业界大受欢迎AI产品经理和算法工程师有什么区别?下面是AI产品经理转行应该学习的内容。

1AI产品经理全球学习

2Python系统学习

3机器学习深度学习

4热门AI产品竞品分析

5AI产品设计学习

6AI产品实际项目经验0-1

7AI产品招聘面试

以上七点看似简单,但每一章其实都包含着需要深入研究的扎实内容。

战术层的思考:

观看零基础学习书籍和视频观看书籍和视频,按照视频中老师的思路,从基础到细节,很容易上手。

技术层思考

文章长度有限。如果您想了解更多信息,可以将图片保存到wx并扫描2v码免费获取【100%免费保证】

#AI 以上产品经理如何拥抱大模型时代的相关内容来源仅供参考。相关信息请参见官方公告。

原创文章,作者:CSDN,如若转载,请注明出处:https://www.sudun.com/ask/93087.html

Like (0)
CSDN的头像CSDN
Previous 2024年7月5日
Next 2024年7月5日

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注