周敏琦
AI创作者AMA知无不言
做普通产品的时候，遇到技术难题，标准动作通常是这样的——记下来，转给开发，等反馈，同步进度。我是产品经理，不是技术专家，技术问题交给技术团队解决，这很合理。但做AI产品之后，这套流程彻底失效了。记得有一次，我们做一个智能客服的意图识别模块，在测试环境里效果很好，但一上线，准确率直接掉了15个百分点。开发同学排查后，得出的结论是："线上数据分布和训练数据不一样，模型泛化能力不够。"这话听起来对，但等于什么都没说。因为接下来怎么办，他也没有标准答案。那一刻我才意识到，在AI产品里，很多技术问题根本不存在"标准答案"。模型泛化不够，解决方案可能是扩充训练数据、调整模型架构、改prompt策略、加规则兜底、甚至重新定义问题边界。每个方向都有代价，每个选择都需要业务判断。我不能坐在那里等开发给方案，因为开发也在等我给方向。后来我拉了一份数据分析报告，把线上出错的case按类型分类，发现80%的bad case集中在三个特定场景。然后我和算法同学一起讨论，针对这三个场景分别设计了解决方案：一个走数据增强，一个走prompt优化，一个直接加规则拦截。效果立竿见影，准确率一周内回到了预期水平。这件事给我最大的感触是：AI产品经理不能只做"需求翻译官"，你得做"问题解决者"。当技术难题出现的时候，你需要有能力从业务角度提出假设、从数据角度分析原因、从产品角度给出方向。不是说你要会写代码、会调模型，但你需要理解技术的边界和可能性，这样才能在关键时刻做出正确的判断。说实话，这恰恰是AI产品经理最有意思的地方——你不再只是一个"提需求"的人，而是一个真正在"定义问题"的人。
发布于 上海
分享
评论
赞
未登录
友善发言
评论
加载中
