跟硅谷谷歌的產品經(jīng)理觀察到一個同國內一樣熱門的問題,，產品經(jīng)理和AI產品經(jīng)理要不要懂技術&算法呢,？本文先講硅谷產品經(jīng)理對產品經(jīng)理是否需要懂技術的觀點，然后結合筆者對AI產品經(jīng)理是否需要懂技術&算法講一些實操觀點,。

在硅谷產品經(jīng)理被全球最牛孵化器YC稱為具有Talents的人,。那么在硅谷做產品經(jīng)理是不是要技術背景出身？在硅谷谷歌做產品的朋友給的答案：即是也不是,！

這位朋友說他自己的背景是有工程技術背景,，本科學的是計算機專業(yè)，去應聘google的產品經(jīng)理也的確是看到他有技術的背景,！

不過他說他本人的技術水平比較弱,，讀書的時候在技術方面也不是一個好學生，這點技術如果去面google的產品經(jīng)理可能還勉勉強強夠,，如果去面試google的工程師指定是進不去的,。

綜合下來在硅谷做產品經(jīng)理要不要技術背景這個問題為什么說即是也不是呢？

其實在硅谷要技術背景產品經(jīng)理的公司還是少數(shù),。

一般兩種情況比較需要技術背景：

• 第一種情況是這個公司有工程師文化傳統(tǒng),，比如說google為例，因為google的創(chuàng)始人是斯坦福大學計算機系的博士生,，所以整個公司從上到下都充滿了工程師的文化,。So 谷歌要求產品經(jīng)理一定要有技術背景。
• 另外一種情況要求產品經(jīng)理有技術背景,，是它的產品非常非常的技術性,。例如：亞馬遜的產品經(jīng)理有兩類，一類是不需要技術背景,，還有一類需要專門做技術類產品的是要求技術背景,，亞馬遜管后者叫PMT（Product Manager Technical）,。另外非常技術型的公司,，例如自動駕駛汽車的產品經(jīng)理，許多都是要求有技術背景,。一般是Case By Case,，要看具體情況而定。

總而言硅谷要求產品經(jīng)理有技術背景公司分兩類,，一類是公司文化有工程師的傳統(tǒng),，第二是公司的產品非常技術,。

不過大部分的公司對產品經(jīng)理的技術水平?jīng)]有硬性要求。例如商務類公司,，Paypal的產品經(jīng)理,、亞馬遜里面做商務方面的產品經(jīng)理也不需要有技術背景、社交類產品例如Facebook,、linkin等這些都不要求有技術背景,。

筆者將AI產品經(jīng)理定義為運用大于等于技術成熟度曲線的AI技術進行商業(yè)化應用的人,。

AI產品經(jīng)理也是產品經(jīng)理但是高于產品經(jīng)理。應用于上面硅谷環(huán)境的產品經(jīng)理不一定適合AI產品經(jīng)理,，因為AI產品經(jīng)理回的內容更加交叉綜合,，也是源于AI技術本身是個交叉綜合技術，AI技術可以包含傳統(tǒng)技術,，但是更多的是如下圖中所示AI技術：

以上圖為例：

當AI技術處于ML階段的時候,，AI產品經(jīng)理要懂的機器學習（ML）是AI的一個分支,。AI的歷史有著一條從以“推理”為重點，到以“知識”為重點,，再到以“學習”為重點的自然,、清晰的脈絡。顯然,，ML是實現(xiàn)AI的一個途徑,，即以ML為手段解決AI中的問題。

ML在近30多年已發(fā)展為一門多領域交叉學科,，涉及概率論,、統(tǒng)計學、逼近論,、凸分析,、計算復雜性理論等多門學科。ML理論主要是設計和分析一些讓計算機可以自動“學習”的算法,。

ML算法是一類從數(shù)據(jù)中自動分析獲得規(guī)律,，并利用規(guī)律對未知數(shù)據(jù)進行預測的算法。因為學習算法中涉及了大量的統(tǒng)計學理論,，ML與推斷統(tǒng)計學聯(lián)系尤為密切,，也被稱為統(tǒng)計學習理論。算法設計方面,，ML理論關注可以實現(xiàn)的,，行之有效的學習算法,。很多推論問題屬于無程序可循難度，所以部分的ML研究是開發(fā)容易處理的近似算法,。

第一類是構造間隔理論分布：聚類分析和模式識別

• 人工神經(jīng)網(wǎng)絡
• 決策樹
• 感知器
• 支持向量機
• 集成學習AdaBoost
• 降維與度量學習
• 聚類
• 貝葉斯分類器

第二類是構造條件概率：回歸分析和統(tǒng)計分類

• 高斯過程回歸
• 線性判別分析
• 最近鄰居法
• 徑向基函數(shù)核

第三類是通過再生模型構造概率密度函數(shù)

• 最大期望算法
• 概率圖模型：包括貝葉斯網(wǎng)和Markov隨機場
• Generative Topographic Mapping

第四類是近似推斷技術

• 馬爾可夫鏈
• 蒙特卡羅方法
• 變分法

第五類是最優(yōu)化：大多數(shù)以上方法,，直接或者間接使用最優(yōu)化算法。

以監(jiān)督式支持向量機SVM為例,，AI產品經(jīng)理懂的SVM內容建議如下：

首先：明白SVM模型成熟的用途,。

例如：

• 其一用于文本和超文本的分類，在歸納和直推方法中都可以顯著減少所需要的有類標的樣本數(shù),。
• 其二用于圖像分類,。支持向量機能夠獲取明顯更高的搜索準確度。
• 其三用于手寫字體識別,。
• 其四用于醫(yī)學中分類蛋白質,，超過90%的化合物能夠被正確分類。
• 其它則靠AI產品經(jīng)理配合SVM算法模型專家共同探討研究,。

其次：知曉SVM的定義及核函數(shù)表達式

支持向量機在高維或無限維空間中構造超平面或超平面集合,，其可以用于分類、回歸或其他任務,。直觀來說,，分類邊界距離最近的訓練數(shù)據(jù)點越遠越好，因為這樣可以縮小分類器的泛化誤差,。

SVM的原始問題是在有限維空間中陳述的,，但用于區(qū)分的集合在該空間中往往線性不可分。為此,，有人提出將原有限維空間映射到維數(shù)高得多的空間中,，在該空間中進行分離可能會更容易。為了保持計算負荷合理,，人們選擇適合該問題的核函數(shù) k(x,y) 來定義SVM方案使用的映射,，以確保用原始空間中的變量可以很容易計算點積。高維空間中的超平面定義為與該空間中的某向量的點積是常數(shù)的點的集合,。

定義超平面的向量可以選擇在數(shù)據(jù)基中出現(xiàn)的特征向量Xi的圖像的參數(shù)ai的線性組合,。通過選擇超平面，被映射到超平面上的特征空間中的點集 x 由以下關系定義：

如果隨著 y 逐漸遠離 x,，k（x,y） 變小,，則求和中的每一項都是在衡量測試點 x 與對應的數(shù)據(jù)基點 Xi的接近程度。這樣,，上述內核的總和可以用于衡量每個測試點相對于待分離的集合中的數(shù)據(jù)點的相對接近度,。

第三、至于線性SVM的間隔計算可以由SVM模型算法工程專家來操作,。AI產品經(jīng)理明確SVM的用途,、定義,、和在遇到問題的時候知道這個問題是由SVM引起的或者可以找SVM專家協(xié)作解決即可。

在ML這里AI產品經(jīng)理核心精力是明確將ML廣泛應用于數(shù)據(jù)挖掘,、計算機視覺、自然語言處理,、生物特征識別,、搜索引擎、醫(yī)學診斷,、檢測信用卡欺詐,、證券市場分析、DNA序列測序,、語音和手寫識別,、戰(zhàn)略游戲和機器人等領域。

AI產品經(jīng)理除了懂AI的分支ML外還要怎么做,？

從第二段AI懂ML的例子，我們可以看到AI產品經(jīng)理如果懂了AI的知識和具有AI產品的能力,，是能夠輕松加油一般產品經(jīng)理的崗位的技術需求的,。

另外AI產品經(jīng)理在AI領域只懂ML還是不夠的，還要懂的內容比較多,，筆者在這里因為篇幅原因先不講述了日后再開篇或者閱讀書籍《AI賦能：AI重新定義產品經(jīng)理》，《AI+時代產品經(jīng)理的思維方法》兩部書籍,。

實際上無論是硅谷那邊朋友在谷歌做產品經(jīng)理的經(jīng)歷,，還是筆者本人的實戰(zhàn)經(jīng)歷取得經(jīng)驗如下：