导语：AI产品经理是近几年专业市场的新物种。遵循进化规律，市场自然会对其提出新的专业要求。如何成为一名合格的AI产品经理？除了传统PM的核心技能之外，还需要有契合职业性质的基本功来匹配AI能力与场景。

一、正向匹配和反向匹配AI产品经理工作中涉及到的AI能力和场景匹配主要有两种情况，即正向匹配和反向匹配。

正向匹配从AI能力出发，寻找匹配场景。AI产品经理经常关注行业动态，跟踪分析近期算法表现。如果理论效果特别优秀，他们会尝试将算法性能映射到AI能力上，然后寻找AI能力可以解决的场景，找出是否比现有的场景解决方案更好，是否有替代或优化的可能。

反向匹配从需求场景出发，匹配最合适的AI能力。在产品设计过程中，需求收集后，需要对需求进行转化，即需要将需求转化为功能。

在这一步，传统的PM更多的是产品元素的组合，比如登录、详情页、个人中心、推荐、评价等。AI产品经理还需要适当插入AI能力，通过获取的用户需求场景，探索如何选择合适的AI能力。

二、AI能力与场景匹配无论是正向匹配还是反向匹配，都需要按照一定的匹配流程找到AI能力与需求场景的匹配点。

按照思维逻辑发展的顺序，AI能力与场景匹配时，核心关注点主要是——个场景的需求是否适合用AI能力解决，用什么AI能力解决，解决到什么程度。

1.场景需求是否适合用AI能力来解决是显而易见的。不是所有的场景需求都需要用到AI能力，但很多AI产品经理可能陷入的误区是，什么需求都是到手的，喜欢请AI能力的大佛。结果往往是尴尬，过分。

陷入一个误区后，AIPM可能忘记了作为PM核心的最简单的方法，最好的体验，最大的效用。

和任何解决方案一样，AI能力也有自己的适用范围。这里，我们从车马的观点出发，从服务对象和服务内容两个维度来区分AI能力的适用性，其中服务对象分为人和物，服务内容分为标准和非标准，具体划分如下：

举几个例子，服务对象为人付费，比如刷脸支付，服务对象处理事情，比如照片处理，服务内容是标准的，比如刷卡进站，服务内容是非标准的，比如自动驾驶。

刷脸支付是人的典型场景。如果支付时没有对支付者进行引导，就会发展成不规范的场景。正是因为现在的解决方案都有对支付方的支付指导，比如人脸框提示，所以场景从非标准变成了标准，也就是人标准场景3354适合AI。

更好的理解这套规则，可以让匹配过程从一开始就事半功倍，少走弯路。更高级的，在某些情况下，我们可以充分利用这套规则，发挥想象力，把人的非标准情况转化为物的标准情况，在解决方案上实现质的提升。

举个简单的例子：解决快递件入库的问题，你是选择为录入人员开发智能录入系统方便人录入东西，还是选择改进快递分拣作业线，直接在作业线上录入快递件？

2.用什么AI能力解决问题？如果判断手头的需求场景适合调用AI能力，就要考虑选择什么AI能力来解决。

有些AI能力天生适合特定场景。如果对应关系搞错了，就会走很多弯路，对对应关系的理解，& quot除了家人什么都没有

在选择AI能力时，仅考虑AI能力与需求场景的对应关系是不够的，同时还要考虑设备性能和系统平台。

除了软件架构，AI硬件的设计还需要考虑硬件设备的性能，因为硬件设备的性能是AI能力施展拳脚的天花板。

如果需要在本地硬件设备上部署人工智能功能，必须基于设备性能来权衡人工智能功能。目前学术界的算法喜欢把精度提高百分之零点几，对器件性能没有限制。很多巨无霸算法的诞生，有些脱离实际，应用应该还是局限在设备性能上。

AI能力广泛应用于不同的系统平台，如Windows、Linux、Android、iOS等。而且不同系统平台的支持库差异较大，适用于不同算法的部署平台也不尽相同，这也是选择时要考虑的。

3.选择合适的AI能力后，需要将研究内容细化到具体的算法选择。解决同一个AI能力会有很多不同的算法，每个算法对应一个准确率。选择哪种算法，就等于你希望场景需求解决到什么程度。

通常算法越复杂、越庞大，精度和准确度越高，算法越好，越能解决需求。但是算法越好，越适合当前场景，这就涉及到一个取舍。3354场景的要求解决到什么程度才是对的？可以从适度匹配、SOTA极限、团队资源三个方面来开发。

适度搭配的意义更多在于性能的合理使用。90%的人脸识别准确率显然不能用于金融支付场景，但90%的人体检测准确率在

硬要将人流量监测场景下的人体检测准确率提升到99%，暂且不谈能不能实现，单是研发投入就会极大提升，实际效用差却没有多大。

金融支付场景下的人脸识别准确率对于实际效用影响巨大，是硬着头皮也要进行研发投入的点。将性能合理利用，适度匹配，根据实际调整解决程度。

SOTA极限其实决定了解决程度的上限，SOTA是State-of-the-Art的缩写，有趣的是，它的意思指向“在一些benchmark的数据集上跑分非常高的模型”，代表了最优秀的一批算法。

很容易理解，如果目前行业的极限算法的能力是这样，那对于场景需求的解决程度也只能以此为上限。

如果说SOTA极限来自于外部，那团队资源则是内部的上限。学界的有些算法方案在发布的时候，会切实考虑到工业应用，会将源码及部署方案一并发布到github等托管平台；有些算法方案则只有paper放出，没有相关实现资源。

如果最合适的算法恰好没有放出实现资源，而团队人力和时间又不足，则只能在放出过实现资源的算法里面找相对合适的，相应的解决程度也会受限。如果团队资源充足，就有机会通过paper进行算法复现，将需求解决得更好。

本文由@JaceinSalt原创发布于人人都是产品经理，未经许可，禁止转载

题图来自Unsplash，基于CC0协议