AI产品经理手册
全新正版 假一赔十 可开发票
￥ 41.73 7.0折 ￥ 59.8 全新
库存3件
北京东城
认证卖家担保交易快速发货售后保障
作者[美] 艾琳·布拉西斯（Irene Bratsis）著 张玉君 刘璐 译 著
出版社清华大学出版社
ISBN9787302674320
出版时间2024-11
装帧平装
开本其他
定价59.8元
货号1203431067
上书时间2024-11-11
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
Irene Bratsis(艾琳·布拉西斯)是国际WELL 建筑研究所(International WELL Building Institute，IWBI)的数字产品和数据主管。她拥有经济学学士学位，在学习数据科学和大数据分析方面的慕课(MOOC)后，还在Thinkful 上学习了一门数据科学的课程。在加入IWBI 前，Irene 曾担任特斯拉的运营分析师、Gesture 的数据科学家、Beekin 的数据产品经理、Tenacity 的产品主管。Irene 作为《纽约公约》的志愿者，担任“Women in Data”分会的联合负责人，积极投身于各种志愿者活动。她曾策划并组织过多个AI 加速器项目，多次主持以“WaiTalk”(Women in AI)为主题的系列演讲活动。此外，她还每月组织一次关于数据和AI 书籍的读书会。
目录
目 录
第I部分 AI的基础：术语、基础设施、AI类型以及AI产品案例
第1 章 构建AI 产品所需要的基础设施和工具 3
1.1 定义：什么是AI，什么不是AI 4
1.2 机器学习与深度学习的区别 6
1.2.1 机器学习 7
1.2.2 深度学习 7
1.3 机器学习的学习类型 9
1.3.1 监督学习 9
1.3.2 无监督学习 11
1.3.3 半监督学习 12
1.3.4 强化学习 13
1.4 流程顺序：最佳流程及其过程 13
1.4.1 步骤1：数据可用性和集中化 14
1.4.2 步骤2：持续维护 14
1.5 数据库基础：数据库、数据仓库、数据湖和湖仓 15
1.5.1 数据库 16
1.5.2 数据仓库 16
1.5.3 数据湖(和湖仓) 17
1.5.4 数据流水线 17
1.6 项目管理：IaaS 18
1.7 部署策略：部署与应用模型 19
1.7.1 影子部署策略 20
1.7.2 A/B 测试模型部署策略 20
1.7.3 金丝雀部署策略 21
1.8 AI 领域的成功案例：构建基础设施的成功案例 21
1.9 AI 的潜力：AI 的发展方向 23
1.10 本章小结 24
第2 章 AI 产品的模型开发和维护 27
2.1 了解NPD 的各个阶段 28
2.1.1 阶段1：发现 28
2.1.2 阶段2：定义 28
2.1.3 阶段3：设计 29
2.1.4 阶段4：实施 29
2.1.5 阶段5：市场营销 30
2.1.6 阶段6：培训 30
2.1.7 阶段7：发布 31
2.2 模型类型：从线性回归到神经网络 31
2.3 模型训练：为上线做准备 33
2.4 模型部署：交付研发结果 37
2.5 模型测试和故障排除 39
2.6 模型刷新：模型更新频率的伦理规范 41
2.7 本章小结 44
第3 章 机器学习和深度学习深入剖析 47
3.1 传统的AI：机器学习 48
3.2 新兴的AI：深度学习 49
3.2.1 隐藏的影响 51
3.2.2 深度学习简史 52
3.2.3 神经网络的类型 54
3.3 新兴技术：相关的辅助技术 61
3.4 可解释性：伦理、注意事项和责任 62
3.5 准确性：为成功做准备 63
3.6 本章小结 64
第4 章 AI 产品的商业化 67
4.1 成功的B2B 产品案例 68
4.2 成功的B2C 产品案例 70
4.3 蓝海产品案例 71
4.4 红海产品案例 73
4.5 差异化、颠覆性和主导性战略产品案例 75
4.5.1 主导性战略 76
4.5.2 颠覆性战略 77
4.5.3 差异化战略 77
4.6 本章小结 79
第5 章 AI 转型及其对产品管理的影响 81
5.1 财富和价值：AI 革新经济体系 83
5.2 商品和服务：商业MVP 的增长 85
5.3 政府和自治：AI 塑造社会的边界和自由 87
5.4 疾病和健康：AI 和纳米技术在医疗领域的应用 90
5.5 基本需求：AI 向善 92
5.6 本章小结 93
第II部分 构建AI原生产品
第6 章 了解AI 原生产品 97
6.1 AI 产品开发的阶段 98
6.1.1 阶段1：创意 98
6.1.2 阶段2：数据管理 99
6.1.3 阶段3：研发 100
6.1.4 阶段4：部署 101
6.2 AI/ML 产品团队的最佳组合 102
6.2.1 AI 产品经理 102
6.2.2 AI/ML/data 策略师 103
6.2.3 数据工程师 103
6.2.4 数据分析师 103
6.2.5 数据科学家 104
6.2.6 机器学习工程师 104
6.2.7 前端/后端/全栈工程师 105
6.2.8 UX 设计师/研究员 105
6.2.9 客户成功 106
6.2.10 市场/销售/市场推广团队 106
6.3 技术栈投资 107
6.4 AI 服务产品化：AI 产品管理的不同之处 108
6.5 AI 定制化：针对行业和客户群体的考虑 109
6.6 销售AI：产品管理与销售 111
6.7 本章小结 112
第7 章 机器学习服务产品化 113
7.1 AI 产品与传统软件产品的差异 113
7.1.1 相似之处 114
7.1.2 差异之处 115
7.2 B2B 与B2C：产品化的商业模式 121
7.2.1 领域知识：了解市场需求 121
7.2.2 实验：探索群体的需求 123
7.3 一致性和AIOps/MLOps：信赖与信任 125
7.4 性能评估：测试、重新训练和超参数调整 126
7.5 反馈循环：建立关系 127
7.6 本章小结 128
第8 章 面向垂直领域、客户和同行群体的定制化 129
8.1 特定领域的AI 定制化 130
8.1.1 了解市场 132
8.1.2 产品设计与市场服务 133
8.1.3 制定AI 产品战略 134
8.2 AI 产品高度渗透的垂直领域 137
8.2.1 金融科技 137
8.2.2 医疗保健 139
8.2.3 网络安全 140
8.3 用户行为分析 141
8.4 AI 产品的价值指标 141
8.4.1 OKR 142
8.4.2 KPI 142
8.4.3 技术指标 144
8.5 思想引领：向同行学习 144
8.6 本章小结 145
第9 章 产品的宏观AI 和微观AI 147
9.1 宏观AI：基础和范畴 148
9.1.1 机器学习 149
9.1.2 计算机视觉 151
9.1.3 自然语言处理 151
9.1.4 深度学习 152
9.1.5 机器人技术 153
9.1.6 专家系统 155
9.1.7 模糊逻辑/模糊匹配 156
9.2 微观AI：功能层面 156
9.2.1 机器学习(传统机器学习/深度学习/计算机视觉/自然
语言处理) 157
9.2.2 机器人技术 158
9.2.3 专家系统 159
9.2.4 模糊逻辑/模糊匹配 160
9.3 成功案例：振奋人心的示例 161
9.3.1 Lensa 161
9.3.2 PeriGen 162
9.4 挑战：常见的陷阱 163
9.4.1 伦理 163
9.4.2 性能 165
9.4.3 安全 165
9.5 本章小结 167
第10 章 性能基准、增长策略和成本 169
10.1 价值指标：北极星指标、KPI 和OKR 的指南 170
10.1.1 北极星指标 171
10.1.2 KPI 和其他指标标准 175
10.1.3 OKR 和产品策略 177
10.2 增长黑客：以产品为导向的增长 178
10.3 技术栈：及时反馈 180
10.3.1 客户数据平台(CDP) 181
10.3.2 客户参与平台(CEP) 182
10.3.3 产品分析工具 183
10.3.4 A/B 测试工具 184
10.3.5 数据仓库 185
10.3.6 商业智能(BI)工具 185
10.3.7 增长黑客工具 186
10.4 成本管理和定价：AI 是昂贵的 187
10.5 本章小结 188
第III部分 在现有产品中融入AI
第11 章 AI 的浪潮 193
11.1 演进或淘汰：变化是唯一不变的 194
11.2 第四次工业革命：技术的进步和变迁 197
11.2.1 与咨询顾问合作 199
11.2.2 与第三方合作 199
11.2.3 首次招聘 200
11.2.4 第一个AI 团队 201
11.2.5 无代码工具 201
11.3 摆脱恐惧：收获大于代价 202
11.4 本章小结 206
第12 章 行业发展趋势与洞察 207
12.1 最具增长潜力的领域：Forrester、Gartner 和麦肯锡的
研究 208
12.1.1 嵌入型AI：应用和整合案例 208
12.1.2 伦理型AI：责任和隐私 210
12.1.3 创作型AI：生成和沉浸式应用 211
12.1.4 自主AI 开发：图灵机器人 212
12.2 AI 采用的趋势：让数据说话 213
12.2.1 整体趋势 214
12.2.2 嵌入型AI：应用和集成的用例 215
12.2.3 伦理型AI：责任与隐私 216
12.2.4 创作型AI：生成和沉浸式应用 217
12.2.5 自主AI 开发：图灵机器人 217
12.3 最容易实现的目标：快速实现AI 的成功 218
12.4 本章小结 220
第13 章 将产品演进为AI 产品 221
13.1 韦恩图：可能性和概率 222
13.1.1 清单1：价值 223
13.1.2 清单2：范围 224
13.1.3 清单3：影响范围 226
13.2 数据为王：公司的血液 227
13.2.1 准备和研究 228
13.2.2 良好的合作关系 228
13.2.3 基准测试 229
13.2.4 数据团队 230
13.2.5 定义成功 231
13.3 竞品分析：关注竞争对手 232
13.4 产品战略：建立适合组织的蓝图 233
13.4.1 产品战略 234
13.4.2 产品路线图 237
13.5 红旗和绿旗：要注意和警惕的事项 239
13.5.1 红旗：警告信号 239
13.5.2 绿旗：积极信号 240
13.6 本章小结 242
参考文献(扫描封底二维码下载) 243
内容摘要
" 通过《AI产品经理手册》，将可以了解不同类型的AI，如何将AI整合到产品或业务中，以及支持创建AI产品或将AI集成到现有产品所需的基础设施。熟悉实践管理AI产品开发流程、评估和优化AI模型，以及应对与AI产品相关的复杂伦理和法律问题等相关知识。通过案例研究和学习，在快速发展的AI和机器学习领域保持领先地位。
通过阅读本书，读者将能够从产品角度全面了解AI领域。
主要内容
● 利用有限的资源，构建面向未来的AI产品
● 找出利用AI满足业务需求的机会
● 与跨职能团队合作开发和部署AI产品
● 分析使用机器学习和深度学习开发产品的收益和成本
● 探讨在处理敏感数据时伦理和责任的重要性
● 了解AI在各个垂直领域的性能和效果
"
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价