AI产品经理：方法、技术与实战

图书标准信息

• 作者 王泽楷 著
• 出版社 机械工业出版社
• 出版时间 2022-10
• 版次 1
• ISBN 9787111711773
• 定价 99.00元
• 装帧 其他
• 开本 32开
• 纸张 纯质纸
• 页数 168页
• 字数 252千字

【内容简介】

这是一本指导AI产品真正实现商业化落地的专业技术书。书中内容完全围绕产品落地、商业化展开，既提供了不同类型AI产品的落地方案，又提供了具体的方法、技巧，还提供了安防、制造、汽车等多个典型行业的应用案例。
  无论是从技术或其他岗位转型AI产品经理，还是从其他方向的产品经理岗位转型AI产品经理，都可以通过本书弥补欠缺的相关知识。而对于已经入门的AI产品经理，阅读本书可以了解算法、中台、业务等各类AI产品的落地方案，掌握快速、高效、高质量落地产品的方法论。 本书共包括4篇13章的内容。
  第一篇（第1～2章）对AI产品及AI产品经理进行全方位深入解读，目的是让读者真正理解AI产品经理这个职位，这是做好这份工作的基础。另外，本篇还重点介绍了如何成为AI产品经理和如何规划AI产品经理职业发展路径。
  第二篇（第3～6章）从机器学习入手，逐渐拓展到以计算机视觉、语音识别、语义理解为核心的多模态内容理解技术、行为主义的机器人学，以及AI云原生工程应用。本篇以AI产品经理实际需求为前提，用产品经理可以理解的方式展开介绍，不讲与产品经理工作关联性不强的技术细节，只讲技术原理和应用方向，这些都是AI产品经理落地产品时必须掌握的。
  第三篇（第7～11章）是本书的重点。本篇首先介绍了通用的产品方法论，然后结合AI产业链的特点，深入解读了算法、中台、业务三大类AI产品的落地实践。其中，关于算法和中台类产品的介绍，可帮助读者应对自动驾驶、元宇宙、企业智能、智能汽车、虚拟数字人等主流产品的落地需求；针对业务类AI产品，从城市治理、企业服务、个人服务三个维度展开介绍。
  第四篇（第12～13章）从赋能行业和项目实践两个维度解读AI产品高效、高质量落地的方法。其中不仅以安防、制造业、汽车为案例解读了AI产品高效落地的方法和方案，还以B/G端项目、商机项目为例，提供了可行性验证、交付等问题的解决思路。

【作者简介】

王泽楷 

亚太人工智能学会资深数字孪生研究专家，曾任平安科技、商汤科技任AI高级产品专家。近10年来一直工作于AI领域技术和产品一线，曾参与多个世界500强企业的AI建设项目、多个一线城市的城市级AI应用落地，在AI技术、产品的项目应用等方面积累了丰富的经验。

曾从事深度学习算法研究工作，发表AI相关专利论文6篇。经历了新一代人工智能技术发展，对以深度神经网络为代表的人工智能技术的发展有深刻理解。对计算机视觉有深入研究，长期跟踪研究前沿技术趋势。

硕士毕业于法国南特大学，拥有电子工程专业和测控（机器视觉）专业双硕士学位。

【目录】

前言

第一篇　AI与AI产品经理

第1章　深入理解AI和AI产品2

1.1　全方位认识AI2

1.1.1　AI的定义2

1.1.2　AI的三大学派6

1.1.3　AI的发展历程8

1.1.4　AI的发展政策11

1.2　深入理解AI产品12

1.2.1　什么是AI产品12

1.2.2　AI技术产品化13

1.2.3　AI产品产业化和标准化14

1.2.4　AI产品落地的价值与难题16

第2章　AI产品经理19

2.1　什么是AI产品经理19

2.2　怎样成为优秀的AI产品经理21

2.2.1　AI产品经理的职业规划23

2.2.2　AI产品经理的知识体系24

第二篇　 AI技术

第3章　机器学习28

3.1　机器学习概述28

3.1.1　监督学习30

3.1.2　无监督学习31

3.1.3　强化学习32

3.1.4　自监督学习33

3.2　深度学习34

3.2.1　什么是深度学习34

3.2.2　深度学习的发展和局限38

3.2.3　迁移学习40

3.2.4　大规模预训练模型40

3.3　生成对抗网络42

3.4　元学习44

3.4.1　基于度量的元学习45

3.4.2　基于优化的元学习47

3.5　联邦学习与隐私计算48

3.5.1　什么是联邦学习48

3.5.2　联邦学习的分类50

3.5.3　联邦学习框架与应用53

3.6　AutoML/AutoDL55

3.6.1　什么是AutoML55

3.6.2　自动化数据处理与增强56

3.6.3　自动模型生成—神经架构搜索58

3.6.4　自动模型压缩62

3.7　可解释AI64

第4章　多模态感知及理解67

4.1　计算机视觉67

4.1.1　图像生成69

4.1.2　图像处理71

4.1.3　立体视觉73

4.1.4　图像分类79

4.1.5　图像检测80

4.1.6　图像分割82

4.1.7　目标跟踪85

4.2　语音识别87

4.2.1　基本概念87

4.2.2　传统语音识别流程90

4.2.3　端到端深度学习语音识别93

4.2.4　声纹识别97

4.3　自然语言处理99

4.3.1　概述99

4.3.2　NLP的分析层次100

4.3.3　信息抽取105

4.3.4　知识图谱108

4.3.5　机器翻译116

4.3.6　对话系统119

4.4　多模态内容理解122

4.4.1　多模态方法简介122

4.4.2　多模态融合应用124

第5章　机器人学与运动规划128

5.1　机器人硬件130

5.1.1　传感器130

5.1.2　执行机构131

5.1.3　动力源132

5.1.4　处理器133

5.2　机器人感知133

5.2.1　传感和信号处理133

5.2.2　定位与地图构建134

5.3　运动规划与控制137

5.3.1　运动规划137

5.3.2　运动控制141

5.4　应用领域142

第6章　AI云原生工程应用146

6.1　云原生147

6.1.1　云原生概述147

6.1.2　容器技术150

6.1.3　微服务151

6.1.4　Service Mesh152

6.1.5　Serverless152

6.1.6　DevOps与ModelOps154

6.2　AI云原生应用发展趋势155

第三篇　AI产品应用

第7章　从两个视角深挖AI产品机会158

7.1　市场视角：寻找商机158

7.1.1　关注市场的宏观力量159

7.1.2　寻找AI细分好赛道161

7.2　技术视角：技术创新和可行性167

7.2.1　依托技术创新的产品创新167

7.2.2　技术可行性和技术成本170

第8章　AI产品从定义到落地173

8.1　如何真正做到从用户需求出发173

8.2　正确定义一款产品的8个要素176

8.3　AI产品设计框架详解180

8.3.1　软件设计要点详解180

8.3.2　硬件设计要点详解191

8.3.3　整体性能设计要点详解195

8.3.4　安全性与AI伦理197

8.4　产品需求流转200

8.4.1　需求收集200

8.4.2　需求管理201

8.4.3　产品需求评审202

8.4.4　产品需求排期206

8.4.5　产品需求验收207

8.5　AI产品三层级—算法、平台与业务208

第9章　算法类AI产品落地详解210

9.1　任务定义—AI算法产品的真实需求与目标211

9.1.1　明确算法需求211

9.1.2　用样例描述算法需求213

9.2　数据工程—用数据定义功能边界214

9.2.1　数据采集215

9.2.2　数据标注216

9.2.3　数据生成218

9.3　算法生产—获得小可行的AI产品219

9.3.1　训练模型219

9.3.2　加速模型222

9.3.3　跨硬件平台适配224

9.4　算法评估—获得算法能力边界225

9.4.1　两种评估方法225

9.4.2　视图识别的精度指标227

9.4.3　语音识别及文本精度评价233

9.4.4　确定合理的速度指标233

第10章　AI中台落地详解236

10.1　AI中台的需求及整体方案236

10.1.1　算法的长尾现象237

10.1.2　AI中台及体系架构239

10.1.3　全栈、自动化、资产化与普惠化241

10.2　AI中台下的三大功能模块设计242

10.2.1　算力管理类功能设计243

10.2.2　数据管理类功能设计245

10.2.3　算法管理类功能设计246

10.3　AI中台典型应用举例249

10.3.1　云厂商的云原生AI中台249