人工智能产品的需求
在产品经理这个职位中，需求永远是被提到的最多的一个词。
需求管理、需求定义、需求确认、需求跟踪等与需求相关的职责都是公司对产品经理的基本要求。
互联网时代，电商平台是重构了人与货物之间的的关系；社交平台是重构了人与人之间的关系。侧重点都是重构生产要素之间的关系。
人工智能时代的产品，本质上式全面优化和提升上述所有场景中的现有技术手段，实现用户的体验升级和解决方案的效率升级。
下面我们从功能需求和非功能需求两个方面来探讨人工智能产品需求分析的工作流程和设计思路。
1、重新定义需求分析
人工智能技术为产品设计和需求定义提供了新的思路和逻辑。
1）简化产品逻辑。如，语音输入，人脸识别开机等。
2）从用户侧考虑投入产出比。人工智能产品的架构复杂，导致研发成本高昂，对于需求的商业价值需要产品经理有很好的判断力。现实中应该抓住用户的痛点作为切入点，使价值容易变现。
3）算法复杂，难以很快获得用户信任。需要向客户快速证明算法的有效性和准确性，在产品改良过程中应准建的替换。
4）传感器的发展产生了多元交互行为。例如，无人驾驶产品中，传感器、高精度地图、高级辅助驾驶系统、车联网的组合。
5）产品的需求没有确定的因果关系。例如，谷歌的关键词竞价广告，Google Adwords，产品经理不需要告诉工程师哪一个用户需要什么样的广告，只需要给广告客户提供后台推广的喜好配置以及推广效果的管理，用户的页面效果由算法模型计算得出，即搜索得到的页面都是基于商家偏好设置和用户精准匹配算法实现的个性化页面。
6）产品经理应充分了解目前技术水平和资源的局限性，避免研发难以实现的需求。
1.1、从宏观和微观两个角度定义功能性需求
功能性需求的一般定义是一个系统或它的组成部分为了达到某种目的必须提供的行为或服务。是产品设计的第一步。
产品经理可以从宏观和微观两个角度展开功能性需求的定义。
1）宏观：产品经理首先应该对公司的整体产品架构有清晰的认识，在公司战略目标的基础上定义需求的优先级。
2）微观：产品经理从宏观筛选出优先级高的功能后就可以微观的角度定义该功能的具体描述。尽量给出明确的业务背景和业务目标，并可以把目标量化。
1.2、定义非功能性需求
非功能性需求通常被描述为一款产品的“质量属性”、“质量目标”、“非行为需求”，常常被用来评价一个系统或者软件的运行、服务情况。
1）安全性：在使用权限和安全策略方面做出相应策略。在数据可得的情况下保证用户的隐私和安全。
2）可用性：易用、易理解、易操作。良好的用户体验。
3）可靠性：在条件、时间、功能三个方面保证系统的稳定运行。
4）性能：相应时间、吞吐量、并发用户数、资源利用率
5）可支持性：1、可扩展性：在新需求的情况下，系统不需要变更太多，模块间的耦合度比较低。2、可维护：良好的设计、完善的文档、严格的测试
2、量化需求分析
2.1、为什么要量化需求分析
在当下深度学习等算法的发展过程中，产品的展现就像是一个“黑盒”，可解释性较差。如何把需求量化就是一个重要的问题。
通常情况下，产品经理需要在迭代之前提出量化标准、算法团队根据被量化的业务目标进行技术可行性预研，得出调研结论后再和产品经理讨论。结果可能有三种：
1）评估现有数据资源，发现存在“小数据”或弱标注数据的情况。如果保证上线时间不变，需要在算法精度上进行妥协，需要产品经理进行需求变更。
2）要实现产品经理提出的量化标准，还需要申请更多的资源。
3）基于现有资源，在规定时间内实现量化要求。
产品经理需要利用工程实践中激励的量化评估经验，通过和研发团队沟通，了解技术积累现状以及算法能力边界，减少需求变更和申请额外资源的情况。
通俗的讲，对于一个产品进行A/B测试，测试后的目标假设是在某一项KPI上面提高了3%，而产品经理设定的量化目标为2%，那么说明该功能应该被全面推广，如果KPI提升小于2%，产品经理应该跟研发人员讨论是不是算法有需要调优的地方。这是一种典型的数据驱动决策的案例分析。
2.2、怎么量化需求
要量化需求，首先要产品经理熟悉产品使用场景，了解技术边界，对产品进行量化定义。
1）明确需求符合产品愿景。比如说对自动驾驶划分等级，产品的愿景是实现某一个等级。
2）找准需求场景。在确定了宏观和微观目标后，产品经理需要分析每个目标对应的使用场景。目前的人工智能都是在某一个特定的具体任务上表现出应用价值。如果不能把产品愿景拆分成具体场景目标，就无法量化需求。
3）定义场景中的可量化标准。当确定了微观目标并拆分出不同的场景目标，下面就是定义可量化的标准。
1、考虑内部因素。模型数据集训练出来的数据不同，量化标准不同。
2、考虑外部因素。同一个场景中的不同使用者的量化目标不同。
3、考虑同行业的表现。产品经理的量化标准需要参考国际同行的普遍水平。
4、输出对模型预测精度的合理期望。如准确率、精确率、召回率。
准确率：预测结果正确的样本在总预测样本中的比例。
精确率（P）：在预测为正的样本中，真的为正的样本比例。（或者预测为负的样本中，真正为负的概率）
召回率（R）：在所有真正为正的样本中，预测为正的样本比例。（或者在所有真正为负的样本中，预测为负的样本比例）
F1 Score（精确率和召回率的调和）： ，用于反映整体的指标。
5、根据具体场景定义算法特殊指标。
产品经理需要从行业的用户出发，对产品进行合理包装，产品追求的不是完美，而是商业价值和变现能力，用户认可和投入产出比是产品经理需要考虑的。