字节跳动AI高级产品经理田宇洲：AI产品经理需要掌握的核心算法
- 相关推荐
嘉宾介绍
田宇洲，北京大学硕士，现字节跳动lark团队AI高级产品经理，负责IM产品智能落地工作，曾担任北京电信产品经理和58同城高级AI产品经理，分别负责B2B电商平台从0到1搭建，58 AI建模平台产品设计工作。编辑产品设计文章近40篇，喜欢阅读，乐于分享。
擅长：游戏化产品设计，产品设计心理学，电商前后端产品设计，内容服务产品设计，AI产品设计-机器学习方向。
Q1. AI产品经理需要掌握哪些核心算法概念？
这个问题我们拆解开看，先说AI产品经理，我个人接触到的AI产品经理可以分为两类，一类是将机器学习和深度学习能力产品化的产品经理，如阿里PI，第四范式先知平台的产品经理，或者BI系统中负责机器学习算法模块组件化抽象的产品经理；一类是AI解决方案产品经理，也就是将AI技术（机器学习，深度学习等技术）应用于业务或用户使用场景中，解决问题的产品经理。前者更偏向算法，后者更偏向场景，我个人认为，这两类产品都未必需要掌握ai算法，因为算法底层都是大量的数学推导过程，掌握门槛奇高，从现在这个时间点来看，如果掌握AI算法那就直接去建模工程师就好，市场缺口极大，薪酬待遇刚毕业就可以达到年薪25万+，所以我认为AI产品经理更多的事了解算法的应用场景，大概的实现逻辑，不同的算法应用中优势在哪，劣势在哪，可以实现的边界在哪，这是AI产品经理需要关注的，即使是强算法关联的工具型AI产品经理，其实也没必要太执着于掌握算法，当然，就跟很多偏工程属性的产品或数据产品类似，掌握算法可以有助于产品与开发工程师和算法工程师沟通，但并不是必须。
如果只是上文中所说，我们要了解一些常用的算法，机器学习中的算法可以分为几大类，分类算法（二分类和多分类），回归算法，聚类算法，时间序列算法，推荐算法，具体常用算法如下图所示，至于算法的概念大家可以google查询算法详情，这里不再赘述。
Q2. 人工智能、机器学习、深度学习三者的区别是什么？
这三个概念是包含关系，人工智能包含机器学习，机器学习包含深度学习，从20世纪50年代开始，随着算法的演化，数据的完善，算力的提升，逐步演化出来，如下图所示：
Q3. 国内外知名机器学习建模工具产品都有什么哪些？各自的优势是什么？
国内：
阿里PI：使用方便，使用淘宝账号即可登录，使用资源按运算量或包月计算，支持算法多，实现了包含分类，回归，聚类，时间序列，文本分析，深度学习多算法的算子抽象，初学者可以结合案例学习使用
第四范式先知平台：平台已经不支持注册使用，需要提交企业应用场景，申请审核才能使用，相比于阿里pai简化建模流程，体验更好。同时，第四范式有专门支持自动化机器学习的平台，但是为开放使用。
国外：
DATAROBOT：自动化建模，使用方式类似于第四范式，但是申请后没有回应，从产品介绍和解决方案来看，datarobot支持高效的多模型自动学习过程，操作简单，几步点击便可以构建出一套机器学习模型，同时上百个模型并行运算跑出最优模型，并对预测结果给出专业的可视化分析，请google搜索datarobot查看详情。
R2.ai：端到端完成数据清洗到模型搭建，非机器学习专家也可使用，高级数据质检、调参和算法选择等功能，供机器学习专家手动调教模型，比肩人类数据科学家，不断自学习改进建模流程，建模速度可达小时/分钟级，透明可追溯的建模流程。
Q4. 机器学习的基础算法原理及应用场景是怎样的？
从解决问题的角度来看，机器学习可以抽象出来几类算法，二分类，多分类，聚类，回归，推荐，时间序列等，算法的基础原理都是数学定力或公式，如朴素贝叶斯算法就是基于朴素贝叶斯原理，树模型的基础是决策树，线性模型的基础是找图特征的权重，下面介绍一下机器学习算法的应用场景和常用模型，如下表所示：
类型
常用算法
应用场景
二分类
gbdt
随机森林
xgboost
lightgbm
lr
svm
将业务问题抽象成0和1的问题，监督学习，模型效果评估指标：auc
常用场景：预测心脏病；预测用户是否有购买某个商品的兴趣；预测用户是否会流失等
多分类
随机森林
决策树
xgboost
lightgbm
朴素贝叶斯
神经网络
lr
把业务问题抽象成多个分类，监督学习，建模同学一般会将多分类问题变成二分类问题，
常用场景：预测用户类型，预测用户收入分段，预测用户年龄段等
聚类
KMEANS
GMM
无监督学习，将数据根据设定的分组数聚成多个组
常用场景：用户画像，发现用户共性特征；为分类模型聚类特征
回归
gbdt
随机森林
决策树
xgboost
线性回归
预测数值
常用场景：预测明天房价，预测第二天股价，预测用户收入
推荐
协同过滤
推荐可以从人的角度或者商品（内容）角度进行推荐，但是不管怎么样，都绕不开几个条件，这是推荐的基本条件：
1.根据和你共同喜好的人来给你推荐
2.根据你喜欢的物品找出和它相似的来给你推荐
3.根据你给出的关键字来给你推荐，这实际上就退化成搜索算法了
4.根据上面的几种条件组合起来给你推荐