AI產品經理手冊（簡體書）

通過《AI產品經理手冊》，將可以瞭解不同類型的AI，如何將AI整合到產品或業務中，以及支持創建AI產品或將AI集成到現有產品所需的基礎設施。熟悉實踐管理AI產品開發流程、評估和優化AI模型，以及應對與AI產品相關的複雜倫理和法律問題等相關知識。通過案例研究和學習，在快速發展的AI和機器學習領域保持領先地位。通過閱讀本書，讀者將能夠從產品角度全面瞭解AI領域。主要內容● 利用有限的資源，構建面向未來的AI產品● 找出利用AI滿足業務需求的機會● 與跨職能團隊合作開發和部署AI產品● 分析使用機器學習和深度學習開發產品的收益和成本● 探討在處理敏感數據時倫理和責任的重要性● 瞭解AI在各個垂直領域的性能和效果

Irene Bratsis(艾琳·布拉西斯)是國際WELL 建築研究所(International WELL Building Institute，IWBI)的數字產品和數據主管。她擁有經濟學學士學位，在學習數據科學和大數據分析方面的慕課(MOOC)後，還在Thinkful 上學習了一門數據科學的課程。在加入IWBI 前，Irene 曾擔任特斯拉的運營分析師、Gesture 的數據科學家、Beekin 的數據產品經理、Tenacity 的產品主管。Irene 作為《紐約公約》的志願者，擔任“Women in Data”分會的聯合負責人，積極投身於各種志願者活動。她曾策劃並組織過多個AI 加速器項目，多次主持以“WaiTalk”(Women in AI)為主題的系列演講活動。此外，她還每月組織一次關於數據和AI 書籍的讀書會。

第I部分 AI的基礎：術語、基礎設施、AI類型以及AI產品案例
第1章 構建AI產品所需要的基礎設施和工具
1.1 定義：什麼是AI，什麼不是AI
1.2 機器學習與深度學習的區別
1.2.1 機器學習
1.2.2 深度學習
1.3 機器學習的學習類型
1.3.1 監督學習
1.3.2 無監督學習
1.3.3 半監督學習
1.3.4 強化學習
1.4 流程順序：最佳流程及其過程
1.4.1 步驟1：數據可用性和集中化
1.4.2 步驟2：持續維護
1.5 數據庫基礎：數據庫、數據倉庫、數據湖和湖倉
1.5.1 數據庫
1.5.2 數據倉庫
1.5.3 數據湖（和湖倉）
1.5.4 數據流水線
1.6 項目管理：IaaS
1.7 部署策略：部署與應用模型
1.7.1 影子部署策略
1.7.2 A/B測試模型部署策略
1.7.3 金絲雀部署策略
1.8 AI 領域的成功案例：構建基礎設施的成功案例
1.9 AI 的潛力：AI的發展方向
1.10 本章小結
第2章 AI產品的模型開發和維護
2.1 瞭解NPD的各個階段
2.1.1 階段1：發現
2.1.2 階段2：定義
2.1.3 階段3：設計
2.1.4 階段4：實施
2.1.5 階段5：市場營銷
2.1.6 階段6：培訓
2.1.7 階段7：發佈
2.2 模型類型：從線性回歸到神經網絡
2.3 模型訓練：為上線做準備
2.4 模型部署：交付研發結果
2.5 模型測試和故障排除
2.6 模型刷新：模型更新頻率的倫理規範
2.7 本章小結
第3章 機器學習和深度學習深入剖析
3.1 傳統的AI：機器學習
3.2 新興的AI：深度學習
3.2.1 隱藏的影響
3.2.2 深度學習簡史
3.2.3 神經網絡的類型
3.3 新興技術：相關的輔助技術
3.4 可解釋性：倫理、注意事項和責任
3.5 準確性：為成功做準備
3.6 本章小結
第4章 AI產品的商業化
4.1 成功的B2B產品案例
4.2 成功的B2C產品案例
4.3 藍海產品案例
4.4 紅海產品案例
4.5 差異化、顛覆性和主導性戰略產品案例
4.5.1 主導性戰略
4.5.2 顛覆性戰略
4.5.3 差異化戰略
4.6 本章小結
第5章 AI轉型及其對產品管理的影響
5.1 財富和價值：AI革新經濟體系
5.2 商品和服務：商業MVP的增長
5.3 政府和自治：AI塑造社會的邊界和自由
5.4 疾病和健康：AI和納米技術在醫療領域的應用
5.5 基本需求：AI向善
5.6 本章小結
第II部分 構建AI原生產品
第6章 瞭解AI原生產品
6.1 AI產品開發的階段
6.1.1 階段1：創意
6.1.2 階段2：數據管理
6.1.3 階段3：研發
6.1.4 階段4：部署
6.2 AI/ML產品團隊的最佳組合
6.2.1 AI產品經理
6.2.2 AI/ML/data策略師
6.2.3 數據工程師
6.2.4 數據分析師
6.2.5 數據科學家
6.2.6 機器學習工程師
6.2.7 前端/後端/全棧工程師
6.2.8 UX設計師/研究員
6.2.9 客戶成功
6.2.10 市場/銷售/市場推廣團隊
6.3 技術棧投資
6.4 AI服務產品化：AI產品管理的不同之處
6.5 AI定制化：針對行業和客戶群體的考慮
6.6 銷售AI：產品管理與銷售
6.7 本章小結
第7章 機器學習服務產品化
7.1 AI產品與傳統軟件產品的差異
7.1.1 相似之處
7.1.2 差異之處
7.2 B2B與B2C：產品化的商業模式
7.2.1 領域知識：瞭解市場需求
7.2.2 實驗：探索群體的需求
7.3 一致性和AIOps/MLOps：信賴與信任
7.4 性能評估：測試、重新訓練和超參數調整
7.5 反饋循環：建立關係
7.6 本章小結
第8章 面向垂直領域、客戶和同行群體的定制化
8.1 特定領域的AI定制化
8.1.1 瞭解市場
8.1.2 產品設計與市場服務
8.1.3 制定AI產品戰略
8.2 AI產品高度滲透的垂直領域
8.2.1 金融科技
8.2.2 醫療保健
8.2.3 網絡安全
8.3 用戶行為分析
8.4 AI產品的價值指標
8.4.1 OKR
8.4.2 KPI
8.4.3 技術指標
8.5 思想引領：向同行學習
8.6 本章小結
第9章 產品的宏觀AI和微觀AI
9.1 宏觀AI：基礎和範疇
9.1.1 機器學習
9.1.2 計算機視覺
9.1.3 自然語言處理
9.1.4 深度學習
9.1.5 機器人技術
9.1.6 專家系統
9.1.7 模糊邏輯/模糊匹配
9.2 微觀AI：功能層面
9.2.1 機器學習（傳統機器學習/深度學習/計算機視覺/自然語言處理）
9.2.2 機器人技術
9.2.3 專家系統
9.2.4 模糊邏輯/模糊匹配
….