AI 產品經理：方法、技術與實戰

王澤楷

AI 產品經理：方法、技術與實戰
  • 出版商: 機械工業
  • 出版日期: 2022-10-17
  • 售價: $594
  • 貴賓價: 9.5 折 $564
  • 語言: 簡體中文
  • 頁數: 320
  • 裝訂: 平裝
  • ISBN: 7111711777
  • ISBN-13: 9787111711773
  • 相關分類: 產品經理

    • 立即出貨 (庫存 < 3)

買這商品的人也買了...

相關主題

商品描述

這是一本指導AI產品真正實現商業化落地的專業技術書。
書中內容完全圍繞產品落地、商業化展開，既提供了不同類型AI產品的落地方案，
又提供了具體的方法、技巧，還提供了安防、製造、汽車等多個典型行業的應用案例。
無論是從技術或其他崗位轉型AI產品經理，還是從其他方向的產品經理崗位轉型AI產品經理，都可以通過本書彌補欠缺的相關知識。
而對於已經入門的AI產品經理，閱讀本書可以了解算法、中台、
業務等各類AI產品的落地方案，掌握快速、高效、高質量落地產品的方法論。
本書共包括4篇13章的內容。
第一篇（第1～2章）對AI產品及AI產品經理進行全方位深入解讀，
目的是讓讀者真正理解AI產品經理這個職位，這是做好這份工作的基礎。
另外，本篇還重點介紹瞭如何成為AI產品經理和如何規劃AI產品經理職業發展路徑。
第二篇（第3～6章）從機器學習入手，逐漸拓展到以計算機視覺、
語音識別、語義理解為核心的多模態內容理解技術、行為主義的機器人學，以及AI雲原生工程應用。
本篇以AI產品經理實際需求為前提，用產品經理可以理解的方式展開介紹，
不講與產品經理工作關聯性不強的技術細節，只講技術原理和應用方向，這些都是AI產品經理落地產品時必須掌握的。
第三篇（第7～11章）是本書的重點。本篇首先介紹了通用的產品方法論，
然後結合AI產業鏈的特點，深入解讀了算法、中台、業務三大類AI產品的落地實踐。
其中，關於算法和中台類產品的介紹，可幫助讀者應對自動駕駛、元宇宙、企業智能、智能汽車、虛擬數字人等主流產品的落地需求；
針對業務類AI產品，從城市治理、企業服務、個人服務三個維度展開介紹。
第四篇（第12～13章）從賦能行業和項目實踐兩個維度解讀AI產品高效、高質量落地的方法。
其中不僅以安防、製造業、汽車為案例解讀了AI產品高效落地的方法和方案，還以B/G端項目、商機項目為例，
提供了可行性驗證、交付等問題的解決思路。

作者簡介

王澤楷
亞太人工智能學會資深數字孿生研究專家，曾任平安科技、商湯科技任AI高級產品專家。
近10年來一直工作於AI領域技術和產品一線，曾參與多個世界500強企業的AI建設項目、
多個一線城市的城市級AI應用落地，在AI技術、產品的項目應用等方面積累了豐富的經驗。
曾從事深度學習算法研究工作，發表AI相關專利論文6篇。
經歷了新一代人工智能技術發展，對以深度神經網絡為代表的人工智能技術的發展有深刻理解。
對計算機視覺有深入研究，長期跟踪研究前沿技術趨勢。
碩士畢業於法國南特大學，擁有電子工程專業和測控（機器視覺）專業雙碩士學位。

目錄大綱

前言
第一篇AI與AI產品經理
第1章深入理解AI和AI產品2
1.1 全方位認識AI2
1.1.1 AI的定義2
1.1.2 AI的三大學派6
1.1.3 AI的發展歷程8
1.1.4 AI的發展政策11
1.2 深入理解AI產品12
1.2.1 什麼是AI產品12
1.2.2 AI技術產品化13
1.2.3 AI產品產業化和標準化14
1.2.4 AI產品落地的價值與難題16
第2章AI產品經理19
2.1 什麼是AI產品經理19
2.2 怎樣成為優秀的AI產品經理21
2.2.1 AI產品經理的職業規劃23
2.2.2 AI產品經理的知識體系24
第二篇AI技術
第3章機器學習28
3.1 機器學習概述28
3.1.1 監督學習30
3.1.2 無監督學習31
3.1.3 強化學習32
3.1.4 自監督學習33
3.2 深度學習34
3.2.1 什麼是深度學習34
3.2.2 深度學習的發展和局限38
3.2.3 遷移學習40
3.2.4 大規模預訓練模型40
3.3 生成對抗網絡42
3.4 元學習44
3.4.1 基於度量的元學習45
3.4.2 基於優化的元學習47
3.5 聯邦學習與隱私計算48
3.5.1 什麼是聯邦學習48
3.5.2 聯邦學習的分類50
3.5.3 聯邦學習框架與應用53
3.6 AutoML/AutoDL55
3.6.1 什麼是AutoML55
3.6.2 自動化數據處理與增強56
3.6.3 自動模型生成—神經架構搜索58
3.6.4 自動模型壓縮62
3.7 可解釋AI64
第4章多模態感知及理解67
4.1 計算機視覺67
4.1.1 圖像生成69
4.1.2 圖像處理71
4.1.3 立體視覺73
4.1.4 圖像分類79
4.1.5 圖像檢測80
4.1.6 圖像分割82
4.1.7 目標跟踪85
4.2 語音識別87
4.2.1 基本概念87
4.2.2 傳統語音識別流程90
4.2.3 端到端深度學習語音識別93
4.2.4 聲紋識別97
4.3 自然語言處理99
4.3.1 概述99
4.3.2 NLP的分析層次100
4.3.3 信息抽取105
4.3.4 知識圖譜108
4.3.5 機器翻譯116
4.3.6 對話系統119
4.4 多模態內容理解122
4.4.1 多模態方法簡介122
4.4.2 多模態融合應用124
第5章機器人學與運動規劃128
5.1 機器人硬件130
5.1.1 傳感器130
5.1.2 執行機構131
5.1.3 動力源132
5.1.4 處理器133
5.2 機器人感知133
5.2.1 傳感和信號處理133
5.2.2 定位與地圖構建134
5.3 運動規劃與控制137
5.3.1 運動規劃137
5.3.2 運動控制141
5.4 應用領域142
第6章AI雲原生工程應用146
6.1 雲原生147
6.1.1 雲原生概述147
6.1.2 容器技術150
6.1.3 微服務151
6.1.4 Service Mesh152
6.1.5 Serverless152
6.1.6 DevOps與ModelOps154
6.2 AI雲原生應用發展趨勢155
第三篇AI產品應用
第7章從兩個視角深挖AI產品機會158
7.1 市場視角：尋找商機158
7.1.1 關注市場的宏觀力量159
7.1.2 尋找AI細分好賽道161
7.2 技術視角：技術創新和可行性167
7.2.1 依托技術創新的產品創新167
7.2.2 技術可行性和技術成本170
第8章AI產品從定義到落地173
8.1 如何真正做到從用戶需求出發173
8.2 正確定義一款產品的8個要素176
8.3 AI產品設計框架詳解180
8.3.1 軟件設計要點詳解180
8.3.2 硬件設計要點詳解191
8.3.3 整體性能設計要點詳解195
8.3.4 安全性與AI倫理197
8.4 產品需求流轉200
8.4.1 需求收集200
8.4.2 需求管理201
8.4.3 產品需求評審202
8.4.4 產品需求排期206
8.4.5 產品需求驗收207
8.5 AI產品三層級—算法、平台與業務208
第9章算法類AI產品落地詳解210
9.1 任務定義—AI算法產品的真實需求與目標211
9.1.1 明確算法需求211
9.1.2 用樣例描述算法需求213
9.2 數據工程—用數據定義功能邊界214
9.2.1 數據採集215
9.2.2 數據標註216
9.2.3 數據生成218
9.3 算法生產—獲得小可行的AI產品219
9.3.1 訓練模型219
9.3.2 加速模型222
9.3.3 跨硬件平台適配224
9.4 算法評估—獲得算法能力邊界225
9.4.1 兩種評估方法225
9.4.2 視圖識別的精度指標227
9.4.3 語音識別及文本精度評價233
9.4.4 確定合理的速度指標233
第10章AI中台落地詳解236
10.1 AI中台的需求及整體方案236
10.1.1 算法的長尾現象237
10.1.2 AI中台及體系架構239
10.1.3 全棧、自動化、資產化與普惠化241
10.2 AI中台下的三大功能模塊設計242
10.2.1 算力管理類功能設計243
10.2.2 數據管理類功能設計245
10.2.3 算法管理類功能設計246
10.3 AI中台典型應用舉例249
10.3.1 雲廠商的雲原生AI中台249

類似商品