博客在增强应用中，我们研究了产品团队是如何探索人工智能和机器语言的，以使他们的产品更直观，并增强用户体验人工智能和机器学习（ML）不仅仅是吸引人的时髦词汇；它们对我们星球的未来和你的业务至关重要。数据集迅速变得过于庞大、复杂和快速，以至于人类无法应对。将AI和ML集成到您的产品或服务中正成为保持市场的基本赌注。正确的做法可能意味着在新的数据世界中繁荣和从中消失的区别。那么，将人工智能和机器学习融入新产品和现有产品的高级步骤是什么？AI可以通过多种方式为您的产品/服务增加价值，包括：提高业务绩效降低成本提高客户满意度提高品牌价值降低风险（减少人为错误、减少欺诈、减少垃圾邮件）提高产品的便利性和可访问性在本文中，我们将深入探讨人工智能如何帮助您实现这些目标，让您和您的团队能够预见您的产品或服务的未来利用人工智能提高性能一步到位地改善客户体验和降低成本听起来是不可能的，但这正是正确实施人工智能所能达到的目的。通常，我们必须花更多的钱来获得更好的客户体验，但是人工智能同时提供了更高的准确性和关注度，并降低了人力资本成本人工智能的一个方面是使用专家领域知识进行培训。一个受过特定领域专家知识训练的人工智能比一个聊天机器人在随机话题上进行对话要好得多。例如，访问Mitsuku聊天机器人，问一个简单的问题："烤面包机是怎么工作的？"回答"你可以花数年时间研究它"是没有用的。相比之下，看看下图中与污渍去除聊天机器人的讨论。来源注意这个例子中的聊天机器人是如何用特定主题的问题来引导讨论的。这就是专家知识人工智能产品可以为品牌增加巨大价值的地方。这对寻求成功实现人工智能的团队来说也是一个重要的收获：从你想用来衡量你的人工智能应用程序成功与否的关键绩效指标（KPI）开始，看看这与你的专业领域知识在哪里相吻合。然后调整您的方法，利用您独特的数据和专业知识，在这些KPI领域表现出色。示例：带有推荐组件的产品假设您正在使用一个推荐引擎，大数据的应用，向站点访问者推荐产品。如何改进推荐引擎？一个显而易见的机械回答是：将相关性作为一个度量标准。看看隐性和显性反馈。成功的一种行之有效的方法是通过在交易过程中向神经网络中插入新的客户选择来实时优化偏好。这意味着推荐者的智能实际上在访问者浏览时提高了，甚至在事务发生之前！另一个重要的方法是对现有指标进行基准测试。了解现有数据集的局限性并回答以下问题：有哪些数据类别？现在创建准确推荐者的具体问题或障碍是什么？接下来，收集根本原因来解决这些问题。通过与客户现有的销售业绩进行比较，尽可能提高他们的营销效果。了解客户的期望。具体来说，数据技术与大数据技术，使用亲和力图来划分优先级并计划最小可行产品（MVP）。注意事项：了解你想解决的客户问题：社交和情感方面是什么？聊天机器人能帮助改善关系吗？商业后果是什么？包容性：寻求发现并消除对种族、年龄和性别的偏见。确保测试用例代表了应用程序用户的多样性。识别用户情绪：情感对推荐者至关重要。自然语言处理可以用来检测笔调和意图对话。构建一个不断学习的产品：人工智能系统应该适应反馈并从中学习。更好的数据，好评返现，更好的人工智能，更好的产品拥有正确的数据（足够的数据）来训练你的人工智能是至关重要的。以Grammarly为例：这个流行的程序检查文档的语法、音调和样式。它根据自然语言处理将内容分为三种样式之一：专业、中等或随意。根据这个特定的学习标准，无数的人工智能都需要经过适当的训练。精确的数据准备是人工智能的基础。作为人工智能产品经理，以下是一些重要的数据相关问题，你应该问问自己：你想解决的问题是什么？您的产品的正确KPI和输出是什么？您的数据科学家需要什么样的数据转换来准备数据？你需要什么来建立你的MVP？今天，我们开发人工智能是在这样一个时代，数据被视为代码，或者至少是代码的扩展，因为没有数据，仅靠代码无法实现深度学习。此外，训练数据必须符合应用程序设计，使数据准备类似于编码。为确保AI项目的数据完整性，需要采取以下几个重要步骤：正确：常见的数据错误包括华氏度/摄氏度、UTC和12/24小时时钟兼容：数据必须符合法律同意和隐私规则当前：数据必须在时间范围内相关且不过期一致：应验证与测试用例一致的数据类型综合：应确定所需的输出，例如，应用回归模型对回归模型进行分类完美契合避免数据过度拟合和数据拟合不足。这是通过名为validation的ML方法完成的。虽然人工智能产品经理可能不参与算法开发的级别，但他们可以从识别开发中模型行为中过度拟合的症状中获益。一个不合身的模型是不灵活的，不能很好地学习。过拟合模型从所有数据中学习，包括数据中的噪声欠拟合模型看起来好像完全忽略了数据，而右侧的过拟合模型则模拟了数据中的噪声！在不需要太多技术性的情况下，我们想举一个可以用来解决这些问题的验证的例子：k-fold交叉验证了解k-fold交叉验证K-fold交叉验证的工作原理是将数据集分成多个称为"folds"的子集，数据可视化大屏，这种方法的优点是不需要额外的数据集就可以改进模型。交叉验证得分最低的模型将最好地模拟训练数据，同时实现欠拟合和过度拟合之间的平衡。在这里，我们可以开始了解为什么有数据科学背景的人工智能产品经理是有益的。在高水平上理解ML模型的能力提高了我们直接与数据科学家团队合作创建精确模型的能力。正如我们刚才所做的那样，对人工智能算法的机制进行抽样，将引导我们进入模型选择和模型评估的相关主题。作为一个产品经理，你会想做你自己的研究来学习你的人工智能产品领域和场景的最佳建模方法。学习这些信息将有助于你与你的数据科学家团队进行有意义的互动大胆打造更智能的产品未来将是智能的。数据继续激增，只有人工智能的帮助才能帮助人类理解它。这些都是巨大的、存在的问题，但在构建下一波应用程序、产品和服务时，它们有着简单、实质性的应用程序。无论你在构建什么，数据都需要成为其中的一部分。添加人工智能元素将帮助您的用户最大限度地利用这些数据，提高他们的体验，并使您的公司在市场上保持领先，因为人工智能已成为日常生活的方方面面。设想一个更好的世界和一个更好的产品，然后大胆地用正确的数据和人工智能构建它Inna Tokarev Sela，Sisense的人工智能研究主管，在科技行业拥有超过15年的经验。她在SAP工作了十年，推动了云架构、内存产品和机器学习视频分析的创新。作为IBC、NAB、WonderlandAI和Media Festival等行业活动的常客，Inna拥有物理学和计算机科学学士学位、工商管理硕士学位和信息系统硕士学位，并撰写了关于神经网络的论文。标签：AI |分析应用程序|分析应用程序|嵌入式分析|机器学习|产品团队

，云服务器的