La règle de survie des chefs de produit a changé après l'épidémie!
De nos jours, les produits de commerce électronique social, les produits de marketing vidéo courts, les produits de sécurité des données, les produits d'intelligence artificielle et les produits de service client robot sont tous en plein essor. Dans le commerce électronique social, l'apprentissage automatique est utilisé pour recommander des produits ou services précis basés sur les relations sociales, et de courts robots vidéo sont utilisés pour tester Huang , Les ensembles de données générés à partir du big data utilisent des algorithmes d'apprentissage automatique pour former et exploiter les risques potentiels, etc.
Derrière la plupart de ces produits se cache une sorte de demande d'emploi, qui pointe vers une sorte de chef de produit: le chef de produit IA.
Tout le monde est chef de produit, mais si vous voulez être le chef de produit le plus proche du PDG, vous devez d'abord survivre à l'épidémie, et vous devez être en mesure de choisir la bonne direction de produit après l'épidémie.
Cet article présente d'abord la demande de postes de chef de produit IA dans de nombreux secteurs populaires, puis présente les compétences en IA que les chefs de produit IA doivent comprendre en détail, puis écrit ce qu'est un réseau neuronal? Qu'est-ce que l'apprentissage automatique? Enfin, un cas est utilisé pour démonter le cas général de la façon dont les chefs de produit IA utilisent la vision industrielle pour reconnaître en détail les polices manuscrites.
Quelles sont les compétences nécessaires pour les chefs de produit IA?
Les chefs de produit IA ne sont pas des chefs de produit IA + directs. Les chefs de produit IA ont leurs propres compétences uniques. Par exemple, le chef de produit IA de niveau de base doit avoir comme base l'algèbre linéaire, le calcul et la théorie des probabilités statistiques, puis le niveau d'application est le meilleur. Avoir des connaissances informatiques, puis au niveau des algorithmes, au moins trier les limites techniques qui peuvent être prises en charge par les algorithmes de votre propre industrie et de vos produits. Attendez. Ces compétences sont indispensables pour les chefs de produit IA. Présentons les détails. Qu'est-ce qu'un algorithme de réseau neuronal? Qu'est-ce qu'un algorithme d'apprentissage automatique?
Qu'est-ce qu'un réseau neuronal?
Le modèle sous-jacent de l'intelligence artificielle est le «réseau neuronal». De nombreuses applications complexes (telles que la reconnaissance de formes, le contrôle automatique) et des modèles avancés (tels que l'apprentissage en profondeur, l'apprentissage automatique, la vision industrielle, l'audition automatique) en sont basées. Pour apprendre à être chef de produit en intelligence artificielle, la compétence technique que vous devez comprendre doit être le réseau de neurones, qui doit partir de là, puis s'approfondir progressivement.
Alors le réseau neuronal n'est pas mystérieux, l'essence du réseau neuronal est d'imiter la pensée humaine. La pensée humaine réside dans le réseau biblique du cerveau humain. Le processus de pensée spécifique des neurones humains est le suivant:
1. La stimulation du signal externe est transformée en signaux électriques à travers les terminaisons nerveuses, et les signaux électriques sont transduits aux neurones;
2. De nombreux neurones constituent le centre nerveux humain;
3. Le centre nerveux intègre divers signaux pour prendre des décisions et des jugements;
4. Le corps humain répond aux stimuli externes selon les instructions du centre nerveux.
5. Les neurones artificiels sont donc la technologie de base des produits d'intelligence artificielle, qui sont considérés comme des réseaux de neurones.
Un réseau de neurones contient des données d'entrée et des résultats de sortie. Le traitement des nombres au milieu nécessite les poids attribués aux poids des différents nombres et le seuil pour lequel les résultats conviennent.
Par conséquent, nous voyons souvent le diagramme de structure du réseau de neurones comme suit: x représente l'entrée, la couche a est le neurone et h est la sortie.
Qu'est-ce que l'apprentissage automatique?
L'apprentissage automatique est une technique d'analyse de données qui permet aux ordinateurs de simuler une compétence que les humains et les animaux ont naturellement acquise: apprendre de l'expérience. Les algorithmes d'apprentissage automatique «apprennent» les informations directement à partir des données par le biais de calculs, au lieu de s'appuyer sur des modèles prédéterminés. Lorsque le nombre d'échantillons disponibles pour l'apprentissage augmente, ces algorithmes peuvent améliorer les performances de manière adaptative.
De plus, le principe de l'apprentissage automatique est le réseau neuronal mentionné ci-dessus, qui comprend également l'entrée de données, le calcul de la couche neuronale intermédiaire et la sortie du résultat final.
Mais l'apprentissage automatique lui-même est divisé en supervisé (étiquetage des nombres d'entrée), non supervisé (sans étiqueter les données d'entrée) et semi-supervisé.
Par conséquent, on peut comprendre que l'apprentissage automatique est une application spécifique des réseaux de neurones.
Cas: le chef de produit IA pratique la reconnaissance de la vision industrielle des polices manuscrites
En dessous de l'auteur, LineLian utilise un exemple pour faire fonctionner réellement un réseau neuronal, également appelé perceptron. Dans ce cas, il est appelé MLPClassifier (Multi-layer Perceptron Classifier).
La demande de produits d'IA consiste à utiliser des réseaux de neurones pour reconnaître les polices manuscrites.
Le principe de ce cas est également applicable à la caméra (police électronique) sur la route pour identifier la plaque d'immatriculation, et à d'autres cas de produits pratiques liés à la vision par ordinateur (CV).
Le processus produit d'IA est: importer des données, former des modèles, optimiser des modèles, une compréhension heuristique, etc. Comme indiqué ci-dessous:
L'auteur suivant suit le processus d'entraînement du réseau de neurones dans la figure ci-dessus. Sélectionnez d'abord l'ensemble de données classique. Les étudiants qui ont besoin d'une formation peuvent laisser un message sur le compte officiel et effectuer la formation suivante:
Étape zéro: introduisez un ensemble de données approprié
L'objectif de cette étape est de trouver un ensemble de données approprié.
Étape 1: Concevoir les paramètres du réseau neuronal
Les points que le chef de produit doit comprendre sont: plus
lent signifie optimiser le poids numérique du réseau de neurones, relu signifie activer le neurone, alpha signifie le terme de paramètre, caché derrière la couche de réseau neuronal et le nombre de neurones, et aléatoire signifie des nombres générés aléatoirement , Verbose représente le processus d'impression, learning_rate = 'invscaling', utilisé pour mettre à jour le taux d'apprentissage effectif.
Étape 2: Générer le modèle et enregistrer le modèle
Étape 3: filtrer le modèle
Étape 4: validation croisée du modèle
Étape 5: Chargez les données et sélectionnez le taux de précision comme index spécifique pour la vérification du modèle d'ensemble de vérification
Testez la précision du modèle avec des données.
Étape 6: Ajustez les grands paramètres du modèle d'apprentissage du réseau neuronal. Ici, ajustez les temps d'apprentissage du réseau neuronal.
Étape 7: Continuez à entraîner le réseau de neurones pour ajuster les grands paramètres du modèle d'apprentissage du réseau de neurones, ajustez ici le nombre de nœuds dans la couche intermédiaire du réseau de neurones n
Étape 8: Produisez les résultats de la formation
Étape 9: Sortie des résultats d'entraînement de l'aiguille globale sur les données de l'ensemble de test
Le processus de fonctionnement du cas dans cet article est universel dans la pratique des produits d'IA. L'objectif des chefs de produit d'IA dans le processus de fabrication de produits d'IA n'est pas sur les paramètres d'entraînement et les grands paramètres du modèle, ou les hyperparamètres. Mais comprenez la signification de certaines fonctions clés à l'intérieur.
C'est-à-dire:
1. connaître le nombre de couches du réseau neuronal utilisé par votre machine learning;
2. connaître la qualité des données de votre ensemble de données et la situation de regroupement de données. Par exemple, cet article divise l'ensemble de données en données d'ensemble d'entraînement et données d'ensemble de validation croisée Et les données de l'ensemble de test, et les données d'erreur d'entraînement et les données d'erreur de validation croisée collectées au milieu;
3. Connaître le code peut ne pas être compétent pour écrire le code;
4. Comprendre la signification de certaines fonctions de base, mais le chef de produit IA peut ne pas être en mesure de transformer la fonction;
5. En plus de l'application d'une vision industrielle aussi mature à la reconnaissance des plaques d'immatriculation, des criminels et des maisons de retraite, quels besoins ce modèle d'algorithme peut également résoudre? Par exemple: combinez d'autres modèles pour créer une nouvelle application fonctionnelle.
Il n'est pas impossible de créer un produit qui change le visage comme l'image Douyin ci-dessous.
L'impact de l'IA sur les produits n'est pas seulement un changement de visage, ni un simple service client de robot (Chatbots). En théorie, l'IA peut redéfinir les produits. En pratique, l'IA oblige les chefs de produit IA à trouver les besoins avec la technologie IA. Avant de le dire, vous et moi avons l'opportunité de créer des produits d'IA célèbres. Après dix ans de pluie dans les rivières et les lacs, parlons de l'IA et de la vie d'un chef de produit IA. Votre transmission est ma motivation pour le suivi futur!