AI産品經理是近年職業市場上的新物種，遵循進化規律，市場自然會逐漸對其提出新的職業要求。如何成為一名合格的AI産品經理？除了需要具備傳統PM的核心技能，還需要有契合職業本質的基本技能——将AI能力與場景比對。
正逆向比對
AI産品經理工作中涉及的AI能力與場景比對情形主要有兩種，分别是正向比對和逆向比對。
正向比對從AI能力出發，尋找比對場景。AI産品經理經常會關注行業趨勢，跟蹤、分析新近出來的算法表現，如果理論效果特别優秀，會嘗試将算法表現對應到AI能力，再去尋找AI能力所能解決的場景，探知是否比現有的場景解決方案做得更好，有沒有替代或者優化的可能性。
逆向比對從需求場景出發，比對最合适的AI能力。在産品設計過程中，需求采集完畢之後，需要進行需求轉化，即把需求轉化成功能。這一步，傳統PM更多是進行産品元素的組合，登入注冊、詳情頁、個人中心、推薦、評價等，AI産品經理還需要适度的穿插AI能力，通過擷取的使用者需求場景去探究如何選取合适的AI能力進行比對。
AI能力與場景比對
不管是正向比對還是逆向比對，都需要按照一定的比對流程，找尋AI能力和需求場景的契合點。
按照思維邏輯發展的順序，将AI能力與場景比對時，核心關注點主要有三——場景需求是否适合用AI能力解決，用什麼AI能力解決，解決到什麼程度。
場景需求是否适合用AI能力解決
顯而易見，并非所有場景需求都有必要動用AI能力，但是很多AI産品經理都可能陷入的誤區是，任何需求到手，都喜歡請出AI能力這尊大佛，結果往往尴尬而過猶不及。陷入誤區之後的AI PM可能已經忘卻作為PM的本心——最簡的方法，最優的體驗，最大的效用。
跟任何解決方案一樣，AI能力也有自己的适用範圍。這裡借鑒車馬的觀點，從服務對象和服務内容兩個次元對AI能力适用度進行區分，其中服務對象分為對人和對物，服務内容分為标準和非标，劃分如下：
舉幾個例子，服務對象對人的比如人臉支付，服務對象對物的比如照片處理，服務内容标準的比如刷卡進站，服務内容非标的比如自動駕駛。
人臉支付是一個典型的對人的場景，如果在支付時不對支付人加以引導，則會發展成非标的場景，正是因為目前的解決方案都對支付人有支付引導，比如人臉框提示，才将場景從非标變成标準，即對人标準場景——适合AI的場景。
比較好的了解這套規則能夠讓比對過程一開始就事半功倍，避免繞彎，而更進階的是，某些情況下還可以充分利用這套規則，發揮想象力，将對人非标的情況轉換成對物标準的情況，在解決方案上達到質的提升。舉個簡單的例子，解決快遞件錄入庫的問題，是選擇為錄入人員開發一套智能錄入系統，友善人對物的錄入，還是選擇改進快遞分揀作業線，直接在作業線上對快件進行錄入？
用什麼AI能力解決
如果判斷手上的需求場景适合調用AI能力，就要考慮到底選擇什麼AI能力進行解決。
有一些AI能力天生就适合特定場景，如果将對應關系弄錯，就會走不少彎路，而對應關系的了解，“無他，但手熟爾”，靠平時的見解與積累。個人歸納的對應關系如下：
AI行業快速疊代的特殊性質決定了AI産品經理裡必須不斷更新自己，将知識内化，形成能力壁壘。當涉及方案比對時，多一種想法，就多一種質變的可能。
選擇AI能力時，僅考慮AI能力與需求場景的對應性還不夠，同時要兼顧的還有裝置性能和系統平台。
AI硬體的設計除了要考慮軟體架構，還需要考慮硬體裝置的性能，因為硬體裝置性能才是AI能力施展拳腳的天花闆。如果AI能力需要部署在本地硬體裝置上，在挑選AI能力時就不得不基于裝置性能進行權衡，目前學界的算法喜歡為了百分之零點幾的準确率的提升，在裝置性能上毫不設限，誕生不少巨無霸算法，多少脫離實際，應用中還是應該以裝置性能為限。
AI能力的應用廣泛，在Windows、Linux、Android、iOS等不同系統平台上都有涉及，而不同系統平台的支援庫相差不小，不同算法所适用的部署平台也不盡相同，這一點在選擇的時候也要考慮。
解決到什麼程度
挑選完合适的AI能力之後，研究内容需要細化到具體的算法選擇。同一項AI能力會有很多不同的算法解決，每一個算法都對應一個準确率，選擇哪個算法就等于希望場景需求被解決到什麼程度。
通常情況是，越複雜、體積越大的算法得到的精度、準确率越高，算法越好，需求越能被解決好，但并不是越好的算法就越适合目前場景，這就涉及到一個權衡——場景需求被解決到什麼程度才正好？可以從三個方面進行展開：适度比對，SOTA極限，團隊資源。
适度比對的意義更多在于性能的合理利用。90%的人臉識别準确率顯然不能用于金融支付場景，但是90%的人體檢測準确率在人流量監測場景下卻能夠适用。硬要将人流量監測場景下的人體檢測準确率提升到99%，暫且不談能不能實作，單是研發投入就會極大提升，實際效用差卻沒有多大。金融支付場景下的人臉識别準确率對于實際效用影響巨大，是硬着頭皮也要進行研發投入的點。将性能合理利用，适度比對，根據實際調整解決程度。
SOTA極限其實決定了解決程度的上限。SOTA是State-of-the-Art的縮寫，有趣的是，它的意思指向“在一些benchmark的資料集上跑分非常高的模型”，代表了最優秀的一批算法。很容易了解，如果目前行業的極限算法的能力是這樣，那對于場景需求的解決程度也隻能以此為上限。
如果說SOTA極限來自于外部，那團隊資源則是内部的上限。學界的有些算法方案在釋出的時候，會切實考慮到工業應用，會将源碼及部署方案一并釋出到github等托管平台；有些算法方案則隻有paper放出，沒有相關實作資源。如果最合适的算法恰好沒有放出實作資源，而團隊人力和時間又不足，則隻能在放出過實作資源的算法裡面找相對合适的，相應的解決程度也會受限。如果團隊資源充足，就有機會通過paper進行算法複現，将需求解決得更好。