4.1. 早期工作

我做写匠，和之前做计算机视觉领域的产品还不太一样，写匠主要用的技术是自然语言处理（NLP）和机器学习（ML）。1 NLP 是一个交叉学科，难度很大，有些问题从语言学角度都没有解决，导致技术受限，产品本身要分解到底层又牵扯到语言学领域的问题，对 PM 初学者来说水很深，不太建议一转行就进来踩坑到底层，看多了资料真的会盲目，十分受挫。

而我在接触 NLP 产品的早期（入职0–6个月）会有这些工作：

（1）理解用户场景和需求背景：

  • 理解产品本身的需求场景、做同类竞品分析和测试…

  • 进行一些用户调研、访谈、…

  • 思考写匠产品本身核心竞争力是什么，核心功能和辅助功能分配？

  • 产品结构，整体规划…

（2）拆解需求，哪些和 AI 相关：

  • 核心功能：要反馈给用户哪些写作建议，如：基于认知科学的xx原理、涉及到的某些文学属性和评价指标、语言风格、…

  • 如何拆解这些需求？基于规则还是基于统计？比如：提取并抽象出各种语言规则…

  • 算法研发过程中有哪些问题？评价指标有哪些？怎么算好指标？如：

好指标：

  • Actionable，可以指导具体行为。

  • Accessible，简单，容易理解。

  • Auditable，可以进行验证。

  1. FPR&TNR、TPR

  2. 精确率Precision（全文找到错别字是不是有误报的情况）、召回率Recall（全文找到的错别字的数量是不是漏了）、F1值

  3. 综合评价指标F-measure

  4. ROC曲线和AUC

  5. 容量和速度（一次可以容纳多少字数、速度如何，会不会卡）

  6. 损失函数（MAE:目标值和预测值之差的绝对值之和）

  • 如何提升这些指标？比如：提高数据量…

  • 如何扩大语料库规模和训练数据？

  • 比如：从网上获取语料库，建立通用语料库，专用语料库、各行业的词表…然后处理数据集，数据整理，…

  • 根据需求拆解，算法的输入和输出是什么？数据如何显示？哪些是用户需要，哪些是后台需要？…

  • 新旧版本的算法评测如何对比？比如：

  • 制定算法评测指标，进行评测集标注，做算法评测，分析结果…

（3）产品终于从 0 ~ 1 进入到工程开发阶段：

  • 产品逻辑、原型设计、交互设计…

  • 算法、前端、后端的业务逻辑拆分…

  • 团队写作、项目管理、各种开会…

  • 测试用例，功能测试、性能测试、…

  • 版本管理，后续迭代哪些功能…

  • 偶尔申请一些第三方服务…

  • 偶尔组织聚餐和团建… … 这就需要我额外学习：

  • AI 在 自然语言处理中的应用有哪些，如问答系统、文本摘要、情感分析、…

  • 自然语言处理本身的基础能力，如分词、词性标注、句法分析、…

  • 读一些和 NLP、ML、PM 工作直接或间接相关的书，如：

  • AI+NLP：《NLP汉语自然语言处理原理与实践》、《机器学习》、《认知语言学》、《面向- 机器学习的自然语言处理标注》、…

  • PM：《认知与设计》、《破茧成蝶》、《设计心理学》、…

  • 工作方法要高级批量化，提升认知水平，帮助自己理性思维的认知科学理论，应用到自己的学习中…（推荐老板的公众号：【开智学堂】、【心智工具箱】）

4.1.1. 困难

上述工作中，最开始对我来说最难的地方是：拆解需求，如何根据目标，提取出抽象规则，制定算法能力的评价标准，…比如：怎么把这些文学底层理论知识变成算法硬性的指标，如果底层的问题没想清楚或者是解决不了，即使把代码写好了，模型训练好了，最后用户也会觉得怎么那么硬邦邦的，很奇怪，就觉得这产品很不实用。而即使有了思路和方法， 在执行过程也发现很大阻力，比如数据各种问题。后来就给自己挖到坑里面了，浪费了很多时间，虽然在这个坑里自己也蛮大收获的。