相对于其他互联网产品经理，AI产品经理除需要掌握必备的产品经理的技能外，还必须掌握机器学习、机器视觉、语言识别等专业技术。价值AI产品都是融合多种技术的大型产品，在工程化落地方面有更多的挑战，所以AI产品经理还要掌握产品工程化的方法。这也是市面上AI产品经理紧缺、高薪的原因。本书基于AI产品经理的上述需求进行了深度介绍，尤其是技术和工程化这两个其他互联网产品经理存在明显不足的方向，本书进行了非常详细的阐述。
前言
第一篇 AI与AI产品经理
第1章 深入理解AI和AI产品2
1.1 全方位认识AI2
1.1.1 AI的定义2
1.1.2 AI的三大学派6
1.1.3 AI的发展历程8
1.1.4 AI的发展政策11
1.2 深入理解AI产品12
1.2.1 什么是AI产品12
1.2.2 AI技术产品化13
1.2.3 AI产品产业化和标准化14
1.2.4 AI产品落地的价值与难题16
第2章 AI产品经理19
2.1 什么是AI产品经理19
2.2 怎样成为优秀的AI产品经理21
2.2.1 AI产品经理的职业规划23
2.2.2 AI产品经理的知识体系24
第二篇 AI技术
第3章 机器学习28
3.1 机器学习概述28
3.1.1 监督学习30
3.1.2 无监督学习31
3.1.3 强化学习32
3.1.4 自监督学习33
3.2 深度学习34
3.2.1 什么是深度学习34
3.2.2 深度学习的发展和局限38
3.2.3 迁移学习40
3.2.4 大规模预训练模型40
3.3 生成对抗网络42
3.4 元学习44
3.4.1 基于度量的元学习45
3.4.2 基于优化的元学习47
3.5 联邦学习与隐私计算48
3.5.1 什么是联邦学习48
3.5.2 联邦学习的分类50
3.5.3 联邦学习框架与应用53
3.6 AutoML/AutoDL55
3.6.1 什么是AutoML55
3.6.2 自动化数据处理与增强56
3.6.3 自动模型生成—神经架构搜索58
3.6.4 自动模型压缩 62
3.7 可解释AI 64
第4章 多模态感知及理解67
4.1 计算机视觉67
4.1.1 图像生成69
4.1.2 图像处理71
4.1.3 立体视觉73
4.1.4 图像分类79
4.1.5 图像检测80
4.1.6 图像分割82
4.1.7 目标跟踪85
4.2 语音识别87
4.2.1 基本概念87
4.2.2 传统语音识别流程90
4.2.3 端到端深度学习语音识别93
4.2.4 声纹识别97
4.3 自然语言处理99
4.3.1 概述99
4.3.2 NLP的分析层次100
4.3.3 信息抽取105
4.3.4 知识图谱108
4.3.5 机器翻译116
4.3.6 对话系统119
4.4 多模态内容理解122
4.4.1 多模态方法简介122
4.4.2 多模态融合应用124
第5章 机器人学与运动规划128
5.1 机器人硬件130
5.1.1 传感器130
5.1.2 执行机构131
5.1.3 动力源132
5.1.4 处理器133
5.2 机器人感知133
5.2.1 传感和信号处理133
5.2.2 定位与地图构建134
5.3 运动规划与控制137
5.3.1 运动规划137
5.3.2 运动控制141
5.4 应用领域142
第6章 AI云原生工程应用146
6.1 云原生147
6.1.1 云原生概述147
6.1.2 容器技术150
6.1.3 微服务151
6.1.4 Service Mesh152
6.1.5 Serverless152
6.1.6 DevOps与ModelOps154
6.2 AI云原生应用发展趋势155
第三篇 AI产品应用
第7章 从两个视角深挖AI产品机会158
7.1 市场视角：寻找商机158
7.1.1 关注市场的宏观力量159
7.1.2 寻找AI细分好赛道161
7.2 技术视角：技术创新和可行性167
7.2.1 依托技术创新的产品创新167
7.2.2 技术可行性和技术成本170
第8章 AI产品从定义到落地173
8.1 如何真正做到从用户需求出发173
8.2 正确定义一款产品的8个要素176
8.3 AI产品设计框架详解180
8.3.1 软件设计要点详解180
8.3.2 硬件设计要点详解191
8.3.3 整体性能设计要点详解195
8.3.4 安全性与AI伦理197
8.4 产品需求流转200
8.4.1 需求收集200
8.4.2 需求管理201
8.4.3 产品需求评审202
8.4.4 产品需求排期206
8.4.5 产品需求验收207
8.5 AI产品三层级—算法、平台与业务208
第9章 算法类AI产品落地详解210
9.1 任务定义—AI算法产品的真实需求与目标211
9.1.1 明确算法需求211
9.1.2 用样例描述算法需求213
9.2 数据工程—用数据定义功能边界214
9.2.1 数据采集215
9.2.2 数据标注216
9.2.3 数据生成218
9.3 算法生产—获得最小可行的AI产品219
9.3.1 训练模型219
9.3.2 加速模型222
9.3.3 跨硬件平台适配224
9.4 算法评估—获得算法能力边界225
9.4.1 两种评估方法225
9.4.2 视图识别的精度指标227
9.4.3 语音识别及文本精度评价233
9.4.4 确定合理的速度指标233
第10章 AI中台落地详解236
10.1 AI中台的需求及整体方案236
10.1.1 算法的长尾现象237
10.1.2 AI中台及体系架构239
10.1.3 全栈、自动化、资产化与普惠化241
10.2 AI中台下的三大功能模块设计242
10.2.1 算力管理类功能设计243
10.2.2 数据管理类功能设计245
10.2.3 算法管理类功能设计246
10.3 AI中台典型应用举例249
10.3.1 云厂商的云原生AI中台249
10.3.2 零售智能称重：推理训练自动化闭环应用251
第11章 纵深业务类AI产品的落地254
11.1 面向G端城市治理的AI产品254
11.1.1 城市治理的需求与业务模式255
11.1.2 G端碎片化市场下的AI产品策略255
11.1.3 城市治理下的典型AI产品—智能摄像机258
11.2 面向B端企业服务的AI产品261
11.2.1 企业服务的需求与业务模式261
11.2.2 企业转型AI262
11.2.3 效益型AI产品策略263
11.2.4 AI与制造业结合的产品应用265
11.3 面向C端消费者的AI产品267
11.3.1 个人服务需求和业务模式267
11.3.2 交互体验型AI产品策略268
11.3.3 虚拟数字人与元宇宙270
第四篇 行业实践
第12章 AI+行业的产品应用274
12.1 AI+安防274
12.1.1 安防行业总览274
12.1.2 泛安防人脸产品实战275
12.2 AI+制造业287
12.2.1 制造业质检痛点分析287
12.2.2 瓷砖缺陷检测289
12.2.3 制造业读码产品实战290
12.3 AI+汽车294
12.3.1 行业总览及AI技术机会分析294
12.3.2 智能驾驶AI芯片解决方案296
12.3.3 AI在驾驶辅助与自动驾驶中的应用298
12.3.4 智能座舱AI产品实战302
第13章 AI项目落地过程及问题分析306
13.1 B/G端的AI项目306
13.1.1 AI落地B/G端离不开项目307
13.1.2 从项目到产品308
13.2 商机项目与概念验证309
13.2.1 AI商机的涌现309
13.2.2 AI商机POC实战310
13.3 AI交付项目管理314
13.3.1 AI项目管理方法314
13.3.2 AI项目交付管理实战316
