总体来说，AI类产品可大体分为两类：
第一类，平台型AI产品
具体包括（1）电商推荐类产品；（2）广告推荐系统类产品；（3）AI平台类产品等。
第二类，终端类AI产品
按照类别可分为，（1）语音识别类产品；（2）机器视觉类产品。
从产品集成方式上来分，可以分为（1）硬件整机类产品；（2）嵌入式模块类产品。
对于推荐算法产品经理而言，算法本身即是产品。产品经理的职责主要在于，通过挑选合适的数据、算法帮助用户更好地解决个性化需求与海量信息之间的匹配问题，通过恰当的测评方法，帮助技术人员寻找优化特定场景下算法效能的方法。考虑到用户的需求相对单一，且参考指标明晰（如点击率、浏览率等），因此算法产品相对于其他产品而言，要对技术实现和底层算法逻辑拥有更清晰的认识，从而可以方便的配合技术人员完成转化率的提升。
对于终端类产品经理而言，如果产品形态仅仅是算法，那么需要考虑的内容应与推荐算法产品大同小异。随着家居物联网产品的兴起，越多越多的企业开始提供硬件类产品，常见的包括：AI智能音箱、安防摄像头以及疫情期间的测温仪等等。由于硬件产品对物流供应链的要求高、产品集成度也更高， 产品经理除却需要考虑算法是否能够适配当前的场景之外，更应当专注于产品的集成测试和竞品分析（尤其需要掌握潜在进入者的动向），来确保产品的整体可用性和市场竞争力。
推荐策略
非个性化推荐算法关注的是一群人的共性。
典型应用场景包括，“音乐热曲排行榜”、初期谷歌的“搜索引擎”等等。
由于非个性化推荐的结果依赖于大众的点击，因此易呈现强者越强、弱者越弱的马太效应。对于内容生产者而言，推荐引擎如果始终维持这样的策略，将对新产生的内容不公平。为了兼顾冷启动的问题，可以考虑采用“最近时间窗口”策略，维护内容的新鲜度的同时兼顾大众偏好。
个性化推荐算法关注的是少数人的个性。
适用于非个性化推荐算法的场景主要具有以下两个特征：
1.海量数据；
2.拥有收集用户信息的渠道。
其中用户信息的收集方法又可分为以下两种：
1.来源于网页Cookie信息、访问地址信息;
2.来源于用户登录账户期间的操作日志记录。
个性化推荐中有两类重要的算法设计思路，分别是（1）基于向量相似度的推荐算法，以及（2）基于用户的协同过滤推荐算法。前者偏重于推荐标的物与用户兴趣之间的相似度评估，通过在预先设定的维度上获取用户的兴趣向量作为基向量，而后用同一坐标系对标的物进行标注，获取到用户兴趣与潜在标的物之间的相似度（具体示意如图1所示）。后者则偏重于用户间相似度的衡量，假设认为，拥有较高兴趣相似度的用户，针对某个具体标的物将具有相似的偏好（具体示意如图2所示）。
精细化推荐与运营
产品发展到一定的DAU数量之后，为了进一步提高这部分DAU人群的使用效率，需要通过精细化的推荐来辅助运营实现更高层次的目标。
尽管同为推荐产品大类，但由于推荐场景略有不同，因此电商推荐类产品与内容推荐类产品在业务指标的关注点上也略有不同。电商推荐类产品更关注用户的营收，因此通常将转化率设定为推荐指标；内容推荐类产品则更关注用户的留存和使用粘性，因此通常将推荐准确度、用户体验设定为推荐评估指标。以京东和头条为例，由于前者是面向”大明型“用户群体的产品，更关注推荐系统产生的效果为及时转化贡献了怎样的力量；而后者则是面向”小闲型“的用户群体，因此更关注推荐系统在用户体验与产品依赖层面贡献了怎样的力量。
广告推荐 —— 一种以商业化为目的的特殊推荐场景
关于广告推荐的几个共识：
1、产品的价值交换：为用户创造使用价值、并获取交换价值的过程。
2、几乎所有的广告需求都是对体验有负向影响的反向需求。
广告形态主要分为（1）横幅；（2）插屏；（3）原生。其中横幅广告效果较差，且对体验有一定影响；插屏广告由于以整屏形式出现，会吸引用户的全部注意力，尽管降低了产品的体验，但一定程度上提高了广告的展示效率；原生广告以一种仿似真实展示结果的形式嵌入到用户产品使用过程中，用户体验最好，但转化率相对插屏而言较低。一般情况下，更推荐使用插屏和原生广告，尽量避免使用横幅广告。
由于广告具有一定的商业性质，只有尽可能保障广告推荐的高效性，才有机会获取到足够的广告营收费用。通常而言，广告是否有效需要从以下两个角度进行衡量：
1.曝光频次高；
2.展示效率高，其中展示效率可从以下三个方面去衡量：（1）展示时机；（2）用户状态及（3）可见区域。
广告收入的黄金公式
其中DAU代表用户日活数。
MTR商业化流量比例，代表用于广告变现的用户数。
Avglmps(Average Ad Impressions )，代表着人均广告展示数。
CTR代表广告点击率。
ACP(Average Click Price)代表平均点击价格。
通常情况下，在产品刚进入市场的阶段，应当重点考虑DAU，只有把用户基数做大，后续的流量变现规模才足够可观。当产品DAU开始逐渐稳定时，则可以开始考虑MTR，产品也随之进入商业化变现的成熟阶段。Avglmps指数一方面展示出广告曝光率与广告收入之间的正线性关系，一方面也暗示着广告的曝光率与用户体验之间的反比关系，需要产品在不同场景下进行适当的权衡与取舍。广告点击率的大小，更多情况下取决于交互数据的应用和推荐算法的构建。当广告推荐的准确度日趋成熟，产品的广告位也将逐步获得更好的议价能力，有望获得更多的营收收入。
除了产品开发者本身可以招揽广告位外，广告生态系统中还存在这样一类第三方，被称之为ad network。作为连通广告位和广告主之间的中间方，通过统筹并协调广告资源，制定相对普适化的广告算法，能够最大限度的保障广告主对于广告展示次数的要求，同时能够帮助产品提供方充分利用剩余的广告位资源。对于大厂而言，流量变现已成为最重要的营收手段，除非广告资源稀缺，通常不会交予第三方管理。但对于尚处于发展期的公司而言，将广告位外包给中间商，一方面获取源源不断的收入，一方面将更多的精力集中在产品的研发投入上，是一件一举两得的事情。
广告的漏斗分析
在进行广告分析时，通常会采用如上的5个指标对广告展示效率进行逐层次的分析，在自上而下的过程中每一层次都存在着流量的流失。下面将以两个场景为例，逐一分析场景二的潜在提升空间。
1. 通常而言，广告请求率应尽量保证在100%，可以考虑优化用户访问时的请求率；
2. 当用户端发出广告请求时，缺少与用户当前情境相匹配的广告时，易出现填充率的情形。可考虑适当增加广告源，进一步提高填充率；
3. 广告展示率低，意味着广告匹配成功后，却由于网络带宽、用户停留时长、广告资源大小等原因没有得到合适的展示机会。需要具体分析，可采用prefetch等方法、挑选合适的展示时机等方法，提高展示成功率；
4. 点击率与广告内容、展示时机和广告大小等等因素密切相关。通过选取与上下文情境相匹配的广告源、增加广告位的大小、筛选出高质量广告，可以进一步提升广告的点击期望。
5、然而，为了选取高质量的广告而为广告位设置了广告底价后，也意味着广告资源数目的降低（即填充率的降低）。需要产品制定出适用于当前产品的整体策略。
AI平台类产品
除了上述AI产品之外，还有一类特殊的AI产品，通常由AI头部公司创建。通过集成相关算法和数据，为开发者提供相对自由的基础训练模型，提供自然语言处理、图像识别、VR等相关领域的SDK开发包，为各行业定制专用解决方案。可参考的AI平台类产品主要包括：
1. 百度大脑 —— AI开放平台（http://ai.baidu.com/）
2. 腾讯AI开放平台（https://ai.qq.com/）
3. AliGenie (https://iap.aligenie.com/)
4. 网易人工智能平台 （https://ai.163.com/#/m/overview）
5. Amazon AI (https://amazonaws-china.com/cn/events/amazon-ai/)
6. IBM AI Developer Program (https://software.intel.com/content/www/us/en/develop/topics/ai.html)
7. 京东人工智能开放平台（https://neuhub.jd.com/）
8. HIKVISION开放平台（https://open.hikvision.com/）
9. Face++ 人工智能开放平台 （https://www.faceplusplus.com.cn/）
10. 搜狗AI开放平台 （https://ai.sogou.com/）
（ps：后续将形成独立章节，对top级AI开放平台进行竞品分析，敬请期待 ~）