前两年人工智能概念很火，如今经过两年的过滤与沉淀，人工智能虚火褪去，无论C端还是B端更加关注与业务结合及落地价值。B端or C端的产品从业者工作中也会不断遇到需要落地人工智能产品或将人工智能作为产品功能落地的情况，本篇就着近期一些观察及实践讨论下，产品经理落地人工智能产品需要避开的坑。
落地的可行性
市面上并不缺专门从事人工智能落地的公司，但活得好甚至能够盈利的凤毛麟角，主要问题出在人工智能本身落地的可行性上，看似有很多场景很多需求，真正落地并走通商业通路是比较难的。
从更大的时代背景看，中美两个大国旷日持久的斗争不可避免，高科技行业是美国限制中国强大的重点领域，而中国要破局就需要从国家层面对高科技产业大力扶植，从这个视角看，已经超脱了企业本身是否盈利的问题，而是国家层面的破局问题。因此即便大量人工智能公司不盈利甚至找不到落地场景，我们也能够看到从客户、资本、优惠政策各个角度都有国家的影子，头部AI公司活下去问题不大。
人工智能产品在B端落地的问题关键在于寻找好的合作伙伴。小企业数据量小、需求简单，远达不到精细化和智能化的阶段，人工智能的模型高大上却不适合，因此在前期找种子客户时找对客户非常重要。应该寻找那些大中型企业，有足够数据及业务需求的落地场景，且还未建立自身算法团队的企业，共同探索和落地。
人工智能在C端落地的问题关键在于判断场景适合人工智能落地。C端产品从业者不同于B端一般不会满世界找客户，更多是为现有业务提供支持。首先需要判断场景是否有人工智能落地必要的数据量及业务需求，再次需要争取到业务方的支持，逐步落地与优化。很多企业在以上两点踩坑无数，在不适合的场景下就组建了算法团队，或者跟业务方吹的牛逼最终无法落地，只停留在概念上。
落地的平台性
人工智能产品一旦有落地的场景和可行性，一般来讲就存在平台落地可能性。产品从业者如果只base在一个人工智能产品方向上落地会存在优化瓶颈问题。去年遇到某位产品同行在公司内做客服产品，待客户产品成熟准确率提升达到瓶颈，就难以持续创造价值。
同时在企业侧一个场景跑通人工智能落地价值后，再拓展其他落地场景，相对阻力就会小不少，当落地场景多了，为了降低投入和支持成本，将人工智能能力抽象成平台能力也就不难理解了。市面上诸如阿里云PAI 、第四范式的先知都是解决这类需求。尤其对于大企业并不希望将单独的人工智能功能散落在各个场景，而是希望统一的能力构建与能力输出。对于自研能力强的大中型互联网公司，也有不少自建人工智能平台能力，例如360等。
产品从业者为了适应这样的需求及为扩充自身竞争力，需要将视角放眼更多人工智能落地场景而非限于单一场景，避免因落地或产品阶段陷入被动。
前阵子有朋友求职推荐策略产品，当时给朋友建议要谨慎选择这类坑。因为产品阶段不同，推荐策略产品甚至没需求或不需要。譬如产品早期，数据量不大，用户量也不大，不太需要做策略，即便做策略创造的价值也有限；如果产品中后期，各种方式已经尝试，算法也已经达到瓶颈，此时做推荐策略投入产出比也边际效应递减，能创造价值也是有限的。
落地可解释性
这一波人工智能浪潮亮点是深度学习的应用，但在工业界可解释性又极为重要。
从B端来讲，服务的客户对结果不满意，如何解释给客户以求客户能够满意持续合作；从C端来讲，服务的终端用户，尤其像金融行业这种兹事体大的行业用户，建议花成千上万买的基金或理财，总要有个合理理由。
从落地结果看，逻辑回归和线性回归被广泛应用，在某种程度上也是照顾到实际可解释性的需求。
为了避免对外部的过多依赖，很多企业甚至提出了外部采购系统自主可控、可编码的硬性要求。这就给可解释性提出了更高要求，不止是结果的可解释性，过程及实现的可解释性和可控性也很重要。
年前参加了一场智能营销的讲座，讲座方描绘了AI可以解决企业运营过程中一切关键问题，听完后，出于产品经理的职业习惯，就希望了解实现原理。但辗转找到内部人了解到，讲座的产品基本停留在概念阶段，无法落地成产品，服务的客户更多是采用纯外包硬编码的方式。这也就解释了为什么想不通，其如何构建的产品，因为根本就无法落地。
从这个角度上讲，可解释性也是可落地的必要条件，当然这里可解释性更多是实现原理的可解释性。
