🚀 用ChatGPT做竞品分析真的太方便了！
💡 举个例子：从Google插件市场上把竞品的用户评价复制到一个markdown文件里，然后问ChatGPT：

这个文件是用户对xxxx产品的评价，可以帮我分析一下这个产品：
• 用户最关心的功能是什么？
• 用户吐槽最多的是什么？
• 用户最喜欢的功能是什么？
• 用户最大的痛点是什么？
也可以问他更多问题，看图片👇🏻

#自媒体运营频道 #@yunying23

想了下，周刊类的内容不适合我，坚持不下来，到后面必然要动作变形，为了收集而收集；我更适合在一个特定领域做 case study ，然后写超长的干货文章，因为干这事很自然，不需要太费力，我想接下来好好培养这个能力，以下是关于小红书搜索词长文的一个试水，看这个目录，是否有你想知道但遗漏的部分？

⭕️ 开源信息收集项目

wiseflow是一个开源的信息挖掘项目，可以把各类网站、公众号等信息基于AI整理后上传到数据库，是我很想做的一件事情了！

感觉可以作为一些idea落地的基础🤩

✅ Ai加持，智能分类
✅ 支持本地部署：塞在家里NAS上跑，很不错

🔗 https://github.com/TeamWiseFlow/wiseflow

99%的产品经理在需求评审时都会踩的坑，你中了几条？
1、争对错。一条需求描述，对错不重要，重要的是逻辑是否清晰、流程是否合理、场景是否考虑全面。千万不要去争一个“我是对的”，否则很容易吵起来导致会议一锅粥。
2、推责任。被质疑合理性时，不要有“需求已经定了、老板就是这么说的”的表达，你是解读者，不是传话人。
3、无主见。基于对实施成本、可扩展性、风险异常处理等角度，评审方会提出多套方案。你要思考哪种解决方案更优，而不是抛给对方给一个最优方案。

#自媒体运营频道 #@yunying23

我喜欢把短期内数据暴涨的情况叫做“龙抬头”，做增长最开心的时刻莫过于遇见龙抬头，因为每个月绝大多数 GMV 都来自于它们。准备买一个手办在家里供着（真不是迷信🤣），有推荐的嘛 🤣

最近五年互联网基建是不是没有质的提升了
虽然有GPU、5G、chatGPT等

但是在最基础的网页和浏览器层面：
Chrome打开还是很慢，内存很高
一个常规网页全部加载完还是需要2秒以上，如果把浏览器打开也算是，3秒以上

什么时候浏览器能够秒开，一个网页能够毫秒加载完几十个请求

一个典型AI产品经理的产品评估工作是什么样的？

AI产品经理是围绕着AI能力构建产品的人，而传统产品经理，则主要围绕工程能力来构建产品。

所谓工程能力，就是日常看到的前端展示，以及背后的后端逻辑。它的特点就是确定性（或者叫可解释性好），也因此，在研发上，只要是正常需求，早晚都能做出来。

比如一次登录，正常情况下，只要账号密码正确，且网络和服务正常，就一定会成功。研发也不会说这个做不了。

而AI能力，目前主要就是各种识别和生成。像什么人脸识别，文字识别，以及文本生成，图片生成，视频生成等等。特点就是不确定性，或者叫可解释性差。

对识别类任务而言，即使是同一个人，可能稍微换个角度或光影，AI模型就认不出来了。

对生成类任务而言，即使是同一个输入，先后两次给到模型，输出结果也不一样。相信但凡用过各种gpt的，都对此深有体会。

面对可解释性差的特点，AI产品经理的一个核心工作，就是评估模型质量。毕竟如果你想知道加了数据之后，最终指标是变好还是变差，除了直接测试，就没有第二条路了。

对识别类任务的评估比较简单，业内的方法也很成熟了。

即给定一批样本（测试集），标注我们期望的输出（真值）。然后让模型基于这批样本进行预测，拿模型预测值和真值比较，看预测对了多少，错了多少。最后得出指标结果。

这就有点像高考的客观题部分。出题老师先出了一份试题，同时把答案提前准备好。然后把试题给到所有考生，他们看到试题后，会给出自己的答案。系统再拿考生的答案和老师的答案进行比较，最后算个分数出来。

上面的例子里，试题就是测试集，老师的答案就是真值，考生对应AI模型，而考生的答案就是预测值。

这里面，产品经理的工作，最主要就是定义要什么样的指标，准备简单的testcase，以及明确数据标注的规则。

然后等指标的计算变得自动化，并且测试数据也都标注好之后，前期的评估准备工作就结束了。这时候，通常我们会得到一个专用的测试工具。

有了测试工具，每次版本修改，就在测试集上做回归测试即可。

就像有了一套题库和答案，并且有了自动打分的系统之后，想知道学生们每隔一段时间的学习效果，就让他们考试。

当考试结果下来，AI产品经理又会变成班主任，要去简单分析学生丢分在哪里，哪些地方丢分严重。

然后，再给到算法工程师（任课老师）做进一步分析，包括为什么会在某些题目上丢分，后面要如何优化等等。

篇幅原因，就不展开了。

最后做个总结，一般AI产品经理对模型的评估，就是：

1）定义指标：即要测什么，不测什么；然后交给算法同事来实现指标的计算；

2）定义testcase，用来检验测试系统本身是否设计正确；

3）定义测试集标注规则：用来指导数据团队去标数据；

4）验收测试集标注质量；

5）组织周期性的模型效果测试，并推动算法做问题分析和问题优化。

PS. 这篇内容很多东西都是面试会问到的哈哈，转行AIPM必备。