2、AI基础概念：机器学习、深度学习、神经网络、监督/无监督/强化学习、训练与推理、模型评估指标（准确率、召回率、F1等）

作为AI产品经理，你不需要亲手推导反向传播公式，但必须建立一套准确的心智模型，用以理解工程师的语言、评估技术方案的可行性、预判模型上线后的行为，并在评审会上提出有价值的问题。本章将围绕六个核心概念群展开：机器学习与深度学习的关系、神经网络的基本结构、三大学习范式的适用场景、训练与推理的工程差异，以及模型评估指标的真正含义。这些概念是后续所有AI产品决策的“通用货币”。

2.1 机器学习与深度学习：从“人工规则”到“自动特征”

核心原理

传统机器学习（Machine Learning, ML）的核心思想是：让计算机从数据中自动学习规律，而不是由程序员逐条编写规则。一个典型的ML流程包含：数据清洗 → 特征工程（如提取用户年龄、点击频次）→ 选择算法（如决策树、逻辑回归）→ 训练模型 → 评估调优。其中“特征工程”依赖人工经验，是ML时代产品经理需要重点参与的部分。

深度学习（Deep Learning, DL）是ML的一个子集，它通过多层神经网络自动从原始数据中逐层提取特征。例如，在图像识别中，第一层网络可能学习边缘和纹理，第二层学习形状，第三层学习物体部件，最终层组合成完整语义。DL省去了大量人工特征设计，但代价是需要更多数据和算力。

判断方法：如何选择ML还是DL？

案例拆解：智能客服意图识别

某电商平台要构建智能客服，初期只有2000条用户提问记录。团队先用传统ML（TF-IDF + 朴素贝叶斯）搭建意图分类器，准确率达到82%，但“退货流程”和“退款进度”两类意图经常混淆。产品经理介入后发现，两类问题在关键词上高度重叠（都包含“退”字），但用户语境不同。于是增加两个人工特征：是否包含“多久/几天”等时间词、是否包含“钱/金额”等财务词，准确率提升至89%。后期数据积累到20万条后，团队切换为BERT（深度学习模型），准确率突破94%。这个案例说明：数据规模决定技术路线，产品经理要懂得在“快”和“准”之间做权衡。

常见误区

• 误区一：认为DL一定优于ML。实际上，在小样本、高维稀疏场景下，ML往往更稳定。
• 误区二：忽略特征工程的价值。即使使用DL，数据清洗和基础特征（如时间戳、用户ID）仍然影响模型上限。
• 误区三：把“AI”等同于“深度学习”。AI还包括知识图谱、专家系统、搜索算法等非学习类方法。

2.2 神经网络：AI的“仿生大脑”

核心原理

神经网络（Neural Network, NN）由大量神经元（节点）和连接权重组成。每个神经元接收输入信号，乘以权重后求和，再经过一个非线性激活函数（如ReLU、Sigmoid）输出。多个神经元分层排列，形成输入层 → 隐藏层 → 输出层的结构。训练过程就是通过反向传播算法不断调整权重，使预测结果逼近真实标签。

网络结构类型

• 全连接网络（DNN）：每层神经元与下一层全部相连，适合表格数据。
• 卷积神经网络（CNN）：通过卷积核提取局部特征，适合图像、语音。
• 循环神经网络（RNN）/LSTM：处理序列数据，如文本、时间序列。
• Transformer：基于自注意力机制，是当前NLP（如、BERT）的主流架构。

案例拆解：手写数字识别（MNIST）

一个经典教学场景：输入28×28像素的手写数字图片，输出0-9的分类概率。一个简单的CNN包含：卷积层（提取边缘）→ 池化层（压缩尺寸）→ 全连接层（分类）。训练时，模型将图片像素值（0-255）归一化到0-1之间，经过前向传播得到预测概率，计算交叉熵损失，反向传播更新卷积核权重。经过3个epoch（遍历全部数据3次），准确率可达98%以上。产品经理需要理解的是：“训练”不是一次性完成，而是多次迭代逼近最优解的过程。

常见误区

• 误区一：认为网络层数越多越好。过深的网络可能导致梯度消失或过拟合。
• 误区二：忽略激活函数的作用。没有非线性激活，多层网络等价于单层线性变换。
• 误区三：把“神经元数量”当作模型能力的唯一指标。数据质量和正则化同样关键。

2.3 三大学习范式：监督、无监督与强化学习

核心原理与对比

判断方法：如何选择学习范式？

1. 是否有明确的正确答案？有 → 监督学习；没有 → 无监督或强化学习。
2. 是否可定义奖励函数？能定义（如游戏得分、点击率）→ 强化学习；不能 → 无监督聚类或降维。
3. 数据是否带时序决策？需要多步决策（如自动驾驶变道）→ 强化学习；单次预测 → 监督学习。

案例拆解：电商推荐系统的混合范式

某电商平台推荐系统实际是三种范式的组合：监督学习预测用户点击率（CTR），特征包括用户历史行为、商品属性；无监督学习对用户进行聚类（如“母婴人群”“数码发烧友”），用于冷启动推荐；强化学习则动态调整推荐策略——当用户连续点击3次但未购买时，系统会尝试推荐更低价位的替代品，并根据是否成交获得奖励信号。产品经理在设计此类系统时，需要明确每个模块的输入输出和优化目标，避免“一个模型解决所有问题”的思维。

常见误区

• 误区一：认为无监督学习“没用”。实际上，用户分群、异常交易检测都依赖它。
• 误区二：混淆“强化学习”和“在线学习”。在线学习是数据流式更新，强化学习是智能体与环境交互。
• 误区三：忽略标签质量。监督学习的上限由标签质量决定，产品经理要建立标注规范。

2.4 训练与推理：从“学习”到“应用”的鸿沟

核心原理

训练（Training）是模型学习参数的过程，需要大量数据、GPU算力和时间，产出是模型文件（如权重参数）。推理（Inference）是模型部署后对新数据进行预测的过程，要求低延迟、高吞吐。两者在工程目标上存在显著差异：训练追求“尽可能低的损失”，推理追求“在资源约束下尽快给出结果”。

操作流程：模型上线全链路

1. 离线训练：数据准备 → 模型设计 → 训练调参 → 评估验证。
2. 模型压缩：量化（将FP32转为INT8）、剪枝（删除冗余连接）、蒸馏（用大模型教小模型）。
3. 部署上线：选择推理引擎（TensorRT、ONNX Runtime）、配置GPU/CPU资源。
4. 监控反馈：监控推理延迟、内存占用、预测分布漂移。

案例拆解：人脸识别门禁系统的推理优化

某安防公司开发人脸识别门禁，训练阶段使用ResNet-50模型，在GPU服务器上训练了3天，准确率达99.2%。但部署到小区闸机时，设备仅配备低功耗CPU，单次推理耗时800ms，远超过“通行时间<300ms”的硬性要求。工程师采用三步优化：① 将模型量化为INT8，推理时间降至450ms；② 剪枝掉30%不重要的卷积核，降至320ms；③ 将模型蒸馏为MobileNet结构，最终推理时间稳定在180ms，准确率仅下降0.3%。产品经理在此案例中的角色是：明确业务延迟阈值（300ms）和准确率底线（≥98%），并协调资源支持模型压缩实验。

常见误区

• 误区一：认为训练好的模型可以直接上线。实际需要经过压缩、转换、适配等多道工序。
• 误区二：忽略推理阶段的“数据漂移”。线上数据分布与训练数据不一致时，模型效果会衰减。
• 误区三：只关注准确率，不关注推理延迟。在实时场景中，延迟往往比准确率更影响用户体验。

2.5 模型评估指标：准确率、精确率、召回率与F1

核心原理

评估指标是衡量模型好坏的“尺子”。以二分类为例，先定义四个基础值：TP（真正例：预测为正，实际为正）、FP（假正例：预测为正，实际为负）、FN（假负例：预测为负，实际为正）、TN（真负例：预测为负，实际为负）。基于此衍生出核心指标：

• 准确率（Accuracy）：(TP+TN)/(TP+FP+FN+TN)，即所有预测正确的比例。
• 精确率（Precision）：TP/(TP+FP)，即预测为正的样本中真正为正的比例。
• 召回率（Recall）：TP/(TP+FN)，即实际为正的样本中被正确找出的比例。
• F1分数：2×P×R/(P+R)，精确率和召回率的调和平均。

判断方法：如何选择核心指标？

案例拆解：信贷风控模型的指标权衡

某消费金融公司开发逾期预测模型，目标识别“未来30天可能逾期”的用户。初始模型准确率达95%，但产品经理发现：由于逾期用户仅占5%，模型倾向于把所有用户预测为“正常”，导致召回率仅为12%。这意味着大量潜在逾期用户未被识别。团队调整策略：将模型阈值从0.5降至0.3，召回率提升至68%，但精确率从82%降至45%。最终通过计算业务成本（一个逾期用户损失500元，一个误判用户损失营销成本10元），确定最优阈值为0.35，此时F1分数最高（0.58）。产品经理的核心价值在于：将业务成本转化为模型评估的“货币”，而不是盲目追求单一指标。

常见误区

• 误区一：只看准确率。在样本不平衡时，准确率具有欺骗性。
• 误区二：忽略阈值的影响。精确率和召回率是阈值相关的，调整阈值可以改变两者权衡。
• 误区三：不区分“离线评估”和“线上评估”。离线指标好不代表线上效果好，需进行A/B测试验证。

2.6 本章总结与产品经理行动清单

本章的六个概念群构成了AI产品经理的技术认知底座。在实际工作中，建议你建立以下思维习惯：先定义业务问题（分类/聚类/决策？），再评估数据条件（有无标签？数据量？），然后选择技术路线（ML/DL/强化学习），最后用业务语言定义评估指标。不要被“深度学习万能论”裹挟，也不要因“传统ML不够酷”而排斥它。最合适的模型，是在数据、算力、业务约束下综合最优的方案。