在人工智能飛速發(fā)展的今天，AI產(chǎn)品正逐漸滲透到我們生活的方方面面，從智能助手到自動(dòng)駕駛，AI的應(yīng)用正不斷拓寬我們的想象邊界。但構(gòu)建一個(gè)成功的AI產(chǎn)品并非易事，它需要深入理解AI產(chǎn)品的架構(gòu)和開(kāi)發(fā)流程。
AI對(duì)我們來(lái)說(shuō)已經(jīng)不算是新鮮詞了，尤其是ChatGPT發(fā)布后，關(guān)于AI、大模型的討論鋪天蓋地。另一方面，互聯(lián)網(wǎng)的發(fā)展到了存量競(jìng)爭(zhēng)時(shí)代，產(chǎn)品經(jīng)理這個(gè)職位也漸趨成熟，甚至說(shuō)，在當(dāng)前環(huán)境下，人才市場(chǎng)有些過(guò)于飽和。如何破局？如何尋找職業(yè)生涯的第二增長(zhǎng)曲線，或許，AI就是我們當(dāng)前最好的機(jī)會(huì)之一。
未來(lái)已來(lái)，少年，你準(zhǔn)備好了嗎？
了解如何成為AI產(chǎn)品經(jīng)理之前，我們先來(lái)了解AI產(chǎn)品的架構(gòu)。
01 AI產(chǎn)品的四層架構(gòu)
如果把AI產(chǎn)品看成一座冰山，那么它的架構(gòu)可以分為以下四層：
第一層：數(shù)據(jù)基礎(chǔ)層
第二層：算法與模型層
第三層：應(yīng)用服務(wù)層
第四層：用戶交互層
02 數(shù)據(jù)基礎(chǔ)層
數(shù)據(jù)基礎(chǔ)層是 AI 產(chǎn)品架構(gòu)的最底層，也是一切智能的源頭。它主要需要考量以下內(nèi)容：
1. 數(shù)據(jù)收集
數(shù)據(jù)收集首先要確定數(shù)據(jù)的來(lái)源。
對(duì)于AI產(chǎn)品而言，數(shù)據(jù)源多種多樣。內(nèi)部數(shù)據(jù)源可能包括企業(yè)自身積累的業(yè)務(wù)數(shù)據(jù)，如電商企業(yè)的銷售記錄、用戶評(píng)價(jià)、商品信息等。外部數(shù)據(jù)源可以是公開(kāi)的數(shù)據(jù)集，例如圖像識(shí)別領(lǐng)域常用的MNIST（手寫(xiě)數(shù)字圖像）數(shù)據(jù)集；也可以是通過(guò)網(wǎng)絡(luò)爬蟲(chóng)從互聯(lián)網(wǎng)上收集的數(shù)據(jù)，如新聞網(wǎng)站的文本內(nèi)容、社交媒體的用戶動(dòng)態(tài)等，但需要注意數(shù)據(jù)使用的合法性和隱私問(wèn)題。
其次是數(shù)據(jù)采集工具和技術(shù)
為了獲取數(shù)據(jù)，會(huì)使用各種工具和技術(shù)。例如，在傳感器數(shù)據(jù)采集方面，物聯(lián)網(wǎng)設(shè)備中的溫度傳感器、壓力傳感器等會(huì)將物理量轉(zhuǎn)換為數(shù)字信號(hào)，傳輸?shù)綌?shù)據(jù)存儲(chǔ)系統(tǒng)中。在日志數(shù)據(jù)收集時(shí)，會(huì)利用日志收集工具，如Logstash等，將服務(wù)器日志、應(yīng)用程序日志等收集起來(lái)，這些日志數(shù)據(jù)對(duì)于故障診斷、用戶行為分析等AI應(yīng)用場(chǎng)景很有價(jià)值。對(duì)于網(wǎng)絡(luò)爬蟲(chóng)，像Scrapy這樣的框架可以幫助開(kāi)發(fā)者按照預(yù)定的規(guī)則抓取網(wǎng)頁(yè)內(nèi)容。
2. 數(shù)據(jù)儲(chǔ)存
數(shù)據(jù)存儲(chǔ)類型主要分為結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)和非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)。
結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)通常使用關(guān)系型數(shù)據(jù)庫(kù)，如MySQL、Oracle等。這些數(shù)據(jù)庫(kù)適用于存儲(chǔ)具有明確格式和關(guān)系的數(shù)據(jù)，如用戶賬戶信息（用戶名、密碼、注冊(cè)時(shí)間等）。
非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)主要針對(duì)文本、圖像、音頻、視頻等數(shù)據(jù)。例如，對(duì)于圖像數(shù)據(jù)可以使用分布式文件系統(tǒng)（如HDFS）或者對(duì)象存儲(chǔ)（如Amazon S3）來(lái)存儲(chǔ)海量的圖像文件；文本數(shù)據(jù)可能會(huì)存儲(chǔ)在NoSQL數(shù)據(jù)庫(kù)（如MongoDB）中，方便處理半結(jié)構(gòu)化或非結(jié)構(gòu)化的文本內(nèi)容。
同時(shí)，數(shù)據(jù)存儲(chǔ)需要也考慮存儲(chǔ)架構(gòu)和策略。
儲(chǔ)存架構(gòu)可以分為本地存儲(chǔ)、云存儲(chǔ)或者混合存儲(chǔ)。云存儲(chǔ)提供了可擴(kuò)展性和高可用性，像谷歌云存儲(chǔ)、阿里云存儲(chǔ)等服務(wù)可以根據(jù)數(shù)據(jù)量的大小靈活擴(kuò)展存儲(chǔ)空間。
存儲(chǔ)策略包括數(shù)據(jù)備份策略、數(shù)據(jù)冗余策略等。為了防止數(shù)據(jù)丟失，需要定期備份數(shù)據(jù)，并且在不同的地理位置存儲(chǔ)備份數(shù)據(jù)以應(yīng)對(duì)可能的災(zāi)難情況。同時(shí)，采用數(shù)據(jù)冗余技術(shù)，如數(shù)據(jù)副本，確保數(shù)據(jù)的高可用性。
3. 數(shù)據(jù)清洗和預(yù)處理
數(shù)據(jù)清洗主要是處理數(shù)據(jù)中的噪聲、錯(cuò)誤和缺失值。例如，在收集到的用戶調(diào)查數(shù)據(jù)中，可能會(huì)有一些無(wú)效的回答，如年齡填寫(xiě)為負(fù)數(shù)或者文本輸入不符合要求，這些數(shù)據(jù)需要被識(shí)別和清理。對(duì)于缺失值，可以采用填充策略，如用均值填充數(shù)值型缺失值，用最常見(jiàn)的類別填充分類數(shù)據(jù)的缺失值。
數(shù)據(jù)預(yù)處理則包括數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化。在機(jī)器學(xué)習(xí)算法中，很多算法對(duì)數(shù)據(jù)的尺度敏感，例如支持向量機(jī)（SVM）算法。數(shù)據(jù)標(biāo)準(zhǔn)化可以將數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布，而歸一化可以將數(shù)據(jù)映射到一個(gè)特定的區(qū)間，如[0,1]區(qū)間。
對(duì)于文本數(shù)據(jù)，預(yù)處理還包括詞法分析、詞性標(biāo)注等操作，為后續(xù)的自然語(yǔ)言處理任務(wù)做準(zhǔn)備。例如，將文本分割成單詞，給每個(gè)單詞標(biāo)注詞性，這樣在文本分類等任務(wù)中可以更好地利用文本特征。
4. 數(shù)據(jù)標(biāo)注
在監(jiān)督式學(xué)習(xí)的AI產(chǎn)品中，數(shù)據(jù)標(biāo)注是很重要的環(huán)節(jié)。
對(duì)于圖像數(shù)據(jù)，標(biāo)注可以是圖像分類標(biāo)注（如將圖像標(biāo)注為貓、狗等類別）、目標(biāo)檢測(cè)標(biāo)注（標(biāo)注圖像中物體的位置和類別）、語(yǔ)義分割標(biāo)注（將圖像中的每個(gè)像素標(biāo)注為不同的類別）。對(duì)于文本數(shù)據(jù)，標(biāo)注可以是情感分類標(biāo)注（如將評(píng)論標(biāo)注為正面、負(fù)面或中性情感）、命名實(shí)體識(shí)別標(biāo)注（標(biāo)注文本中的人名、地名、組織名等實(shí)體）。
另外，不同的標(biāo)注方式有專門(mén)的數(shù)據(jù)標(biāo)注工具，如LabelImg用于圖像標(biāo)注，它可以方便標(biāo)注人員在圖像上繪制邊界框并添加類別標(biāo)簽。
在標(biāo)注流程上，通常包括標(biāo)注任務(wù)的分配、標(biāo)注人員的培訓(xùn)、標(biāo)注質(zhì)量的審核等環(huán)節(jié)。標(biāo)注質(zhì)量的控制很重要，因?yàn)闃?biāo)注數(shù)據(jù)的質(zhì)量直接影響AI模型的性能�？梢圆捎枚嗳藰�(biāo)注同一數(shù)據(jù)進(jìn)行交叉驗(yàn)證，或者對(duì)標(biāo)注后的樣本進(jìn)行抽樣檢查來(lái)確保標(biāo)注的準(zhǔn)確性。、算法與模型層
03 算法與模型層
算法與模型層是 AI 產(chǎn)品的核心競(jìng)爭(zhēng)力所在。AI產(chǎn)品經(jīng)理需要考量以下內(nèi)容：
在進(jìn)行 AI 模型訓(xùn)練時(shí)，需要考量以下內(nèi)容：
1. 數(shù)據(jù)方面
1）數(shù)據(jù)質(zhì)量
準(zhǔn)確性：確保數(shù)據(jù)準(zhǔn)確反映真實(shí)情況，沒(méi)有錯(cuò)誤或偏差。例如，在圖像分類任務(wù)中，圖像的標(biāo)注必須正確無(wú)誤。
完整性：數(shù)據(jù)應(yīng)涵蓋任務(wù)所需的各種情況和特征，沒(méi)有重要信息的缺失。比如，在自然語(yǔ)言處理中，文本數(shù)據(jù)應(yīng)包含不同的語(yǔ)法結(jié)構(gòu)、詞匯和語(yǔ)義表達(dá)。
一致性：數(shù)據(jù)的格式、標(biāo)注標(biāo)準(zhǔn)等應(yīng)保持一致，以便模型能夠有效地學(xué)習(xí)。例如，在數(shù)據(jù)集中，圖像的尺寸、分辨率應(yīng)統(tǒng)一。
2）數(shù)據(jù)數(shù)量
足夠的數(shù)量可以讓模型學(xué)習(xí)到更廣泛的模式和特征。如果數(shù)據(jù)量過(guò)少，模型可能會(huì)過(guò)擬合，即過(guò)于記憶訓(xùn)練數(shù)據(jù)而無(wú)法泛化到新數(shù)據(jù)。可以通過(guò)收集更多數(shù)據(jù)、數(shù)據(jù)增強(qiáng)等方法增加數(shù)據(jù)量。
3）數(shù)據(jù)多樣性
包括不同場(chǎng)景、條件和類別。例如，對(duì)于物體識(shí)別模型，數(shù)據(jù)應(yīng)包含不同角度、光照條件、背景下的物體圖像。這樣可以提高模型的泛化能力，使其在各種實(shí)際應(yīng)用場(chǎng)景中都能表現(xiàn)良好。
4）數(shù)據(jù)平衡性
避免數(shù)據(jù)集中某些類別過(guò)多或過(guò)少，導(dǎo)致模型偏向于多數(shù)類而忽略少數(shù)類。在分類任務(wù)中，應(yīng)盡量使各個(gè)類別的數(shù)據(jù)數(shù)量相對(duì)均衡，可以通過(guò)過(guò)采樣、欠采樣或合成數(shù)據(jù)等方法來(lái)平衡數(shù)據(jù)集。
2. 數(shù)據(jù)架構(gòu)選擇
1）任務(wù)適應(yīng)性
根據(jù)具體任務(wù)選擇合適的模型架構(gòu)。例如，對(duì)于圖像分類任務(wù)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）通常表現(xiàn)出色；對(duì)于時(shí)間序列預(yù)測(cè)，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）可能更合適；對(duì)于自然語(yǔ)言處理任務(wù)，Transformer 架構(gòu)等被廣泛應(yīng)用。
2）復(fù)雜度與計(jì)算資源
復(fù)雜的模型可能具有更高的性能潛力，但也需要更多的計(jì)算資源和時(shí)間來(lái)訓(xùn)練。需要根據(jù)實(shí)際的計(jì)算能力和時(shí)間限制來(lái)選擇合適的模型復(fù)雜度。同時(shí)，也要考慮模型在部署階段的資源需求，確保能夠在實(shí)際應(yīng)用環(huán)境中高效運(yùn)行。
3. 超參數(shù)調(diào)整
1）學(xué)習(xí)率
學(xué)習(xí)率決定了模型參數(shù)更新的步長(zhǎng)。過(guò)高的學(xué)習(xí)率可能導(dǎo)致模型無(wú)法收斂，而過(guò)低的學(xué)習(xí)率則會(huì)使訓(xùn)練過(guò)程非常緩慢。需要通過(guò)試驗(yàn)找到一個(gè)合適的學(xué)習(xí)率，或者采用學(xué)習(xí)率調(diào)度策略，如在訓(xùn)練過(guò)程中逐漸減小學(xué)習(xí)率。
2）批量大小
批量大小影響訓(xùn)練的效率和穩(wěn)定性。較大的批量大小可以利用并行計(jì)算提高訓(xùn)練速度，但可能需要更多的內(nèi)存；較小的批量大小可能使模型更接近隨機(jī)梯度下降，有助于跳出局部最小值，但訓(xùn)練時(shí)間會(huì)更長(zhǎng)。
3）正則化參數(shù)
如 L1 和 L2 正則化、Dropout 等正則化方法的參數(shù)，用于控制模型的復(fù)雜度，防止過(guò)擬合。需要調(diào)整這些參數(shù)以在模型的復(fù)雜性和泛化能力之間找到平衡。
4. 訓(xùn)練過(guò)程監(jiān)控
1）損失函數(shù)
觀察訓(xùn)練過(guò)程中損失函數(shù)的變化情況。損失函數(shù)應(yīng)隨著訓(xùn)練的進(jìn)行逐漸減小，如果損失函數(shù)不再下降或出現(xiàn)波動(dòng)，可能需要調(diào)整超參數(shù)、檢查數(shù)據(jù)或模型是否存在問(wèn)題。
2）評(píng)估指標(biāo)
選擇合適的評(píng)估指標(biāo)來(lái)衡量模型的性能，如準(zhǔn)確率、精確率、召回率、F1 值等。在訓(xùn)練過(guò)程中定期在驗(yàn)證集上評(píng)估模型，以了解模型的泛化能力。
3）過(guò)擬合與欠擬合監(jiān)測(cè)
過(guò)擬合表現(xiàn)為模型在訓(xùn)練集上性能很好，但在驗(yàn)證集上性能差；欠擬合則是模型在訓(xùn)練集和驗(yàn)證集上性能都不佳。通過(guò)監(jiān)測(cè)訓(xùn)練過(guò)程中的性能變化，可以及時(shí)發(fā)現(xiàn)過(guò)擬合或欠擬合問(wèn)題，并采取相應(yīng)的措施，如增加數(shù)據(jù)量、調(diào)整模型復(fù)雜度、使用正則化等
5. 可解釋性和倫理考量
1）可解釋性
對(duì)于一些關(guān)鍵應(yīng)用領(lǐng)域，如醫(yī)療、金融等，模型的可解釋性很重要。了解模型的決策過(guò)程可以增加信任度，并有助于發(fā)現(xiàn)潛在的問(wèn)題和偏差�？梢赃x擇具有一定可解釋性的模型架構(gòu)，或使用解釋性方法來(lái)分析模型的決策。
2）倫理考量
確保訓(xùn)練數(shù)據(jù)的收集和使用符合倫理規(guī)范，不侵犯?jìng)�(gè)人隱私和權(quán)益。同時(shí)，考慮模型可能帶來(lái)的社會(huì)影響，避免產(chǎn)生歧視性或不公平的結(jié)果。在模型開(kāi)發(fā)過(guò)程中，應(yīng)進(jìn)行倫理審查和風(fēng)險(xiǎn)評(píng)估。
04 應(yīng)用服務(wù)層
應(yīng)用服務(wù)層將 AI 技術(shù)轉(zhuǎn)化為實(shí)際的應(yīng)用服務(wù)，為用戶帶來(lái)價(jià)值。
以下是AI技術(shù)應(yīng)用的幾個(gè)場(chǎng)景方向：
用戶畫(huà)像構(gòu)建：通過(guò)分析用戶的歷史行為、興趣偏好等數(shù)據(jù)，構(gòu)建用戶畫(huà)像。例如，根據(jù)用戶的瀏覽歷史、購(gòu)買(mǎi)記錄等，了解用戶的興趣愛(ài)好和消費(fèi)習(xí)慣。
物品特征提�。簩�(duì)推薦的物品進(jìn)行特征提取，如商品的屬性、內(nèi)容的主題等。
推薦算法應(yīng)用：采用協(xié)同過(guò)濾、基于內(nèi)容的推薦、混合推薦等算法，根據(jù)用戶畫(huà)像和物品特征，為用戶推薦個(gè)性化的內(nèi)容或商品。
目標(biāo)檢測(cè)：在圖像中檢測(cè)出特定的物體或目標(biāo)，并確定其位置和類別。例如，在安防監(jiān)控中，圖像識(shí)別軟件可以檢測(cè)出異常行為或入侵物體。
圖像分類：將圖像分為不同的類別，如風(fēng)景、人物、動(dòng)物等。通過(guò)訓(xùn)練好的圖像分類模型，對(duì)輸入的圖像進(jìn)行分類。
圖像編輯與增強(qiáng)：利用 AI 技術(shù)對(duì)圖像進(jìn)行編輯和增強(qiáng)，如自動(dòng)美顏、圖像去噪、色彩調(diào)整等。
語(yǔ)音識(shí)別：能夠?qū)⒂脩舻恼Z(yǔ)音輸入轉(zhuǎn)換為文字。通過(guò)深度學(xué)習(xí)算法對(duì)大量的語(yǔ)音數(shù)據(jù)進(jìn)行訓(xùn)練，提高語(yǔ)音識(shí)別的準(zhǔn)確率。例如，用戶可以通過(guò)語(yǔ)音助手查詢天氣、設(shè)置鬧鐘等。
自然語(yǔ)言理解：理解用戶輸入的文字內(nèi)容，提取關(guān)鍵信息。采用語(yǔ)義分析、語(yǔ)法分析等技術(shù)，使語(yǔ)音助手能夠理解用戶的意圖。
語(yǔ)音合成：將文字轉(zhuǎn)換為自然流暢的語(yǔ)音輸出。通過(guò)語(yǔ)音合成技術(shù)，為用戶提供語(yǔ)音反饋，增強(qiáng)交互體驗(yàn)。
除了具體的智能應(yīng)用，AI產(chǎn)品經(jīng)理還需要了解應(yīng)用的集成和部署，主流的部署方式有以下兩種：
云部署：將應(yīng)用部署到云計(jì)算平臺(tái)上，利用云平臺(tái)的彈性計(jì)算和存儲(chǔ)資源，實(shí)現(xiàn)應(yīng)用的快速擴(kuò)展和高可用性。例如，互聯(lián)網(wǎng)應(yīng)用可以通過(guò)云部署，根據(jù)用戶訪問(wèn)量的變化自動(dòng)調(diào)整計(jì)算資源，確保應(yīng)用的穩(wěn)定運(yùn)行。
邊緣部署：對(duì)于一些對(duì)實(shí)時(shí)性要求較高的應(yīng)用，如自動(dòng)駕駛、工業(yè)控制等，可以將應(yīng)用部署到邊緣設(shè)備上，減少數(shù)據(jù)傳輸延遲。邊緣設(shè)備可以在本地進(jìn)行數(shù)據(jù)處理和決策，提高系統(tǒng)的響應(yīng)速度。
同時(shí)，將不同的智能應(yīng)用集成到一個(gè)統(tǒng)一的平臺(tái)上，也能實(shí)現(xiàn)一站式服務(wù)。例如，在智能家居系統(tǒng)中，將智能燈光控制、智能家電控制、智能安防等應(yīng)用集成到一個(gè)手機(jī)應(yīng)用程序中，用戶可以通過(guò)一個(gè)應(yīng)用程序方便地控制家中的各種智能設(shè)備。
此時(shí)，AI產(chǎn)品經(jīng)理們便需要重點(diǎn)考慮應(yīng)用之間的接口設(shè)計(jì)，即定義清晰的應(yīng)用接口，確保不同應(yīng)用之間能夠進(jìn)行數(shù)據(jù)交互和協(xié)同工作。例如，在醫(yī)療信息化系統(tǒng)中，不同的醫(yī)療設(shè)備應(yīng)用需要通過(guò)接口將數(shù)據(jù)傳輸?shù)结t(yī)院的信息管理系統(tǒng)中，實(shí)現(xiàn)數(shù)據(jù)共享和綜合分析。
05 用戶交互層
用戶交互層是 AI 產(chǎn)品與用戶直接接觸的層面，直接影響用戶對(duì)產(chǎn)品的滿意度，這點(diǎn)倒是與傳統(tǒng)的產(chǎn)品經(jīng)理職責(zé)重合度很高。
作為AI產(chǎn)品經(jīng)理，我們需要重點(diǎn)考量以下幾個(gè)因素：
1. 用戶界面設(shè)計(jì)
根據(jù)用戶的偏好和使用習(xí)慣，提供個(gè)性化的界面設(shè)置。例如，用戶可以選擇自己喜歡的主題顏色、字體大小等。
基于用戶畫(huà)像，為不同用戶群體提供定制化的界面內(nèi)容。例如，對(duì)于老年用戶，可以提供更大字體、更簡(jiǎn)潔的界面；對(duì)于專業(yè)用戶，可以提供更多高級(jí)功能和詳細(xì)的參數(shù)設(shè)置。
采用簡(jiǎn)潔明了的布局和圖標(biāo)，使用戶能夠快速找到所需的功能。例如，在智能語(yǔ)音助手中，將常用的功能按鈕放在顯眼的位置，如語(yǔ)音輸入按鈕、歷史記錄按鈕等。
遵循用戶習(xí)慣和認(rèn)知規(guī)律，設(shè)計(jì)符合用戶直覺(jué)的操作流程。例如，在手機(jī)應(yīng)用中，采用滑動(dòng)、點(diǎn)擊等常見(jiàn)的操作方式，讓用戶能夠輕松上手
2. 用戶交互方式
及時(shí)反饋：當(dāng)用戶與 AI 產(chǎn)品進(jìn)行交互時(shí)，及時(shí)給予用戶反饋，讓用戶知道自己的操作是否被正確識(shí)別和處理。例如，在語(yǔ)音助手接收到用戶的語(yǔ)音指令后，立即給出語(yǔ)音提示或在界面上顯示相應(yīng)的反饋信息。
可視化反饋：通過(guò)圖形、圖表等可視化方式向用戶展示交互結(jié)果。例如，在智能健康管理應(yīng)用中，通過(guò)圖表展示用戶的運(yùn)動(dòng)數(shù)據(jù)、健康指標(biāo)變化等，讓用戶更直觀地了解自己的健康狀況。
語(yǔ)音交互：支持用戶通過(guò)語(yǔ)音與 AI 產(chǎn)品進(jìn)行交流。語(yǔ)音交互具有便捷性和自然性，用戶可以在雙手忙碌或不方便操作設(shè)備時(shí)，通過(guò)語(yǔ)音指令完成任務(wù)。例如，在駕駛過(guò)程中，用戶可以通過(guò)語(yǔ)音控制車載導(dǎo)航系統(tǒng)。
手勢(shì)交互：利用攝像頭或傳感器識(shí)別用戶的手勢(shì)動(dòng)作，實(shí)現(xiàn)與設(shè)備的交互。例如，在智能電視中，用戶可以通過(guò)手勢(shì)操作進(jìn)行頻道切換、音量調(diào)節(jié)等。
文本交互：除了語(yǔ)音交互，用戶還可以通過(guò)輸入文字與 AI 產(chǎn)品進(jìn)行溝通。文本交互適用于一些需要精確輸入的場(chǎng)景，如搜索查詢、文本編輯等。
作者：阿宅的產(chǎn)品筆記；公眾號(hào)：產(chǎn)品宅
本文由 @阿宅的產(chǎn)品筆記 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來(lái)自Unsplash，基于CC0協(xié)議。
該文觀點(diǎn)僅代表作者本人，人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)
