零基础转行AI大模型产品经理,我的完整学习路线与资源分享

文章讲述了作者从风景园林专业成功转型为AI大模型产品经理的经历。通过自学产品知识、参与项目实践,最终获得AI领域龙头企业offer。作者指出AI产品经理入门成本不高,无需深入算法细节,而应关注用户和业务视角。文章提供了AI大模型学习的七个阶段及丰富资源,包括思维导图、书籍手册、视频教程等,帮助读者快速掌握AI大模型产品技能。


风景园林→AI大模型产品经理

本科:2016-2019 中国农业大学风景园林专业

硕士:2020-2023 中国农业大学风景园林专业

工作/实习经历:

2023-至今 某AI领域龙头企业-AI大模型产品经理

与景观的爱恨纠缠

意外邂逅

我跟景观结缘纯粹是一场意外。还记得高考后的一个午后,当时选专业选累了,就把专业参考书随手丢到床上,人也趴到了床上。不经意间转头,看到书上的一个专业——风景园林,感觉这专业名还挺清新脱俗,便去详细了解了一下。

看了专业简介,需要学习绘画、植物、建筑等,是艺术与工程的交叉学科,又不用学很多数学(因为我本身不是很擅长),所以我就决定报这个专业了。

后来录取结果出来,造化弄人,我被调剂到了工业设计专业。还好学校转专业政策宽松,半年后我又转到了园林,正式开启了我与景观的爱恨纠缠。

且行且忧

刚转入园林那会,我还是蛮开心。每天学学画画,识花认草,尽管偶尔要加班画图,但总归还是能接受。

但到了大三的时候,我逐渐开始担忧,主要源于两方面:一方面是感觉整个专业涉及到的内容非常多,广而不深,好像啥都会一点,又好像啥都不会。再加上我自己缺少设计天赋,因此这种感觉在设计课的时候尤为明显。

另一方面是就业问题,我不知道的所学所做在就业时有没有竞争力。后来在机缘巧合下,我侥幸获得了一个保研名额,顺理成章地开始了做科研、写文章的硕士生活,这些担忧也就暂时被搁置了。

尝试做一个出逃者

决心出逃

研究生期间,经过科研的毒打后,我没了读博的心思,因此就业的难题重新浮于水面。研二下时,恰逢地产公司频频暴雷,行业下行的新闻不绝于耳,因此我也萌生了转行的想法。

当时其实考虑过很多方向,包括互联网产品、银行管培、考公等,但仔细思考下来,还是觉得互联网产品比较适合我(一方面专业门槛基本没有限制,另一方面薪资相对可观)。于是我便一边自学产品经理基础,一边找了个在职产品跟做项目。跟做完项目后,我开始投简历实习,积累相关经验。

产品经理日常工作梳理

艰难摸索

秋招正式开始后,我并没有完全放弃本行业的相关工作,而是三手抓,主投房地产,同时准备考公和转行。

那段时间非常煎熬,需要兼顾论文和多方向的就业,过度焦虑也导致身体有点吃不消。好在秋招结果不错,收获了一些头部地产和银行的offer,也考上了北京选调的事业单位,只有互联网方向没啥起色。

在求职过程中,我越发感觉到建规景相关行业的衰退已成必然趋势(城镇化率到了瓶颈,人口减少,叠加居民负债率过高),再加上自己爱折腾不倾向于体制内,最终还是选择放弃了秋招的所有offer,背水一战迎接春招。

放弃的本行业offer

春招期间,我把求职的重心由体制内转向互联网,一边优化自己的简历,一边广撒网锻炼自己面试的能力。

当时因为疫情放开,互联网回暖,经过几十次的面试后,我拿到了新浪、美团等近十个大中厂公司的offer,其中就有我现在的公司。

最终接受的AI产品offer

勇敢且必然的抉择

重拾方向

之所以选择了现在的公司(AI领域的龙头之一吧),是因为当年chatgpt一记惊雷,把大模型带到了大家的视野中,也掀起了人工智能的第四次浪潮。而给我的offer,恰巧就是大模型/AIGC产品经理。

经过一番咨询和调研后,我认为这是未来发展的大方向。很多人好奇,为什么做景观的能拿到AI产品的offer,这可能是因为我的研究中涉及到了部分算法的知识。

不少人对AI可能存在一定误解,觉得比较高深,学习起来很困难。但实际上,日常生活中我们都能接触到相关内容,只是并没有意识到,而且百分之七八十的工作,也并不需要你对AI领域的技术、算法有多么深入的理解,实际的入门成本没有想象中那么高

关于现在

现在的生活基本早九晚六(这不是互联网常态,常态感觉是1095),双休。工作内容跟普通产品类似,包括需求收集分析、产品设计和推动方案落地,只不过设计的产品跟AI/大模型紧密相关,日常也需要跟算法工程师密切合作。

我一直觉得产品经理这个岗位跟建规景有很多共通之处,类比下来是设计师和甲方的综合体(产出设计方案、推动方案落地),能力和学历尚可的同学可以一试。回顾自己的转行生涯,细想来其实每一个选择的方向都会有不同的问题,但总体而言,相比于本行业较低的性价比+长期下行的趋势+不稳定的现状,出逃都是我必然选择。

偶尔也还会去周边逛逛园子

最后祝愿各位转行的小伙伴,都能勇敢迈出那一步,重新找到方向吧!

如何学习AI大模型?

如果你对AI大模型入门感兴趣,那么你需要的话可以点击这里大模型重磅福利:入门进阶全套104G学习资源包免费分享!

这份完整版的大模型 AI 学习和面试资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览,小伙伴们记得点个收藏!


第一阶段:从大模型系统设计入手,讲解大模型的主要方法;

第二阶段:在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段:大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段:大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段:大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段:以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段:以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获:👈

• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/1125815.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

NestJS 中动态 Swagger 参数文档的实现

在 NestJS 项目中,常常需要对 API 的参数进行验证和文档化。特别是在使用 UUID 作为参数时,确保参数格式的正确性以及在 Swagger 中正确展示这些参数是非常重要的。今天我们来探讨如何在 NestJS 中创建一个自定义装饰器来验证 UUID 格式,并动态生成 Swagger 文档。 背景介绍…

双极板材料四探针低阻电阻测试仪

双极板材料四探针低阻电阻测试仪 四端测试法是目前较先进之测试方法,主要针对高精度要求之产品测试;本仪器广泛用于生产企业、高等院校、科研部门,是检验和分析导体材料和半导体材料质量的一种重要的工具。双极板材料四探针低阻电阻测试仪 …

Java 程序员如何快速上手浏览器插件开发?一篇文章讲透 Chrome Extension

作者背景:8 年 Java 开发 阅读建议:收藏 实操 适合人群:Java / 后端 / 想做自动化工具的程序员一、写在前面:我为什么要学浏览器插件? 作为一个 Java 程序员,我以前一直有个刻板印象:浏览器插件…

制码指南:轻松生成文本二维码和文件二维码

对于想要生成二维码的用户来说,了解基本步骤至关重要。生成二维码的过程并不复杂,您只需: 选择工具:通常可以在网络上找到多种免费的二维码生成工具。输入内容:无论是上传文件还是输入文本,确保信息准确无…

MATLAB实现稀疏编码中的基学习:使用拉格朗日对偶方法带L2范数约束

在稀疏编码(Sparse Coding)和字典学习领域,一个核心任务是从数据中学习一组过完备基(dictionary或basis),使得数据样本可以用这些基的稀疏线性组合来表示。传统的字典学习通常交替优化稀疏系数和字典,但计算开销较大。 今天我们要探讨一种高效的字典学习方法:针对固定…

速卖通关键词搜索接口深度实战:智能优化与跨境搜索精准化全方案

速卖通(AliExpress)关键词搜索接口是跨境选品、市场调研、竞品监控的核心入口。不同于国内电商搜索接口,速卖通搜索需适配 “多语言关键词、跨境筛选条件、区域化商品展示” 等特色场景,常规调用方案常面临关键词匹配度低、筛选条…

低代码破局零售电商数字化转型:从流量争夺到效率革命

年轻消费群体崛起,“线上种草、线下拔草”成常态,直播带货、社区团购等新场景涌现,零售电商行业竞争已从“流量争夺”升级为“效率比拼”。但多数企业数字化转型步履维艰:线上线下数据孤岛林立,用户信息不通&#xff1…

融云 回顾:「韧性」生长,「邪修」破局

2025 的进度条已经拉满,各个平台的年度词单也都如期而至了。从大洋彼岸权威词典的严肃定义,到中文互联网上脑洞大开的野生热梗;从传统媒体的时代注脚,到社交平台深夜刷屏的情绪共鸣。虽然语境不同、出处各异,但这些词一…

二维码工具是什么?主要有哪几种应用?

二维码工具的出现,极大地方便了信息的传递与管理。主要功能包括信息存储、链接活码和设备巡检二维码等。其中,信息存储让用户可以快速获取网址、文本和联系方式等信息;链接活码技术可实现内容实时更新,提升用户使用体验&#xff1…

Doris 开启 Partial Update:实现不存在就插入,存在就更新,NULL 不更新原值

这篇文章用一个测试表完整跑通 Doris 的 Partial Column Update(部分列更新): 不存在就插入存在就只更新指定列值为 NULL 时不覆盖原值(保持原值) 1. 先搞懂:Partial Update 的前提条件 1.1 必须是 Uniqu…

docker快速部署docker私有仓库

前言 记录docker快速部署docker私有仓库命令 docker部署私有仓库 1. 创建认证密码文件 安装htpasswd工具 # CentOS/RHEL centos执行这个 yum install -y httpd-tools # Ubuntu/Debian apt-get install -y apache2-utils 2. 创建认证目录 mkdir -p /zero/registry/auth sudo…

【确认出席】卢勇 上海市数商协会秘书长丨上海·1月14日

第八届金猿论坛嘉宾“本次大会,现场将会举行十年先锋人物、十年标杆产品、CIO、数据要素价值释放、AI Infra领先企业、创新技术、Data Agent创新应用、国产化优秀代表厂商八项大奖的“第八届金猿季颁奖典礼”欢迎报名参与,观礼见证。大数据产业创新服务媒…

AI+敏捷时代,专项测试人员是否还有存在的必要?

一、PO 程序员 AI 能否覆盖全部测试需求?1. PO(产品负责人)的角色PO关注的是业务价值和用户需求,通过用户故事表达功能期望。虽然PO会参与验收(UAT),但通常不具备系统性测试思维,也…

成为一名优秀的AI产品经理:2025年AI产品经理必备:大模型产品经理终极学习路线图,一篇就够了!

成为一名优秀的AI产品经理,需要具备深厚的技术背景、良好的产品直觉、敏锐的市场洞察力以及出色的沟通协调能力。以下是一份详尽的AI产品经理学习路线,旨在帮助有意进入该领域的学习者建立起坚实的基础,并逐步成长为行业内的专家。 一、基础知…

口碑好的无轨平车哪家好

口碑好的无轨平车哪家好在工业领域,无轨平车作为一种重要的物料运输设备,其质量和口碑备受关注。那么,口碑好的无轨平车哪家好呢?杭州龙立智能科技值得重点关注。卓越的技术实力杭州龙立智能科技在无轨平车的研发上投入了大量精力…

计算机提示“解析软件包时出现问题”怎么解决?别慌,小白也能看懂的修复指南

你是否也遇到过这种情况:好不容易下载了一个几百兆的游戏或应用APK安装包,满心欢喜点击安装时,屏幕却冷冰冰地弹出一行字——“解析软件包时出现问题”。这一刻简直让人心态爆炸!别急着删文件,这通常不是手机坏了&…

AtomicBoolean 作用

AtomicBoolean 是 Java 并发包 (java.util.concurrent.atomic) 里的一个“线程安全布尔”。 一句话:它就是一个 可以安全地被多线程同时读/写的布尔值,而且比直接用 synchronized 或 volatile 自己加锁更轻量、更快。为什么需要它 普通 boolean 在多线程…

新时代的国防动员系统——人机环境生态体系

新时代的国防动员系统正由“人力密集型”向“科技密集型”跃升,其核心抓手是构建“人—机—环境”深度融合的生态体系,实现平战一体、全域联动、智能高效的动员能力。综合近期实践与政策指向,可将其体系架构概括为“一条主线、三大支柱、N类场…

Build in Public,才是普通人的 AI 之路

凌晨两点,写完最后一行代码,我习惯性地打开社交媒体,记录下今天解决的那个棘手bug和思路,十分钟后,评论区出现了几个同样遭遇此问题的程序员,我们开始了一场深夜技术交流。大家好,这里是程序员晚…

二进制重构嵌入(Binary Reconstructive Embedding)压缩函数实现详解

前言 在无监督哈希方法中,Binary Reconstructive Embedding(BRE)是一种经典的基于重构误差最小化的算法。它通过学习一组二进制嵌入,使得数据在汉明空间中的距离能够尽可能保留原始欧氏空间的结构,同时最小化二进制码对原始数据的重构误差。这种方法在保持简单高效的同时…