从数据科学转去做AI产品,第一步应该做什么?
提问
第一步不是先学某个工具,而是想清楚数据科学真正交付的是什么——更好的决策;然后把这个判断带进产品,用能跑起来的东西验证它。
先认清你原本交付的产品是决策
材料里的观点立正把数据科学的核心产品定义为“更好的决策”:要不要改产品、资源投向哪类用户、项目该扩大还是停止。SQL、仪表盘、模型都只是中间品。如果分析快了十倍,组织仍不知道下一步做什么,那只是更快地生产中间品1。这个判断对转产品很关键:你带过去的不是建模手艺,而是判断“什么值得做、什么结果算好”的能力。他也提醒,AI 是杠杆,方向对了会放大,方向错了也会把错误做大1。
别停在聊天框,先做出能跑的东西
立正给数据人的建议里,行动决心排在方向之前,因为“什么都不改变才是最 risky 的选择”。他明确说:一定不能停留在聊天框里,要用 agentic coding 工具,让 AI 成为杠杆而不是对话伙伴2。同时他区分了“用 AI 写代码”和“做 AI 产品”:判断标准是用户使用时 AI 是否参与 runtime,只在开发阶段帮忙写代码属于 AI-assisted building3。所以第一步的产出应该是一个用户能实际使用、AI 在运行时参与判断或行动的小东西,而不是一份方案文档。
把隐性判断外化成可复用的规则
AI推演立正的三层展示框架里,第三层是能把自己的判断力“教给”AI:对数据科学家来说,就是实验方法、指标口径、分析思路,从“我有感觉但说不清”变成规则、模板、上下文4。这一步对转产品的人尤其有用:产品要的是把模糊需求转成高质量上下文,让团队和 AI 都能直接执行4。结合你自己的处境,可以先挑一个你熟悉的业务决策,写清判断标准和数据口径,再用 AI 做出一个能跑的原型,观察别人是否真的据此改变了决定——这是 AI 基于上述材料的应用建议,不是原文规定。
材料没有给出转岗的具体路径、时间表或招聘要求;《杨天楠:看似体面的工作,实则都是在表演?》5中关于数据科学家与决策关系的讨论有大量未确认发言,未用于回答。
回到5份原文
说明数据科学的产品是更好的决策,以及 AI 只是放大判断的杠杆。
给出数据人行动优先、不要停在聊天框的具体建议。
区分 AI-assisted building 与 AI 产品,提供判断标准。
讲如何把隐性专业判断外化成 AI 可复用的规则与上下文。
可回到原文核对这部分判断