请对比两种产品在需求变更频率和影响范围上的差异。
解读
面试官想验证三件事：
- 你是否能区分“AI 原生产品”与“传统软件/互联网产品”在需求变更上的本质差异；
- 你是否能把差异量化成可落地的指标（频率、影响范围），并给出国内真实案例；
- 你是否能推导出对应的流程、组织与成本控制策略，体现 AI PM 的“算法-数据-合规”三位一体思维。
回答时务必用国内主流场景（电商推荐 vs 电商 ERP、金融信贷风控模型 vs 金融核心账务系统）做对照，避免空谈。
知识点
- 需求变更频率的度量口径：
- 传统产品：以“迭代周期”或“Story 点数”计，国内一线厂通常 1～2 周一次迭代；
- AI 产品：以“模型版本”或“数据版本”计，国内头部厂平均 0.5～1 周一次离线训练，线上热更新可达天级甚至小时级。
- 影响范围的三层模型：
- 代码层：函数/模块改动；
- 数据层：样本分布、特征库、标签体系；
- 模型层：算法结构、超参、阈值。
AI 产品一旦动数据层或模型层，回滚成本远高于纯代码回滚。
- 国内合规红线：
- 《算法推荐管理规定》要求“显著调整算法策略”需 5 个工作日内报备；
- 金融模型变更需重新向央行或银保监报备“模型重大变更”，周期 20～60 天。
- 成本控制：
- GPU 重训一次 10 亿样本的推荐模型，阿里云 P4 按量约 3～5 万元；
- 数据重标 100 万条中文语义匹配样本，外包成本 0.4～0.6 元/条，合计 40～60 万元。
- 灰度与回滚：
- 传统产品可用“功能开关”秒级回滚；
- AI 产品需“模型双轨 + 流量分层 + 影子模式”，回滚需 30 分钟～2 小时，且可能伴随数据偏移。
答案
我以“电商个性化推荐”（AI 原生）与“电商 WMS 仓储系统”（传统软件）为例，从频率和影响范围两个维度对比：
-
需求变更频率
推荐系统：- 业务方每天提出“加权新品”“降权低评分”“节日人群包”等微调，平均每周 3～5 次进入“数据-模型”迭代；
- 因用户行为漂移（季末、大促），算法团队每 3 天触发一次全量重训，月度重训 8～10 次；
- 线上实时特征热更新可达小时级。
WMS： - 仓储作业流程受物理世界约束，变更需改 SOP、培训工人、调整自动化设备，平均 4 周一次版本；
- 一年两次大版本（618、双 11 前），其余为补丁。
结论：推荐需求变更频率约为 WMS 的 8～12 倍。
-
影响范围
推荐系统：- 数据层：一次“降权低评分”策略需重新打标 200 万条商品-用户 pair，标签变更扩散到 7 个下游模型（召回、粗排、重排、多样性、冷启动、广告、 push）；
- 模型层：重排模型 AUC 提升 0.3%，但导致客单价下降 1.2%，需联动价格敏感度模型再迭代；
- 合规层：涉及“差别化定价”风险，需向市监局提交算法备案说明。
WMS： - 代码层：新增“多箱复用”逻辑，仅改动出库模块 3 个微服务；
- 数据层：只新增一张箱规表，不影响历史数据；
- 物理层：需改传送带扫码规则，但可回滚到旧 SOP，2 小时内恢复。
结论：推荐系统一次“小需求”横向波及 7 条算法链路 + 合规报备，纵向影响千万级用户；WMS 变更纵向只波及仓库作业人员，横向限制在出库环节，回滚成本低于推荐 1 个数量级。
-
量化指标
- 推荐系统：需求变更平均引入 42 个新特征、重标 180 万条样本、重训 GPU 时长 600 卡时、灰度周期 3 天、回滚时长 90 分钟；
- WMS：需求变更平均改动 1.2 个微服务、0 条训练样本、灰度周期 7 天、回滚时长 10 分钟。
综上，AI 产品需求变更频率远高于传统软件，且因“数据-模型-合规”三重耦合，影响范围呈指数级放大。AI PM 必须建立“变更分级评审 + 数据血缘追踪 + 模型灰度熔断”机制，才能把业务敏捷性与系统稳定性同时守住。
拓展思考
- 如何在国内“大模型”时代进一步降低变更成本？
答案方向：引入“LoRA/Adapter 插件式微调 + 特征商店复用 + 模型效果保险（Model Insurance）”，把一次全量重训拆成“轻量微调 + 影子验证”，将 GPU 成本压到原来的 15% 以下。 - 若面试的是金融场景，可把对比案例换成“信贷风控模型” vs “核心账务系统”，重点强调央行报备窗口期对变更频率的硬约束，以及模型可解释性带来的额外影响范围。
- 面试官可能追问：“如果业务方坚持每日变更，你如何在合规、成本、体验三角约束下给出节奏？” 建议用“需求池打分卡”回答：从业务收益、合规风险、重训成本、用户影响四维打分，≥80 分才进入下周排期，否则转为“特征开关”或“规则层”快速兜底，既体现优先级判断，也展示跨部门沟通能力。