AI 产品
第一，数据变得更加普遍化和易获得。机器学习需要海量的数据，过去数据没有像现在这么充足，而现在甚至有很多免费的数据供给机器学习。 各类学科中的各种数据集已成为机器学习系统的燃料，例如，Open Images Dataset就是一个由涵盖数千个类别的超过900万张图像组成的数据集。
第二，计算能力取得了飞速进步。人工智能的发展需要非常充沛的算力，算力的发展目前呈现出指数级的增长。例如，Tensor Processing Units（TPUs），能在短短几分钟内而非几小时内，就训练完成机器学习模型。一套TPUs的计算能力是1990年的计算机的10000倍。
第三，以更快的速度构建更复杂的模型和技术。例如，在自然语言理解领域，研究人员正在取得令人难以置信的进展
AI
数据日常的大路路径是汇聚、存储、处理 （ETL过程）。
目前总结一些常见场景
输送给RFM模型，AI产品经理确认数据的业务意义，比方说张三是高价值客户，李四是高潜力客户，那么那些数据代表张三是高价值客户，RFM模型中的最近购买时间R，购买频次F，消费金额M，究竟怎么来验证张三是高价值客户，这个时候AI产品经理会就业务本身自然呈现的内容输送到模型，帮助优化训练模型。
在做的过程中，会验证发现RFM模型有缺陷，不能很好地对航司客户进行智能化识别，那么RFM模型就逐步地迭代为LRFM模型，再然后就部署的具体的系统模块供各个业务项目场景应用。
分叉后另外一条路线是供数据分析，比如某外卖平台希望通过消费者LineLian的用户历史和时间序列数据达到提高LineLian的消费品类的目标，那么需要对LineLian的消费存量数据进行分析，这里需要分析LineLian以往消费数据，例如LineLian以往消费都是晚餐（IT男加班多），消费晚餐的POI点，消费晚餐的品类等等，然后设计算法分析出千千万万个LineLian用户，哪些可以从常定晚餐到推荐午餐也定午餐的目标。