前兩天，我一直在談 Customer Problem。

但真正開始做 Edge AI PoC 時，我才發現：

知道要解決什麼問題，只是第一步。

因為現實世界的AI PM，不一定有充足的資源， 另外我有從人工智慧畢業的Domain Know How。

這次的情況其實很簡單：

沒有 GPU Server。

沒有一大群 AI Engineer。

手上只有一位工程師，加上我這個 AI PM。

還有一片：

Qualcomm QCS6490。

就這樣。

但副總還是希望我們：

「做一個 Edge AI PoC 出來。」

那問題來了。

兩個人，到底能做什麼？

第一個直覺：什麼都想做

一開始其實很容易陷入一個陷阱。

既然是 Edge AI，那是不是應該：

• 做 Object Detection
• 做 Pose Estimation
• 做多模型
• 做多 Camera
• 做即時影像分析
• 做各種 AI Scenario

聽起來都很好。

但我很快發現：

資源根本不允許我們這樣做。

沒有 GPU，代表我們不適合從頭訓練 Model。

只有一位工程師，也不可能同時開發完整的 AI Framework、Video Pipeline、Application 和 Backend。

所以這時候，AI PM 不能再問：

「我們想做什麼？」

而應該改問：

「以我現在手上的資源，什麼是最有機會讓我可以成功的？」

我先盤點手上的資源

我把現況很簡單地整理成：

Goal

不是做完整產品，而是做出一個可以驗證產品價值的 PoC。

這個「Goal」非常重要。

因為如果目標是 Product，兩個人當然不夠。

但如果目標是：

用最少資源驗證一個有商業價值的 AI Use Case。

事情就完全不一樣了。

接下來，我開始反過來找 Use Case

我沒有先決定：

「我要做安全帽辨識。」

而是先看：

我們現有的 Pre-trained Model 能做到什麼？

這時候我們發現一個很現實的問題。

如果我們沒有足夠 GPU 資源自己訓練模型，那麼最合理的策略就是：

先使用現成的 Pre-trained Model。

可是 Pre-trained Model 也會反過來限制我們的 Use Case。

例如模型可以穩定做到：

Person Detection

但這不代表它可以直接做到：

• 特定工廠設備辨識
• 特殊缺陷辨識
• 客製化產品分類
• 複雜異常行為判斷

因為這些通常需要更多資料、模型調整甚至重新訓練。

而我們現在沒有這個資源。

所以我們最後找到一個很重要的方向

無人場域。

為什麼？

因為這個場景剛好非常適合我們現有的能力。

我們不需要重新訓練一個很複雜的模型。

只要：

Pre-trained Person and Helmet Detection

再加上：

Rule / Geofence / Event

就可以形成一個完整的 Use Case。

例如：

平常這個區域應該沒有人。

所以我們可以定義：

Person Detected in Restricted Area → Intrusion Event

再進一步：

Intrusion Event → Alert → Recording

這時候我突然發現：

我們不是因為資源不足，只能做一個很小的 Demo。

反而是因為資源有限，我們被迫找到一個：

模型能力、硬體能力、人力資源與商業情境都能對上的 Use Case。

這讓我重新理解「AI PM 的取捨」

如果今天有：

10 個 AI Engineer
5 台 GPU Server
大量 Training Data

我們可能會從「客戶想要什麼」開始往下做。

但當你只有：

1 Engineer + 1 PM + 1 Edge AI Board

你的 Product Strategy 就必須改變。

你不能問：

What can we build?

而要問：

What can we validate with the resources we have?

這兩句話看起來很像，其實完全不同。

前者容易讓產品無限膨脹。

後者會逼你做出真正的 Priority。

最後，我們把 Use Case 定下來

我們把第一階段 PoC 收斂成：

Unmanned Area Monitoring

Camera -> Pre-trained AI Model -> Person Detection -> Geofence / Rule -> Intrusion Event -> Alert / Recording

這個 Use Case 有幾個好處：

第一，技術可行。

不需要從零訓練 Model。

第二，Edge AI 合適。

影像可以直接在 Edge Device 上處理，不需要把所有影像送到 Cloud。

第三，容易展示。

Demo 很容易讓客戶理解：

「這個地方平常沒有人，有人進來，系統就通知我。」

第四，可以往產品延伸。

未來可以再加入更多 Model、Rule、Event、Device Management，甚至 AI Agent。

我學到的一件事

以前我會認為：

資源越多，能做的事情越多。

但這次 PoC 讓我發現：

資源越有限，AI PM 越需要知道什麼不要做。

我們不是先有一個很完整的 AI Solution，再去找客戶。

而是從：

人力限制 -> 硬體限制 -> Model 限制 -> 找出可行的 AI Capability -> 再反推適合的 Use Case
最後才形成我真正能在短時間內驗證的 PoC。

這也是我認為 AI PM 很重要的一個能力：

不是把所有可能性都做出來，而是在有限資源下，找到最值得驗證的那一個。

而我們的下一個問題就是：

有了 Use Case 之後，怎麼把它從一個「可以 Demo 的 PoC」，變成一個真正有 Product Vision 的 Edge AI Application？