Все, что является частью обычной роли менеджера по продукту, также применимо к менеджеру по продукту в области искусственного интеллекта.

Но:

Для продуктов на базе искусственного интеллекта этап обнаружения намного дольше:

  • Привлекайте правильные заинтересованные стороны на раннем этапе, чтобы с самого начала было межфункциональное согласование с бизнес-целями.
  • Подумайте, что возможно, а что нет и что скоро станет возможным.
  • Признайте, что возможности искусственного интеллекта в бизнесе, как правило, более неясны
  • Функциональность ИИ обычно встроена в уже существующие функциональные возможности продукта, не связанные с ИИ. Это могло быть как ограничивающим, так и освобождающим

«Как» при разработке модели ИИ более итеративно:

  • Вы строите модель и продолжаете настраивать ее, пока ее точность (или любая другая метрика оценки) не достигнет желаемого уровня. Конец не всегда виден
  • В разработке, не связанной с ИИ, обычно существует формула: если необходимо выполнить X, создайте Y. В отношении функций ИИ полномочия намного шире: увеличение читательской аудитории на 10%; для достижения этой цели могут быть использованы многочисленные пути
  • Сами по себе эти различия представляют собой смену парадигмы продукта, структуры команды, а также исполнения.

Требуется другой тип евангелизации и переговоров:

  • Клиенты, руководители предприятий, специалисты по обработке данных и инженеры по машинному обучению - все говорят на разных языках и имеют разные цели. Работа PM - создавать повествования, которые пронизывают команды и объединяют их.
  • Переводите и упрощайте показатели AI / ML, чтобы заинтересованные стороны понимали друг друга и могли задавать более острые вопросы.
  • Прототип, который наглядно демонстрирует новый клиентский опыт и результаты, основанные на искусственном интеллекте, может иметь большое значение для достижения консенсуса.

Показатели и критерии успеха разные:

  • Хотя некоторые показатели могут быть одинаковыми, многие KPI и контрольные показатели адаптированы к уникальному пересечению желаемых ценностных предложений, клиентских сегментов, выбранного конвейера машинного обучения, бизнес-целей и т. Д.
  • Менеджеры проектов должны ознакомиться с метриками и критериями, используемыми для оценки и оптимизации моделей машинного обучения в течение цикла экспериментов.
  • Отказ следует ожидать и допускать до тех пор, пока есть движение в процессе подтвержденного обучения - базовые показатели должны улучшаться

Сбор стратегических данных имеет первостепенное значение:

  • Данные - это жизненная сила машинного обучения. Сбор данных в продукте должен соответствовать потребностям вашей модели.
  • Начальная загрузка: агрегирование общедоступных данных, их обогащение, генерация синтетических данных, получение закрытых данных от других компаний посредством коммерческих сделок и слияний и т. Д.
  • Компаундирование: менеджеры по маркетингу должны разработать эффективный цикл ИИ. Чем больше данных, тем лучше продукты, что привлекает больше пользователей, которые, в свою очередь, генерируют больше данных.
  • Объем, разнообразие, скорость и достоверность ваших конфиденциальных данных являются неотъемлемой частью желаемого конкурентного преимущества.

Проблемы компромиссов и расстановки приоритетов уникальны:

  • Самый ценный ресурс, который у вас есть, - это время ваших инженеров по машинному обучению. Используйте методы, такие как анализ потолка, чтобы определить основные области, которые позволят максимизировать отдачу от их времени.
  • Построй, займи или купи. Это может относиться ко всем функциям, API, базовым моделям или даже только к данным.
  • Компромиссы производительности модели, такие как компромисс между смещением и дисперсией, также необходимо рассматривать через призму бизнеса.

Связь с некоторыми другими функциями:

Специалисты по обработке данных:

  • Специалисты по обработке данных тратят много времени на очистку, маркировку, расширение, агрегирование и идентификацию данных. Облегчить их жизнь, поднявшись по конвейеру данных в поисках возможностей для оптимизации.
  • Для этого вам нужно хорошо разбираться в данных. Вам необходимо иметь систему, чтобы держать руку на пульсе сотен и тысяч атрибутов, имеющихся в вашем распоряжении. В этих информационных джунглях легко заблудиться
  • Наборы данных и базы данных - это новые каркасы

Разработчики и инженеры машинного обучения:

  • Программисты обычно пишут код для управления данными в соответствии с заданными требованиями, но инженеры машинного обучения учат алгоритмы, как манипулировать данными.
  • Решения ML не существуют в вакууме. Они размещены в архитектуре вашего продукта. Таким образом, необходимы рабочие процессы для непрерывной интеграции, развертывания, мониторинга, экспериментов и сбора отзывов о них в рамках процессов DevOps в организации.
  • Как PM AI, важно понимать язык AI / ML, чтобы вы могли лучше общаться со своими инженерами ML и, следовательно, эффективно представлять их другим заинтересованным сторонам, включая инженеров-программистов.
  • Вы должны иметь возможность вносить свой вклад в гиперпараметры и атрибуты с точки зрения клиента и бизнеса.

Исследование и дизайн UX:

  • Популярная цель разработки продуктов ИИ - обеспечить гипер-персонализированный опыт.
  • Разберитесь с данными. Спроектируйте, как и когда собирать данные
  • Дизайн для несовершенства, прозрачности, автоматизации и искусственного сочувствия
  • Проведите количественное тестирование юзабилити, чтобы нарисовать точный портрет пользователей и их поведения.

Маркетинг и продажи:

  • «Мы делаем X, делаем Y, делаем Z» Стива Бланкса хорошо работает для создания ценностных предложений.
  • Помогите командам понять, какие преимущества и преимущества дает клиентам ИИ. При необходимости узнайте как

Спасибо, что дочитали до этого места.

Это минимально жизнеспособный блог, предназначенный только для того, чтобы указать вам правильное направление. Я надеюсь, что это так. Я дополню это позже, если оно окажется полезным.

Дополнительная литература:

«Https://firstround.com/review/everything-we-wish-wed-known-about-building-data-products секс/

«Https://asiliconvalleyinsider.com/2020/05/14/how-to-be-a-successful-machine-learning-product-manager жен/

Https://medium.com/swlh/essential-guide-to-ai-product-management-9483688d38d0

Этот блог похож на известный блог Бена Горовица «Хороший менеджер, плохой менеджер»:

Https://medium.com/@treycausey/rise-of-the-data-product-manager-2fb9961b21d1