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