Практическое руководство для менеджеров по продуктам, использующих ИИ

Управление продуктом - это уже довольно неоднозначная работа, требующая множества навыков: стратегии, коммуникации, влияния, исполнения, роста, анализа данных и многих других.

Есть один навык, который недостаточно обсуждается в управлении продуктом, и который важно, чтобы все менеджеры по продукту распознали его как можно раньше: использование ИИ.

Сегодня каждая компания использует ту или иную форму искусственного интеллекта в своем бизнес-стеке в качестве одного из следующих: (1) уровень роста (2) дифференциатор продукта (3) продукт, ориентированный на искусственный интеллект.

Это не означает, что менеджеры по продукту (PM) должны поменяться местами со специализированными инженерами машинного обучения или направиться на изучение всех технических курсов по AI / ML. Менеджеры программ должны заранее распознавать следующее:

I. Есть кривая обучения. Повышайте квалификацию себя и своей команды.

Первая научная статья на тему Искусственный интеллект восходит к 1950-м годам, а изобретение обратного распространения информации относится к 1980-м годам. Хотя эти теоретические концепции существуют уже давно, на практике они все еще являются относительно новыми технологиями.

У вас нет ярлыка, чтобы наверстать упущенное, не потратив на это время и усилия. Хорошая новость заключается в том, что вы не одиноки, и в Интернете есть множество материалов для всех уровней интересов / навыков, с которых можно начать.

Ваша цель от повышения квалификации должна состоять в том, чтобы все в вашей команде говорили на общем языке, когда дело касается этих понятий.

Несмотря на то, что за реализацию будет отвечать специализированный инженер машинного обучения (или целая команда), в качестве его менеджера по менеджменту вы хотите иметь возможность формулировать проблемы пользователей, бизнес-мотивацию и плюсы / минусы предлагаемых решений в простой форме. другим заинтересованным сторонам в команде, руководству и вашим клиентам.

Еще одна вещь, о которой следует знать, - это то, что чаще всего ваш вариант использования будет на обслуживающей стороне, то есть ваша команда будет применять машинное обучение, а не проектировать его. Есть группы, ориентированные на машинное обучение, которые проектируют библиотеки TensorFlow или Pytorch. Если это так, вам нужно больше знаний о машинном обучении.

II. Вы решаете реальную потребность пользователя или принудительно вводите решение своей пользовательской проблемы?

Прежде чем ваша команда сделает призыв запрыгнуть в вагон AI / ML, проверьте следующее:

Q1: Решает ли это реальную потребность пользователя?

Это должно быть отражено в ваших исследованиях пользователей или конкурентном анализе. Будьте предельно ясны в отношении проблемы пользователя и возможных решений, прежде чем приступить к выполнению конкретного решения на основе ИИ, которое звучит просто захватывающе.

Q2: Есть ли решение вашей проблемы, отличное от AI / ML?

Предупреждение о спойлере: всегда отвечайте да.

Предостережение заключается в том, что обычно качество такого решения может быть намного хуже из-за метода, основанного на правилах («эвристика»). Большинство решений на основе ИИ можно до некоторой степени преобразовать в интерпретируемый подход, по крайней мере, на этапе прототипирования.

Вы можете снизить риски на раннем этапе, начав с эвристики и убедившись, что команда правильно использует стандартные блоки, такие как API, метрики и критерии оценки. Такой же конвейер потребуется и для будущей версии ML.

Q3. Достаточно ли у вас данных для моделирования и сколько это будет стоить.

Если вы планируете получить (например, историю пользователей) или приобрести (например, финансовые рынки) данные, каковы связанные с этим затраты.

Затраты могут выражаться в долларах, техническом долге для вашей команды, опыте работы с новым продуктом, который возлагает бремя предоставления данных на пользователя.

Существуют также периодические затраты, такие как (1) дополнительное время / инвестиции, необходимые для очистки данных, (2) эксплуатационные расходы на безопасное и удобное хранение этих данных и (3) соблюдение нормативных требований конкретной страны, связанных с этими данными.

III. Готовы ли вы с организационной точки зрения к инвестициям, необходимым для обучения, тестирования и масштабного запуска ваших моделей?

Теперь, когда вы знаете, что ваши пользователи могут извлечь выгоду из этого решения, а ваша команда воодушевлена ​​возможностями, вы уже поняли, что вы не можете работать изолированно.

В вашей организации будут другие команды, которые будут касаться продукта, влиять на пользовательский опыт и влиять на входы в вашу команду.

Внимательно примите во внимание следующее:

1. Где будут храниться, использоваться и храниться данные.

Сбор, маркировка и обучение данных для любой системы машинного обучения может потребовать обширной настройки и обслуживания. Когда дело доходит до использования данных, необходимо также учитывать конфиденциальность, целостность и правовые аспекты.

Это часть вашей работы - продолжать защищать интересы пользователей и продвигать высокие стандарты интерпретируемости, целостности и прозрачности.

2: Есть ли у вас нужная поддержка руководства и кадры, чтобы поддерживать это на постоянной основе?

Любое выбранное решение будет иметь компромисс между охватом, правильностью и сложностью. Создайте правильную структуру, чтобы ваша команда могла принимать решения по этим осям.

3. Убедитесь, что у вас разные точки зрения и вы не бросаете других партнеров по продукту.

Ваша уверенность в качестве менеджера по продукту в продвижении правильного решения для пользователей и для вашей организации во многом зависит от наличия места для всех заинтересованных сторон: дизайна и контента, исследования UX, маркетинга, а также инженерии и науки о данных.

Вовлечение этих заинтересованных сторон на раннем этапе и наличие этого общего языка (как обсуждалось выше) для решения выявленных потребностей пользователей гарантирует, что ваша команда и дальше будет быстрый цикл итераций и успешный продукт.