Влияние ИИ на управление продуктами

Переосмысление управления проектами в эпоху передовых моделей искусственного интеллекта

Моя организация была увлечена новыми продвинутыми LLM за последние несколько месяцев (и не без оснований!), и эта энергия пронизала многие из наших продуктовых команд, а руководство поощряет всех нас мыслить нестандартно, находить время, чтобы экспериментируйте, будьте готовы на какое-то время взять на себя риск и использовать этот импульс, который распространяется во всей индустрии программного обеспечения (и за ее пределами).

Моя команда, работающая в области корпоративного поиска, дает много конкретных выводов о том, как моя команда применяет, разрабатывает и внедряет эти передовые технологии на благо поиска. Этот сдвиг поколений в поиске вынуждает менеджеров по продуктам (и другие команды) использовать новые/обновленные способы ведения дел, становиться более терпимыми к рискам, улучшать способы нашего общения и устанавливать ожидания с нашей руководящей командой, а также быть более продуманно о том, как мы создаем новый опыт для наших пользователей.

По моему опыту, влияние ИИ на управление продуктами можно разделить на две темы: (а) то, как мы решаем проблемы с помощью ИИ, и (б) то, как мы разрабатываем продукты ИИ. Итак, вот —

Культура обучения №1

Одной из новых тем, которая возникла вместе с энергией вокруг ИИ в организации, стала жажда узнать больше — о новых продуктах и услугах, разрабатываемых/запускаемых в отрасли, об основах продвинутых моделей машинного обучения (путем игры с набором инструментов), пройдя курс обучения или сформировав специальные группы, которые могут создавать новые приложения ИИ для хакатона/идеатона. Что касается технической стороны, многие другие начали экспериментировать и продвигать инновационные алгоритмы, а также публиковать исследовательские работы об этих достижениях/приложениях.

#2 Этическая и ответственная разработка

Применение LLM и других передовых моделей машинного обучения к сценариям использования требует рекомендаций, контроля и контролируемых границ, чтобы избежать предубеждений во имя инноваций. Помнить об этических способах создания новых впечатлений от продукта — это не вариант, а условие ведения бизнеса. Несколько способов внедрения ответственной практики ИИ могут включать:

глубокое понимание и выявление этических последствий продуктов и услуг с искусственным интеллектом в различных аспектах — справедливость, предвзятость, прозрачность, объяснимость и т. д.
использование наборов данных, охватывающих различные точки зрения, а также постоянное совершенствование модели машинного обучения для устранения предубеждений в отношении групп пользователей.
быть прозрачным в отношении предположений и логики, лежащих в основе рекомендаций пользователей на основе ИИ
соблюдение высоких стандартов конфиденциальности и безопасности в отношении пользовательских данных
регулярное проведение оценок и аудитов рисков ИИ
стандартизация методов управления для различных функций в организации, что может помочь улучшить выбор разработчиков при построении моделей машинного обучения или помочь другим заинтересованным сторонам сделать правильный выбор при внедрении/маркетинге/развертывании этих продуктов.

№ 3 Улучшенное повествование с помощью продуктов ИИ

Как показали chatGPT, Bard, Dall-E и другие широко разрекламированные приложения ИИ, менеджер по продукту должен быть в состоянии рассказать историю о приложениях продукта, крайних случаях, рисках и влиянии на пользователя, что позволяет вы берете под свой контроль историю, а не наоборот.

Внутренне вы должны уметь придумывать, убеждать, создавать и сообщать ценные предложения по решению проблем пользователей с помощью этой передовой технологии, подавляя тем самым любые возражения/проблемы скептиков с четким видением, ощутимым пользователем. воздействие и долгосрочная ценность для пользователей и бизнеса.

Внешне вы должны быть в состоянии проиллюстрировать влияние на пользователя, а также связанные с ним риски использования ранних итераций продукта с заявлениями об отказе от ответственности и прозрачным обменом сообщениями в рамках взаимодействия с пользователем, в дополнение к параметрам, которые вы установили. внутри. То, как вы управляете повествованием с помощью рассказывания историй, и правильное время для вашей истории может быть более актуальным на более широком рынке, поскольку все больше и больше компаний предоставляют свои продукты ИИ в руки пользователей (и крупные публикации).

№ 4. Управление рисками продуктов ИИ

Одним из непосредственных последствий использования ИИ в мире управления продуктами стало управление рисками — как внутри, так и снаружи. Внутренне вам нужно сбалансировать свой бюджет на разработку продукта между низкой окупаемостью инвестиций, краткосрочными проектами (например, вашими текущими функциями) и проектами. высокая окупаемость, долгосрочные проекты (например, продукты на основе ИИ). Всегда существует риск того, что продукт на основе ИИ не будет реализован/восстановлен в долгосрочной перспективе (для бизнеса и на протяжении всего срока службы клиента). может компенсироваться достаточными/соответствующими инвестициями в ваши «дойные коровы».

С другой стороны, внешне вам нужно справляться с риском того, что ваш разрекламированный продукт/опыт ИИ не будет оценен или, что еще хуже, высмеян и множество промежуточных сценариев (особенно если опыт экспериментальный и не совсем готовый). для массового потребления). Я считаю, что продукты ИИ быстро внедряются, но их также можно отбросить, как горячие пирожки, перед лицом негативной огласки или менее популярных непривлекательных сценариев. Менеджеры по продуктам должны быть лучше подготовлены к таким продуктам, как только они попадут в центр внимания, и иметь стратегию снижения рисков на случай, если что-то пойдет не по плану.

#5 Управление ожиданиями в отношении разработки ИИ / сроков выхода на рынок

Коммуникация вверх (лидерская цепочка) — это всегда незавершенная работа, к которой менеджеры по продуктам более или менее привыкли.

Вехи и сроки разработки продукта и GTM — с продуктами ИИ становится еще более важно демонстрировать расходные данные, чтобы помочь руководству определить ожидания в отношении этапов разработки модели машинного обучения и сроков выхода на рынок (GTM). Использование исходных и рыночных данных о конкурентах (или прошлых данных об аналогичных продуктах в вашей организации) может помочь укрепить точку зрения ключевых лиц, принимающих решения.
Пограничные случаи. Возможно, вы также захотите дополнительно сообщить о потенциальных рисках и проблемах, которые могут возникнуть с пока неизвестными пограничными случаями после того, как ваш опыт на базе ИИ станет продуктом при запуске. И приготовьте план снижения рисков.
Воздействие на рентабельность инвестиций. Продукты на основе ИИ могут получить активное внедрение с первой попытки, но потребуется много времени, чтобы добиться удержания (или чтобы рентабельность инвестиций вышла на уровень безубыточности). Если это относится к вашим продуктам, этот момент необходимо проработать и согласовать с вашими заинтересованными сторонами и руководством, чтобы все не увлеклись волнением, чтобы присоединиться к побеждающей стороне на выборах ИИ. О риске недостижения ближайших (ежеквартальных/семестровых) целевых показателей окупаемости инвестиций необходимо сообщать руководителям, и менеджеры по проектам должны активно работать над тем, чтобы помочь руководителям усвоить изречение о краткосрочных проблемах, чтобы надеяться на достижение долгосрочных результатов с помощью таких продуктов.

# 6 Понимание ИИ Компромиссы между атрибутами

Работая с учеными данных и моделями ИИ, менеджеры по продуктам должны четко понимать компромиссы между точностью (точность) и производительностью, затратами, размером, этикой (объяснимость и т. д.) и другими атрибутами, которые могут повлиять на качество ваших моделей ИИ. функция для пользовательского опыта.

В зависимости от варианта использования, например. covid-diagnose (где слайд может склоняться к точности) по сравнению с поиском и маршрутизацией трафика (производительность и скорость важнее других факторов, таких как релевантность) по сравнению с финансовыми рекомендации (где ожидается объяснимость результатов) ирабочие процессы предприятия (где размер модели и стоимость обработки огромных объемов данных могут быть ключевыми) —вы и ваши данные инженерам/ученым может потребоваться решить, как и когда вы хотите сдвинуть шкалу в сторону любого из этих атрибутов (и объяснить причину вашего решения).

Другой передовой практикой может быть обдумывание этих соображений с самого начала, на этапе выработки идей, и привлечение ваших руководящих органов (команды по управлению рисками, юридическими вопросами, комплаенсу) на ранних этапах процесса, чтобы получить разнообразный набор отзывов, которые помогут вам принять обоснованное решение о продукте. И обязательно повторяйте это по мере поступления новой информации.

#7 Решение проблем по-другому с помощью ИИ

Как менеджеры по продуктам, мы хотим использовать новые платформы и оптимизировать способы решения проблем, однако с задачами, основанными на AI/ML, вам все равно нужно продолжать думать о ценности для клиента(экономия времени, увеличение эффективность, улучшение опыта — функциональное, социальное, финансовое, психологическое)и ценность для бизнеса(сокращение затрат, создание новых потоков доходов, увеличение существующих потоков доходов или повышение операционной эффективности).

Поэтому вместо того, чтобы думать о создании функции на основе ИИ, вам нужно подумать о том, как модель ИИ потенциально может помочь пользователям ускорить время окупаемости или найти повышенная ценностьв их пользовательском опыте — помогите выполнить работу быстрее и эффективнее, откройте новые восхитительные решения проблем, о которых они даже не подозревали, или помогите выполнить работу с меньше умственного напряжения.

Другие мысли -

Два типа ИИ-компаний: (а) создание машинного обучения с нуля и (б) использование/расширение ИИ для создания новых приложений. Уровень технических навыков, необходимых менеджеру по продукту в обоих этих сценариях, различается.
Стадия компании также влияет на то, как работают менеджеры по проектам. В зависимости от стартапа с ограниченным финансированием и крупной корпорации с сильными ресурсами управление продуктом также различается в зависимости от степени риска, с которым могут работать менеджеры по проектам. .
Доверие к ИИ низкое; но отдача многократна — компании, играющие в долгую игру (многолетнюю), не ожидая краткосрочной отдачи, могут просто выиграть гонку ИИ. Следовательно, менеджеры по проектам должны думать о долгосрочной перспективе и убеждать руководство в том же.
Риск/усилия. Большинство внешних неожиданных побед связаны с ИИ, но это занимает много времени и сопряжено с риском.
Лес и деревья — хорошие менеджеры по проектам будут рассматривать общую картину, а также детали (макро- и микро) ; они могут легко соединять точки между лесами и деревьями.
Никаких стандартных сценариев — как продакт-менеджеры, используйте свои сильные стороны, поскольку компаниям нужны люди с разными талантами и способные представлять разные точки зрения в гонке за ИИ.
Когда НЕЛЬЗЯ использовать ИИ и МО — подумайте, когда инвестировать, и убедите, как инвестировать в ИИ/МО.
Устранение предвзятости в данных — проактивный мониторинг данных и результатов; учет существующих пользователей, имеющих предвзятость в первую очередь; ничего не принимайте как должное; задавайте вопросы, будьте активны.
Проверка точности рекомендаций по машинному обучению — обдумывание всех способов, которыми кто-то может испортить вам результаты, тестирование перед выпуском, чтобы стать более уверенным, получение отзывов от пользователей (палец вверх, вниз); настроить бета-клиентов и предоставить им для итерации.

В целом, продакт-менеджеру в области искусственного интеллекта по-прежнему необходимо пройти через традиционный жизненный цикл управления продуктом — определить проблемную область пользователя, выстроить вокруг нее что/почему/кто/как, работать с проектированием и дизайном, чтобы найти наименее устойчивый опыт для решения проблемы. пользователь и многое другое. Тем не менее, работая с ИИ, вы, как менеджер по проектам, также должны помогать своим командам по науке о данных и инженерам определять правильные модели ИИ для решения задачи, помогать находить и обучать данные, относящиеся к предметной области, помогать выполнять итерации на выходе модели (моделей). , сгладьте крайние случаи, гипертестируйте и подтвердите опыт и просто будьте готовы столкнуться и взломать сложности, которые подходят для такой инновационной экосистемы.

Надеюсь, эта статья развеет тайну вашего знакомства с ИИ в качестве менеджера по продукту. Оставьте комментарий, если у вас есть какие-либо другие идеи, которые я пропустил здесь!