В своей роли консультанта по продуктам в глобальном акселераторе я столкнулся со многими идеями продуктов в различных отраслях, таких как Fintech, MarTech, Cyber ​​Security, Advanced Manufacturing, Health Care и Construction. Наша компания была отраслевой агностикой, и единственное поручение заключалось в том, чтобы сосредоточиться на стартапах, ориентированных на технологии, а это означает, что стартапам нужны технологии как отличительная черта, которая отличает их от конкурентов. Хотя изначально мы не фокусировались на ИИ, было интересно узнать, что ИИ стал общей темой среди наших стартапов.

В наши дни ИИ становится повсеместным среди стартапов. CB Insights сообщила, что инвестиции в ИИ в 2019 году почти утроились по сравнению с тремя годами ранее, увеличившись на 22% в год. Стартапам практически приходится включать ИИ в свои презентации, чтобы получить второй взгляд со стороны венчурных компаний. Сами венчурные фонды используют ИИ для анализа потенциальных инвестиций, и Gartner прогнозирует, что к 2025 году более 75% венчурного капитала будут использовать ИИ в качестве первого экрана для принятия инвестиционных решений на ранних стадиях.

ИИ не зависит от отрасли и, вероятно, проникнет во все отрасли. Точно так же, как оцифровка была модным словом в последние 10 лет, трансформация ИИ станет общим термином на каждой корпоративной встрече и в разговоре о такси. По данным McKinsey (рис. 1), многие отрасли стали сильно цифровизированными. Уровень цифровизации значительно вырос из-за COVID, и многие отрасли завершили свою цифровую трансформацию. По мере того, как все больше и больше процессов оцифровываются, растет и объем собираемых данных. Корпорации неизбежно встанут перед вопросом, что делать с этими данными. Те, кто выживет, будут использовать эти данные для получения ценной информации, автоматизации ключевых процессов и повышения качества обслуживания клиентов.

Рисунок 1 — Уровень цифровизации по отраслям в 2015 г. по McKinsey

Возникнет несколько вопросов: кто должен управлять этим процессом? Могут ли традиционные продакт-менеджеры управлять решениями ИИ? С чего начать?

Продакт-менеджер ИИ — не совсем понятная роль в Австралии. Но в Калифорнии (полагаю, что большинство поисковых запросов приходится на Силиконовую долину) интерес к этой области растет.

Рис. 2. Поиск Google по запросу AI Product Manager в Калифорнии.

Остается вопрос, нужен ли вам AI Product Manager?

Конечно, между традиционным менеджером по продукту и менеджером по продукту с искусственным интеллектом есть много различий, например, различия в процессах, инструментах повышения производительности, командном менталитете и затратах. Ниже я перечислил четыре причины, по которым любая компания, серьезно рассматривающая решения в области ИИ, будет рассматривать менеджеров по продуктам ИИ, которые занимаются продуктами ИИ.

Возможности ИИ

Вопреки распространенному мнению, ИИ не может делать все, по крайней мере, пока. Требуется определенный уровень понимания ИИ и того, как он работает, чтобы определить проблемы, которые ИИ может решить. В то время как ИИ может решать определенные проблемы, другие требуют участия человека в цикле или все же лучше, чтобы они решались полностью людьми.

Обладая таким пониманием, менеджер по продуктам ИИ может просматривать всю организацию и общаться с клиентами, чтобы определять возможности автоматизации или улучшать качество обслуживания клиентов.

На первый взгляд это может показаться довольно простым, пока вы не поймете, что ИИ быстро развивается. Закон Мура гласит, что скорость процессора удваивается каждые два года, но вычислительная мощность ИИ удваивается примерно каждые шесть месяцев, или примерно в четыре раза быстрее, чем закон Мура. Стэнфордский университет обнаружил, что классификация изображений на основе ИИ, на обучение которой в 2017 году ушло 13 дней и 2323 доллара, сократилась до нескольких секунд и стоила немногим более 12 долларов в сентябре 2018 года.

Компании потребуется кто-то, кто будет постоянно следить за быстро меняющимися возможностями ИИ и решать, может ли решение ИИ, которое было невозможно шесть месяцев назад, решить внутреннюю или внешнюю проблему.

Продукты ИИ также могут быть адаптированы для отдельных пользователей, чтобы обеспечить персонализированный клиентский опыт. Традиционные менеджеры по продуктам обычно работают с личностью пользователя и определяют один продукт, который наиболее подходит для удовлетворения требований группы пользователей. Это коренным образом меняет концепцию продуктов, и продакт-менеджеру необходимо понимать, как работает ИИ, чтобы разрабатывать подходящие решения, например, объявления Google, рекомендующие релевантную рекламу после анализа вашего профиля пользователя и истории поиска (именно поэтому вся эта спортивная реклама появляется после вы ищете кроссовки)

Эксперимент против сборки

Решения ИИ по своей природе непредсказуемы и могут потребовать нескольких быстрых экспериментов, прежде чем они будут готовы к развертыванию. Традиционно менеджеры по продукту тратят много времени на определение требований к решению и на то, чтобы команда инженеров создала продукт. Менеджер продукта ИИ должен определить проблему, которую ИИ может решить, и работать вместе с командой Data Science над поиском решения.

У людей разные (иногда нереалистичные) ожидания от продуктов ИИ. Традиционно ожидается, что продукты «просто работают», поскольку процессы определяются бизнес-логикой. Однако поиск решения ИИ — это интерактивный процесс, и с каждой итерацией вы можете становиться лучше или приближаться к базовым ожиданиям.

Например, фабрика может захотеть внедрить решение для компьютерного зрения. Владелец может ожидать, что модель обнаружит дефекты со 100% точностью. Но есть много ограничивающих факторов, делающих это ожидание нереалистичным (например, условия освещения, качество камеры, определение дефекта). Менеджер по продукту ИИ должен будет быстро установить базовые ожидания — производительность на уровне человека или другие подобные модели — и работать в интерактивном режиме, чтобы приблизиться к этому базовому уровню или превзойти его.

Одна из проблем с экспериментами с ИИ заключается в том, что компания не может просто ожидать, что команда Data Science разработает решения, которые улучшат рост компании. Команда Data Science хороша в интерактивном улучшении показателей машинного обучения, но нет гарантии, что эта модель улучшит бизнес-показатели. Менеджеры по продуктам с искусственным интеллектом должны сбалансировать критические бизнес-показатели и связать их с показателями машинного обучения, чтобы команда Data Science могла их улучшить.

Рисунок 3 — Бизнес-метрики для метрик машинного обучения

Соответствие и этика

ИИ поднимает совершенно новый набор нормативных и этических вопросов, а текущие правила и стандарты просто играют в догонялки. Например, машины не способны решить, должен ли автомобиль врезаться в кошку или в человека. Менеджеры по продуктам ИИ должны следить за соответствующими нормативными актами и воздействием решений ИИ на окружающую среду, чтобы гарантировать, что компания не нарушает никаких правил или кодексов.

Другая проблема заключается в том, что многие алгоритмы глубокого обучения являются черными ящиками и могут быть проблемой. Например, я знаю финансовое учреждение, которое отказалось внедрить модель ИИ в таблицу Excel, потому что таблица Excel была более простой, а процесс принятия решений — более прозрачным. Сообщество ИИ в целом стремится сделать модели более прозрачными, и менеджер продукта ИИ должен знать об этих коммерческих проблемах и предлагать решение.

Решения о покупке/строительстве/аренде/инвестировании

Наконец, менеджер по продуктам ИИ может консультировать по решениям о покупке/строительстве/аренде/инвестировании возможностей ИИ. Они не только лучше знакомы со скрытыми затратами на создание конкретного решения ИИ, но также лучше осведомлены о готовых решениях и о том, как их можно использовать для сокращения стоимости и времени вывода решения ИИ на рынок. Кроме того, менеджер продукта ИИ будет лучше понимать решение ИИ, которое компания покупает или в которое инвестирует.

Заключение

Роль продакт-менеджеров ИИ в настоящее время недостаточно хорошо изучена, особенно в Австралии, но ожидается, что их потребность резко возрастет по мере того, как ИИ станет повсеместным. Любая компания, рассматривающая возможность включения ИИ в свою стратегию, должна серьезно рассмотреть вопрос о назначении менеджера продукта ИИ, который может посвятить свое время мониторингу меняющегося ландшафта ИИ и эффективному управлению решениями продуктов ИИ.