Лидер в области искусственного интеллекта будет править миром

Не секрет, что машинное обучение (ML) захватывает мир, и вполне вероятно, что большинство продуктов, которые вы используете каждый день, основаны на алгоритмах машинного обучения. В недавнем отчете Crunchbase говорится, что 8705 стартапов и компаний используют машинное обучение для своих основных приложений, продуктов и услуг. Еще в 2017 году стоимость мирового рынка машинного обучения оценивалась примерно в 1,58 миллиарда долларов. К 2024 году аналитики прогнозируют стоимость в 20,83 млрд долларов.

Индустрия цифрового программного обеспечения переписывается машинным обучением, и поэтому ключевым игрокам отрасли придется адаптироваться. Этот блог будет посвящен менеджерам по продукту и тому, как им нужно приспосабливаться к меняющимся ветрам.

Если вы спросите человека, который не изучал науку о данных, что приходит на ум, когда он слышит «Машинное обучение», он может ответить «ИИ». Хотя они, безусловно, связаны, важно проводить различие между ними. Искусственный интеллект - это более широкий термин, относящийся к «умнее» компьютеров. ML более определен в своем определении; это процесс использования исторических данных, позволяющий машине обучаться и адаптироваться к будущим стимулам.

Машинное обучение - это непрерывный процесс сбора данных, их структурирования, классификации в пригодное для использования состояние и прогона через ряд алгоритмов, которые позволяют модели улучшать себя. Этот процесс очень похож на то, как люди учатся и адаптируются. На самом деле, это очень важно помнить. Когда вы задаетесь вопросом, можно ли применить машинное обучение к решаемой проблеме, спросите себя: «Если бы у меня было бесконечное количество времени для анализа этой проблемы, смог бы я в конечном итоге отточить шаблон?» В таком случае ML - отличный вариант.

Машинное обучение и менеджеры по продукту

Чтобы идти в ногу с быстрым ростом машинного обучения, менеджеры по продуктам должны оставаться в курсе, чтобы оставаться актуальными в цифровой индустрии. Если менеджер проекта стремится работать над продуктом, в значительной степени основанным на данных и машинном обучении, ему необходимо добавить базовые статистические знания в свой репертуар. Кроме того, им потребуются знания и опыт в отношении того, на что способны адаптивные программные системы. Помните - если человек может достичь этого за бесконечное время, модель машинного обучения ему подойдет.

В дополнение к обычным навыкам, необходимым для менеджера по продукту, я хочу выделить следующие вещи, которые особенно важны для PM, работающего над данными или продуктом машинного обучения:

  1. Понимание данных. Менеджеры по работе с клиентами должны будут знать достаточно о том, как хранятся данные, как их можно использовать и что находится в пределах разумных возможностей для их приложений. Структурированные и неструктурированные данные. Обучение с учителем и обучение без учителя. Объем данных, необходимых для моделей, варьируется от логистической регрессии до сложной нейронной сети.
  2. Связь. Это не проблема для любого PM. Однако это особенно важно для PM, работающего над информационным продуктом. Им нужно будет уметь кратко объяснить заинтересованным сторонам и руководству любые проблемы и препятствия, связанные с данными. Им также нужно будет помочь техническим писателям в составлении руководства по продукту.
  3. Показатели успеха. Продукт машинного обучения никогда не бывает идеальным, и по своей природе его невероятно сложно изучить внутренние механизмы. На обучение уходит разное количество времени и есть несколько показателей, на которые нужно обратить внимание для достижения успеха. Ложные срабатывания хуже ложноотрицательных? С какой скоростью должна улучшаться модель по мере сбора большего количества данных? Ключевые показатели эффективности должны быть установлены заранее для процесса разработки продукта машинного обучения, а также для анализа результатов.
  4. Сопоставление. Как было сказано несколько раз выше, PM необходимо понимать соответствующие приложения моделирования машинного обучения. Это не волшебство, которое решит любую бизнес-задачу. Менеджер проекта должен иметь интуитивное представление о возможных приложениях машинного обучения.

Некоторые заключительные замечания

Прежде чем закончить этот блог, я хотел бы записать несколько заключительных советов по использованию машинного обучения для менеджеров по продукту.

Изучите основы машинного обучения

Прочтите книгу, посмотрите сериал на YouTube или пройдите курс по Udemy. Не потребуется много времени, чтобы выучить достаточно, чтобы знать правильные вопросы, которые нужно задавать, и понять, как и когда можно использовать машинное обучение.

Понять ценность ML

В некоторых случаях ML может улучшить взаимодействие с пользователем. Подумайте о системах рекомендаций Netflix или YouTube и о том, как вы приятно удивлены, увидев что-то интересное прямо на своей домашней странице.

Может ли машинное обучение сделать работу пользователя проще и удобнее? Подумайте об использовании интеллектуального текста в Excel или Gmail. Я знаю, что нажимал кнопку «Tab» много раз, чтобы позволить одному из этих приложений закончить мои мысли за меня.

Поймите, когда отказаться от машинного обучения

У вас, как у премьер-министра, может быть видение. Но вам понадобится команда обученных инженеров по машинному обучению и инженеров по обработке данных, чтобы убедиться, что у вас есть данные хорошего качества, подходящие для приложения машинного обучения.

И даже в этом случае, если вы заметили, что повторяющиеся результаты процесса моделирования не дают результатов, которые добавляют какую-либо ценность, вам нужно будет знать, когда отключиться и попробовать что-то новое.

Вам нужно будет справиться с неопределенностью

Машинное обучение находится в авангарде технологий, и, естественно, лидеры этих продуктов столкнутся с сомнениями, основанными на неоднозначных целях. Научитесь оправдывать, почему дорогостоящий проект с неопределенным успехом иногда стоит затраченных усилий.

Научитесь устанавливать подходящие таймфреймы. Как человек, который в прошлом разрабатывал модели машинного обучения, поверьте мне, когда я говорю, что модель всегда можно улучшить, потратив больше времени и усилий. Вам необходимо научиться находить компромисс между тем, чтобы потратить время на лучшую модель и модель, готовую к запуску в производство.

ML - это модное слово, и заинтересованные стороны всегда возлагают большие надежды на все, что связано с ML. Узнайте, как управлять этими ожиданиями.

При этом всегда имейте план Б. Это может быть модель, основанная на более простом алгоритме, или, может быть, это план, который полностью отказывается от машинного обучения. Знайте, когда это нужно прекратить.

Мне понравилось писать это, и я считаю, что это помогло мне лучше понять роль машинного обучения в управлении продуктами. Я надеюсь, что все читатели найдут хоть что-то непреходящее значение, которое поможет обогатить свою карьеру!