AI Product Manager – zawód przyszłości czy chwilowa moda? | BJMP #7

Z tego podcastu dowiesz się:

  • Czym różni się klasyczne zarządzanie od zarządzania produktem AI
  • Skąd wzięła się rola AI product managera i w jakich firmach ją spotkasz
  • Jak bardzo sztuczna inteligencja wpłynie na światową gospodarkę
  • Co Jeff Bezos myśli o uczeniu maszynowym
  • Jakie są 4 zasady dobrego AI managementu
  • Dlaczego produkt ze sztuczną inteligencją wymaga od ciebie innej strategii
  • Czy każdy problem można rozwiązać z pomocą AI lub ML
  • W jakim stopniu AI product manager musi zarządzać danymi
  • Co oznacza skrót APM
  • Które umiejętności techniczne powinien posiadać AI product manager 
  • Jak budować MVP dla produktów AI i ML
  • Czego potrzebuje organizacja, żeby rozwijać produkty AI
  • Jakie są 3 najważniejsze umiejętności AI product managera

Małe sprostowanie:

Już po publikacji materiału zauważyłem, że w trakcie nagrania podałem złą nazwę filmu na Netflix, który polecam jako dobrą lekturę o etyce biznesowej w czasie wdrażania algorytmów. W treści polecam bowiem film “Social Network”, a w rzeczywistości miałem na myśli film pt. “Dylemat Społeczny”. Co nie zmienia faktu, że “Social Network” o początkach Facebooka także jest ciekawą pozycją filmową 😉 Bardzo przepraszam za tę małą pomyłkę.

Materiały dodatkowe

Polecam przyjrzeć się z bliska kursom na Udemy, które mi pomogły jeszcze lepiej zrozumieć temat samego AI i ML:

  1. Machine Learning A-Z™: Hands-On Python & R In Data Science
  2. The Product Management for AI & Data Science Course 2021

Zachęcam Ciebie również do obejrzenia poniższego filmu, który w dość prostu sposób wyjaśnia różnicę pomiędzy AI, ML oraz DL:

Transkrypcja

Być Jak Manager Podcast, epizod 7. 

Dzień dobry. Uczenie maszynowe – machine learning, w skrócie ML. Sztuczna inteligencja – artificial intelligence, w skrócie AI. To są pojęcia, które jako product, ale także project manager w branży technologicznej, znać musisz i zakładam, że na pewno już słyszałeś te pojęcia, ponieważ ten tzw. AI albo ML zaczynają nas otaczać zewsząd, z każdej strony. I są to pojęcia, które trendują, mam na myśli to, że stają cię coraz bardziej popularne, z roku na rok. Jest taki hype na sztuczną inteligencję, na uczenie maszynowe, także na deep learning. 

Natomiast ja nie chcę dzisiaj brać na warsztat jako tako tego AI lub ML. Chcę się skupić przede wszystkim na warstwie kierowniczej, na warstwie menadżerskiej, czyli jak zarządzać produktami AI albo produktami ML, gdy występujesz w firmie z pozycji product managera lub występujesz w roli np. product ownera, który został przypisany do produktu, który opiera się na AI albo ML. Pomyślałem, że dziś będzie to nieco szybszy podcast niż większość moich podcastów, głównie dlatego, że od części z was dostaję takie protipy, żeby nieco kondensować swoją wiedzę i spróbować ją przedstawiać bardziej w pigułce, co też spróbuję uczynić. 

Na wstępie wydaje mi się, że warto zaznaczyć, że AI Product Manager, a to jest pojęcie, które będzie nas szczególnie interesować w dzisiejszym epizodzie. To jest pojęcie nie tylko trendujące, ale także nie ukształtowane jeszcze w branży technologicznej. Nie do końca wiadomo, nie do końca łatwo jest w kilku słowach opisać te role. Wiemy, że taka rola powoli zaczyna się kształtować, ponieważ coraz więcej, przede wszystkim tych dużych, globalnych firm IT jak Google, Amazon, LinkedIn, Tesla, te brandy coraz częściej w swoich ogłoszeniach o pracę, umieszczają właśnie taki termin – AI Product Manager. 

I czym tak naprawdę taki product manager, różni się od takiego klasycznego product managera, który zarządza klasycznym produktem, tudzież usługą technologiczną? Dziś spróbuję rozwiać wątpliwości w tej kwestii. Oczywiście chcę zaznaczyć, że definicja tej roli, na pewno będzie się zmieniać w czasie, ponieważ jak to było na samym początku z całą branżą informatyczną, ze wszystkimi programistami, stanowiskami jakie się pojawiały w firmach informatycznych, tak wydaje mi się, także ta rola wymaga czasu, tego, żeby dojrzała i żebyśmy z biegiem najbliższych lat, wszyscy rozumieli tę rolę podobnie. Zanim jeszcze się odpalę, to oczywiście ogromne dzięki. Jeżeli drogi słuchaczu, śledzisz mnie na mediach społecznościowych lub zostawisz komentarz pod tym podcastem albo zostawiłeś już komentarze pod poprzednimi podcastami, to serdeczne dzięki, ponieważ ja odpalając ten podcast, nigdy nie chciałem być jedynym odbiorcą własnej twórczości. A jeżeli dociera do mnie, że nie jestem jedynym odbiorcą własnej twórczości, ponieważ także ty tego słuchasz, to jest mi niewiarygodnie przyjemnie i jestem niewiarygodnie wdzięczny za to, że to co ja robię, jest albo wydaje się na tyle interesujące, że także ty poświęcasz swój bezcenny czas, żeby tego wysłuchać i żeby skonsumować tę wiedzę albo opinie jakie głoszę za pośrednictwem mikrofonu. Oczywiście zachęcam do zostawiania komentarzy, zachęcam także do wysyłania mi wiadomości prywatnych.

 Ja, jeżeli tylko czas na to pozwala, to staram się jak najlepiej odpowiadać na zapytania w prywatnych wiadomościach. Nie zawsze mam na to czas, z góry przepraszam, jeśli pozostawię twoje pytanie bez odpowiedzi, ale na tym trochę polega życie, zwłaszcza, gdy ktoś podchodzi ambicjonalnie do swojej pracy, że tego czasu po prostu czasem brakuje. Fundamentalny statement na sam początek, bo zaczynamy już właściwy temat. 

Tak naprawdę AI Product Manager, dla tych produktów związanych właśnie ze sztuczną inteligencją albo z uczeniem maszynowym, robi dokładnie to samo co tradycyjny product manager, ale znacznie, znacznie więcej. Jeżeli nie do końca jest dla ciebie jasne, czym tak naprawdę zajmuje się taki klasyczny product manager, to odsyłam do któregoś z moich pierwszych podcastów, gdzie opowiadałem, czym zajmuje się taki tradycyjny PM. Zachęcam do wskoczenia na tamten podcast. Ja dzisiaj będę mówił o tej roli związanej z AI. I za tę ekstra pracę, czyli za to co ponadto musi robić AI Product Manager w stosunku do zwykłego product managera, ja uznaję, ale też już środowiskowo uznawane jest przede wszystkim takie operacyjne rozumienie tego czym jest uczenie maszynowe, jak się wytwarza software bazujący na uczeniu maszynowym i jakie są tak naprawdę ograniczenia, ale także możliwości, jeśli budujesz produkt w oparciu o AI albo machine learning. AI Product Manager, po prostu musi to rozumieć. 

I teraz może jedna liczba na początek, bo liczby zawsze robią dobrą robotę i to w czasie prezentacji, i przede wszystkim są takim fajnym wytrychem, do otwarcia dyskusji. Szacuje się, że do 2030 roku, wykorzystanie uczenia maszynowego, tudzież tzw. sztucznej inteligencji, zboostuje lokalne ekonomie na całym świecie o 26%, co przełoży się oczywiście na mega boost, takiej szerokopojętej globalnej ekonomii i że wkład powiedzmy finansowy, ta wartość finansowa tych wszystkich produktów, tudzież usług z wykorzystaniem AI, osiągnie wartość prawie 16 trylionów dolarów. To jest ogromna skala. I te liczby mówią, że mamy tutaj ruch w kierunku AI, który nie jest tylko tymczasową lokalną zajawką kilku bardziej kasiastych przedsiębiorców. Nie. To jest globalny trend, który trenduje nieodwracalnie. 

Ustalmy na początku może kilka definicji. Przede wszystkim, jeżeli będę mówił tradycyjny software albo klasyczne oprogramowanie, to będę miał na myśli te produkty, w których nie wykorzystuje się uczenia maszynowego ani AI. Natomiast, jeżeli będę mówił AI product albo ML product, no to oczywiście chodzi o produkty, gdzie te rzeczy wykorzystujemy. Oczywiście jest to bardzo uproszczona definicja, ponieważ wiemy, że tradycyjne klasyczne oprogramowanie, nijak nie powinno kojarzyć się z czymś łatwiejszym albo prostszym, bo to wcale nie musi być prostsze. Ale pewne rezultaty, jakie możemy osiągnąć budując tradycyjne oprogramowanie. Możemy je osiągać w nieco prostszy sposób. Ja podam tobie przykład. Załóżmy, że mamy ecommercową stronę i programista pisze kod, aby dodać do strony przycisk „dodaj do koszyka”. Taki prosty przycisk, wybierasz produkt i klikasz „add to card” na przykład. No i my wiemy co się wydarzy, gdy zakodujemy, że użytkownik po kliknięciu tego przycisku, w sensie jego wybrany produkt, ma trafić do koszyka. 

Natomiast w przypadku produktów AI, no tutaj wynik końcowy jakby naszego działania, nie jest już taki oczywisty. I to jest definicja, którą ustalmy już na samym początku. Cytat z Jeffa Bezosa, nasuwa mi się na myśl. Jeff Bezos, cytuję z pamięci, mam nadzieję, że w miarę dokładnie, powiedział, że jeśli robisz rzeczy, jeśli robicie, w sensie organizacji, jeśli robicie rzeczy, gdzie znacie odpowiedź na swoje akcje od samego początku, prawdopodobnie twoja firma idzie w złym kierunku. Ja myślę, że Jeff Bezos chciał zakomunikować, że jeśli będziemy próbowali tworzyć produkty AI i będziemy definiować jaki ma być rezultat naszych prac już na samym początku, to jesteśmy w błędzie. Ja sobie rozdzieliłem na takie cztery pryncypia, sposób myślenia, którego warto się nauczyć, gdy chcemy zarządzać produktem AI. Mnie na przykład, kiedy trafiłem do klienta, gdzie musiałem jakby przyjąć na klatę wymagania biznesowe, które opierały się o wykorzystanie właśnie machine learning, uczenia maszynowego i AI, ja musiałem takie cztery wytrychy przekręcić w swojej głowie, żeby mieć lepsze podejście, łatwiejsze i żeby lepiej rozumieć, jak pracować w ogóle nad takim produktem. I pierwszym takim pryncypjem jest to, że należy pamiętać, że budowanie produktu z wykorzystaniem AI, nie jest tak prostolinijne, nie jest tak łatwe jak budowanie produktów, gdzie nie wykorzystujemy AI. To jakby warto sobie zakodować. 

Drugie pryncypje, pamiętajmy, że produkty, które wymagają wykorzystania AI, uczenia maszynowego, to są także produkty, które wymagają innej strategii biznesowej. Jako produktowiec, będziesz odpowiadać za stworzenie także strategii dla produktu, więc nie można tego porównywać, do rozwijania klasycznych produktów. Ta strategia musi być inna, głównie dlatego, że natura uczenia maszynowego jest po prostu inna. Trzecie pryncypje to – pamiętaj, że uczenie maszynowe zawsze doda dużą skalę niepewności i tego, że możesz uzyskać zupełnie inne rezultaty niż te, które sobie założysz na początku. Tak że ten margines, powiedzielibyśmy margines błędu w klasycznym oprogramowaniu, ten margines błędu, margines niewiadomej, jest znacznie, znacznie większy, właśnie w przypadku budowania produktów AI. I czwarte pryncypje, o którym wydaje mi się część menadżerów zapomina i źle edukuje biznesy w tym kontekście, obiecując zarządom, że AI będzie rozwiązaniem ich wszystkich problemów. No niestety tak nie jest, ponieważ nie każdy problem może być rozwiązany, poprzez implementację AI albo uczenia maszynowego. Tyle słowem wstępu. 

Wjedźmy już teraz głębiej w rolę AI Product Managera. A żeby nam było łatwiej zrozumieć tę rolę, to ja tylko przypomnę, w jakich trzech takich głównych obszarach, porusza się klasyczny product manager, dobrze już znany branży od wielu, wielu lat. Pierwszym obszarem jest przede wszystkim product design. Oczywiście produktowiec nie jest product designerem, nie siedzi w Figmie ani w Sketchu i nie projektuje tych produktów. Natomiast odpowiada za dostarczenie wartościowego wizualnie interfejsu produktu, z którego będą korzystać użytkownicy. Zawsze jest jakiś użytkownik, więc design tej aplikacji tudzież oprogramowania, jest niezwykle ważny. Drugim obszarem jest oczywiście biznes. To wszystko musi się spiąć biznesowo. Możemy narysować piękny produkt, ale on musi na siebie zarabiać. I trzecim takim obszarem są oczywiście technologie. I tutaj też product manager jest raczej takim hubem komunikacyjnym pomiędzy tymi obszarami, ponieważ nie świadczy usług koderskich, programistycznych, nie pisze kodu, nie zajmuje się designem, ale ma w swoim zespole ludzi, którzy się specjalizują w tych obszarach. 

W obszarze technologicznym są to programiści i inżynierowie. W biznesie są to np. świetni marketerzy, tudzież sprzedawcy. W designie są to najczęściej rewelacyjni UX/UI designerzy. Product manager odpowiada całościowo za te trzy obszary. A teraz, kiedy bierzemy na warsztat AI Product Mangera, dochodzi nam jeszcze czwarty obszar, który nie pojawiał się wcześniej w tym zakresie kompetencji product managerskich. I tym czwartym obszarem jest data – to są dane. Ponieważ i machine learning, i artificial inteligencje, niezależnie jaką technologię wybierzemy, jeżeli to jest ta techonolgia inteligentna, związana właśnie z uczeniem maszynowym, tudzież deep learningiem, dane, dane i jeszcze raz dane. Będziemy jeszcze powracać do tego wątku danych. Na ten moment zapamiętaj proszę, że czwartym obszarem, w którym porusza się AI Product Management, w przeciwieństwie do klasycznego produktowca, to dane, ich pozyskiwanie, konsumowanie, generowanie itd. No i teraz jest tzw. APM. Spotkasz się prędzej czy później z takim skrótem. APM, czyli AI Product Manager. Ja z tego skrótu też będę korzystał, bo czasem jest po prostu szybciej. 

Jakie są podstawowe kompetencje takiego APM? Przede wszystkim to zrozumienie, jakie dane posiada organizacja, jakie dane wchodzą do firmy, do organizacji, tudzież produktu, a jakie dane z tej organizacji, z tego produktu wychodzą. Taki APM to dobrze by było, żeby potrafił przeprowadzać swoje bardziej zaawansowane analizy niż klasyczny PM. Np. uruchamianie w bazie MySQL swoich query, tworzenie swoich metryk, budowanie dashboardów, które pomogą mu w analizach danych. To są takie bardziej techniczne umiejętności, o których spokojnie może zapomnieć klasyczny PM. Natomiast jeżeli masz ambicje, a wydaje mi się, że większość produktowców teraz będzie miało ambicje, żeby rozwijać się w tym kierunku, bo trend jest bardzo, bardzo wzrostowy, każdy APM, prędzej czy później będzie musiał w takie technikalia wejść. I taki APM także codziennie zadaje sobie dwa podstawowe pytania. Pierwszym pytaniem jest to, jak dane, które są potrzebne do np. wytworzenia silników rekomendacji, jak te dane będą przede wszystkim zbierane, jak będą generowane i jak będą konsumowane wewnątrz produktu, wewnątrz usługi. I także zadaję sobie każdego dnia pytanie, jak AI albo uczenie maszynowe, wpłynie na nasz produkt, żeby ten produkt zajął unikalną pozycję na rynku? Jak wygrać rynek, za pośrednictwem AI albo uczenia maszynowego? To są dwa pytania, które taki APM powinien sobie zadawać. 

Skąd w ogóle ta rola APM do nas przyszła? 6 prostych przykładów. Departament Google Search, czyli departament Google odpowiadający za search. Tam zaszczepianie AI dzieje się już od lat. Google Photos. Tak samo Apple Photos, czy tam iPhotos. Tesla, na stronach Tesli od czasu do czasu też możemy spotkać ogłoszenia o poszukiwaniu product managerów tudzież project managerów, ukierunkowanych w stronę AI. Alexa, ale też Amazon Recomendations albo Stitch Fix. Stitch Fix to jest taki website, który customowo dobiera dla ciebie ubrania, które potencjalnie na pewno ci się spodobają, trafią w twój gust i będą do ciebie pasować. Też bardzo fajny przykład wykorzystania uczenia maszynowego w branży ecommerce. Jak taki product manager, powinien dillować sesjami planingowymi? Są takie trzy rzeczy, które warto wspomnieć. Przede wszystkim musisz pamiętać, że nie będziesz mógł znaleźć żadnych benchmarków w Internecie. Ciężko będzie znaleźć inny produkt podobny do twojego, który np. już wykorzystał taką technologię. A to z prostej przyczyny, ponieważ jest niemalże niemożliwe, ja zakładam 99,9% prawdopodobieństwa, że nie istnieją dwa takie same systemy, gdzie ta training data, czyli te dane wykorzystane do uczenia maszynowego oraz algorytmy zaimplementowane w tej aplikacji, będą takie same. Nie ma dwóch takich samych, cholera, to jest po prostu niemożliwe. 

Druga rzecz, o której warto pamiętać to to, że estymowanie prac nad takim produktem wspólnie z zespołem, nie musi być super ciężkie, ale tylko, jeśli będziemy pamiętać, że AI product, nigdy nie będzie się zachowywał tak jak tradycyjne oprogramowanie, pamiętajmy o tym. I trzecia rzecz, którą również musiałem w sobie zaszczepić, o której muszę pamiętać każdego dnia, gdy pracuję nad produktem AI ze swoim zespołem, najlepsza możliwa strategia w większości przypadków, to zrobić w pierwszej kolejności najprostszą rzecz, która może potencjalnie działać. Co się za tym kryje? Nigdy nie rozpoczynać pracy z jakąś kompleksową, złożoną strukturą danych. Zapomnijmy o tym. Prościej, znaczy lepiej. I czasem taka prosta regresja w projekcie, może być tak naprawdę wszystkim czego potrzebujemy, żeby odpalić produkt albo projekt. Być może nie potrzebujemy tego AI od samego początku. Trzecia rzecz to czasem taki prosty model uczenia danych, prosty silnik rekomendacyjny, może być tak naprawdę wszystkim czego potrzebujemy. Ja wiem, że bardzo wiele zarządów, także menadżerów, lubi bujać w obłokach, do czego to nie wykorzysta tę sztuczną inteligencję itd. Ale słuchajcie, szczerze chodzi o to, żeby upraszczać. Upraszczać, upraszczać i jeszcze raz upraszczać. Jest taki człowiek, nazywa się Andrew Ng. To jest profesor Uniwersytetu Stanford i to jest dość popularna postać w tym rodzącym się na naszych oczach świecie sztucznej inteligencji, ponieważ ten profesor Andrew, on powiedział bardzo fajną rzecz, że nie istnieje tak naprawdę ustalony, ustandaryzowany proces przepływu pracy dla product managerów, którzy budują aplikacje AI dla przedsiębiorstw. I ja się z tymi słowami zgadzam. Nie ma jeszcze standardów, to wszystko jest jeszcze in progress. 

Aczkolwiek powiem wam, że jak przygotowywałem się do dzisiejszego podcastu, a nie chciałem bazować tylko na moim doświadczeniu, dlatego szukałem innych opinii w Internecie, żeby porównać czyjeś doświadczenia do swoich doświadczeń, to powoli, powoli gdzieś tam te standardy można jednak znaleźć. Jako AI Product Manager będziesz miał lub już masz, jeżeli już realizujesz się w tej roli, ogromny wpływ na środowisko pracy, w którym jesteś. W sensie w ogóle menadżerowie wyższego szczebla, nawet średniego szczebla, mają bezpośredni wpływ na atmosferę i struktury w firmie. Więc warto żebyś wiedział, czego potrzebuje firma, żeby dostarczyć usługi AI, rozwiązania z wykorzystaniem machine learningu. Ja zaznaczyłem tylko 3 najważniejsze rzeczy według mnie. To są takie prewymagania, czyli wymagania, zanim pojawią się prawdziwe wymagania, co do produktu, które organizacja musi spełnić, żeby te prace poszły po prostu lepiej. Przede wszystkim to organizacja powinna być przygotowana na to, a także zdolna do tego, żeby podejmować decyzje w oparciu o dane analityczne. Nie budować wymagań biznesowych na podstawie tzw. miśków i tego, że komuś się coś wydaje albo ktoś ma doświadczenie, że coś powinno działać tak a nie inaczej, więc tak zróbmy. Nie, to jakby nie bawimy się w to. Organizacja powinna dojrzeć do tego, że analizujemy dane, a następnie wyciągamy wnioski i wtedy budujemy wymagania biznesowe. I to jest ścieżka, którą podążyły m.in. Google, Facebook albo LinkedIn. Bierzmy przykład z najlepszych. 

Druga rzecz to organizacja powinna być wręcz obsesyjnie zafiksowana, zakręcona na punkcie mierzenia. Ja to nazwałem measurement obsessed approach. I te measurement obsessed approach, to jest naprawdę maksymalny fokus na to, żeby mierzyć wszystko, co tylko jesteśmy w stanie zmierzyć. Bo dzięki temu, że będziemy mierzyć, będziemy mieć więcej danych. Więcej danych oznacza – tu przechodzę do trzeciego punktu – ogromna ilość danych i danych, które są, to się mówi label data, etykietowane. Chodzi o to, żeby nie pobierać i nie pozyskiwać tylko samych danych, ale żeby te dane były przyzwoicie opisane. Co to za dane? Skąd są te dane? Do czego służą te dane? Do czego mogą nam się przydać te dane, jak chcemy je skonsumować? Więcej danych oznacza lepszy produkt AI. Brak danych, za pośrednictwem których te uczenie maszynowe może w ogóle zaistnieć, oznacza, że nie rozwiążemy żadnych problemów, wykorzystując np. AI. Potrzebujemy te dane. Jakie są takie essential skills, czyli takie esencjonalne umiejętności, które taki APM powinien posiadać? Ja wypisałem trzy, dwa z nich są znane już z klasycznego product managementu. 

Te znane to jest oczywiście komunikacja. Mi się podoba co też znany w branży człowiek, Ken Norton kiedyś powiedział, że product manager to jest taki klej, który spina wszystkie różne funkcje oraz role, wzdłuż całej organizacji, które rozmawiają ze sobą różnymi językami. Ta komunikacyjna wartość w pracy product managera, występuje wszędzie, w każdej organizacji, niezależnie od stopnia, roli dojrzałości projektu itd. Drugi takie essential skill to jest Andrew Ng. Chodzi o to, żeby product manager zawsze patrzył na pewne puste przestrzenie, które trzeba zagospodarować jakąś pracą produktową. Jakieś potencjalne blokery. Ale także, żeby nauczył się tworzyć specjalne sety testowe, żeby pobierać dane nowe do produktu, po to, żeby zwiększać liczbę tych atrybutów samego produktu. Ja nie chcę teraz wnikać za bardzo głęboko w ten temat, bo dziś chciałem tylko skubnąć przede wszystkim tej roli APM, więc zwinnie przeskakuję do tej trzeciej esencjonalnej umiejętności. Ja ją nazwałem w takiej prezentacji, którą po angielsku robiłem „handle on data”. Za tym się kryje taki wymóg, wydaje mi się, żeby AIPM, miał praktyczne doświadczenie oraz wiedzę, w pracy przede wszystkim z budowaniem modeli, ale także z pozyskiwaniem i analizowaniem właśnie danych, które są wykorzystywane przez chociażby silniki rekomendacyjne. Dane, dane i jeszcze raz dane. Mam dla ciebie na koniec, 6 takich protipów, wydaje mi się, które mnie pomogły w pracy produktowca, gdy pracowałem, zresztą ja wciąż pracuję nad produktem, gdzie wykorzystujemy i silniki rekomendacyjne, i uczenie maszynowe, chociaż nie jestem w 100% wkręcony w ten konkretny obszar, to wierzę, że niezależnie od tego, gdzie wyląduję w przyszłości, ten AI pozostanie ze mną i być może także z tobą już do końca naszych dni. 6 protipów. 

Pierwszy – uwierz w nieprzewidywalność produktu i systemu, który wykorzystuje AI. Mówiąc nieprzewidywalność, mam na myśli, że rezultaty twojej pracy, twojego zespołu, mogą być zupełnie inne od oczekiwanych. Drugi protip – bądź efektywnym translatorem. To będzie wymagać niezwykle dużo wysiłku dla ciebie, żeby wytłumaczyć ludziom nietechnicznym, np. zarządowi, którego rozumienie technologiczne sprowadza się do obsługi kalkulatora i teraz ty będziesz musiał tłumaczyć zarządowi, czym jest uczenie maszynowe i AI, nie używając terminów stricte technicznych, więc radzę poćwiczyć. Właśnie, to jest dobre ćwiczenie. Wiesz, jak ja ćwiczę wystąpienia przed zarządem? Staram się jakiemuś dziecku wytłumaczyć, o co chodzi np. w danym produkcie albo w danej aplikacji. Bo jeżeli dziecko ciebie zrozumie, to zrozumie ciebie także zarząd. Mam nadzieję, że zarządy nie pogniewają się za tę metaforę. To oczywiście tylko pewne ćwiczenie praktyczne. Natomiast to ćwiczenie pomaga tobie wyrobić w sobie umiejętność prostego komunikowania tego co dzieje się w produkcie albo w projekcie. Wręcz łopatologicznego. A dlaczego łopatologicznego? Dlatego, żeby nie zostawiać pola do niedomówień. Protip nr 3 to miej inne podejście do strategii budowania produktu AI niż do produktu klasycznego. Chodzi o to, żeby więcej effortu, wysiłku, czasu, poświęcać na fazę prac przed dojściem do momentu implementacji. Czyli przede wszystkim na eksplorowanie danych, na rozmowy z badaczami, na product discovery chociażby. Im więcej czasu spędzisz ze swoim zespołem, zanim zaczniecie już implementować pewne rzeczy, tym mniej niespodzianek spotka cię w przyszłości. 

Czwarty protip to zarządzaj oczekiwaniami oraz stake holderami. Wspomniałem o tym już przed chwilą. To się łączy bezpośrednio z tym, żeby być efektywnym translatorem. Dużo pracy będzie kosztować to, żeby zarządzać requestami, jakie będziesz otrzymywał. Piąty protip to miej empatię dla użytkowników, a przede wszystkim, jeżeli mówimy o prywatności. Silniki rekomendacyjne, w ogóle machine learning, AI, który opiera się na danych, te dane zazwyczaj pochodzą od użytkowników. Wlewasz te wszystkie dane do wielkiego garnka, wyobraź sobie, że jesteś Papa Smerfem i robisz jakiś tam sok z gumijagód, chociaż chyba pomieszałem dwie bajki, bo to w Gumisiach był sok z gumijagód, a nie w Smerfach, ale dobra. Jesteś Papa Smerfem i robisz jakiś super wywar, który ma dodać mocy twoim smerfom. I ten wywar składa się z danych pozyskanych od tych smerfów, tylko że problem polega na tym, że użytkownicy nie mają absolutnie żadnej świadomości ani pojęcia o tym, jak ty wykorzystujesz ich dane, w jaki sposób. I ja polecam ci w tym miejscu film dokumentalny, który, jeżeli posiadasz Netflixa to łatwo namierzysz. Ten film nazywa się Social Network. O tym jak wielkie korporacje wykorzystują uczenie maszynowe do tego, żeby przyciągnąć cię jeszcze bardziej i uzależnić od mediów społecznościowych. Polecam ci serdecznie ten dokument na Netfilxie. Wtedy będziesz wiedział co mam na myśli mówiąc o etyce biznesowe takiego AI Product Managera. No i oczywiście jest jeszcze taki szósty protip, to bardzo ostrożnie ewangelizuj wszystkich w organizacji, na temat tego AI i zawsze zostawiaj naprzeciw siebie taką bystrość tych algorytmów, w kontrze do tego, czy ta wartość, którą dowiozą ci te algorytmy, też wniesie coś naprawdę do życia i twoich użytkowników, i biznesu itd. Żeby nie zapędzić się w kozi róg i nie robić tego AI i algorytmów tylko po to, żeby je zrobić. Ponieważ np. dostałeś ty lub twoja organizacja granty na zrobienie jakiegoś inteligentnego systemu. Ewangelizuj wszystkich dookoła bardzo ostrożnie, po co to się robi, że to ma rozwiązywać konkretne problemy rynkowe. Lub problemy użytkowników. Że za wykorzystaniem AI nie kryje się tylko hype na to, że wszyscy tak robią, to my też tak zróbmy, ale za tym musi kryć się coś więcej. Przypomnę też to o czym już wspomniałem – nie wszystkie problemy można rozwiązać za pośrednictwem AI. 

Ja myślę, że w tym miejscu już skończę. Pogadałem trochę dłużej niż pierwotnie planowałem. Jeżeli interesuje cię ta tematyka, to po pierwsze zachęcam, żeby we własnym zakresie też rozejrzeć się po Internecie. Materiałów jest już naprawdę bardzo, bardzo dużo. Ja będę stokrotnie wdzięczny, jeśli zostawisz pod tym podcastem komentarz albo na Instagramie, albo na YouTube, wspomnisz o mnie i dasz mi kilka być może wskazówek tego, jak lepiej powinienem prowadzić takie podcasty i na czym się jeszcze skupić. Na pewno wiem, że powinienem mówić krócej. Nie wiem, czy to dziś wyszło. Z tego miejsca życzę ci powodzenia w ogarnianiu obecnych albo przyszłych projektów związanych z uczeniem maszynowym. To nie jest łatwy temat, sam się jeszcze wiele uczę w tej materii, ale wierzę, że im popularniejszy jest ten topic i ten obszar, tym więcej fajnych, doświadczonych ludzi, będziemy mieli okazję spotkać na naszej drodze zawodowej. Tego życzę sobie, tego życzę tobie. Bardzo dziękuję. Jeżeli zapisałeś się już albo zapiszesz na newsletter na moje stronie bycjakmanager.pl, ja tam czasem podsyłam protipy, czasem informuję o nadchodzących podcastach, dla mnie to jest podstawowy kanał komunikacji z moimi słuchaczami. Jeżeli dołączysz do tego grona, będzie mi niewiarygodnie dobrze. Wszystkiego dobrego. Dbaj o siebie i innych. Cześć. 

Źródła

https://www.productplan.com/learn/ai-product-management/
https://hbr.org/2018/10/how-to-build-great-data-products
https://www.oreilly.com/radar/what-you-need-to-know-about-product-management-for-ai/
http://martin.zinkevich.org/rules_of_ml/rules_of_ml.pdf
https://productcoalition.com/busting-the-myths-of-ai-product-management-1682060d109
https://blog.insightdatascience.com/moving-towards-managing-ai-products-5268c5e9ecf2

guest
0 komentarzy
Inline Feedbacks
Zobacz wszystkie komentarze