В прошлом году я встречался с руководителями корпораций и бизнес-лидерами, чтобы поговорить о росте доходов с помощью ИИ. Некоторые из наиболее распространенных вопросов касаются привлечения талантов и организационных изменений:
- «Как найти и приобрести таланты?»
- «Есть ли у наших сотрудников навыки, необходимые для запуска новых продуктов?»
Хорошие программисты и специалисты по обработке данных могут научиться этим навыкам из растущего числа отличных образовательных ресурсов.
Самая большая смена места работы - и для которой еще мало обучения - это менеджер по продукту (PM).
В этом посте я ограничиваю ответственность PM только деятельностью по разработке продукта - у большинства PM есть много других должностей.
Тренировочные данные - это новая спецификация ИИ
Мантра 37 Signals (Basecamp) прежде всего интерфейс руководила производственными командами в течение десяти лет. Мобильные и потребительские приложения создали огромный спрос на менеджеров по продуктам с опытом работы в сфере дизайна.
UX отходит на задний план в AI, и в результате меняется основная ответственность PM.
Тренировочные данные - это новая спецификация ИИ
Все практические продукты AI используют контролируемое обучение для обучения алгоритмов, которые генерируют выходные данные из набора входных данных.
Какие выводы? Какие входы? Точно - вот что нужно определить менеджеру проекта. Инженеры по машинному обучению могут оптимизировать только свои данные обучения.
В AI менеджер по продукту владеет данными обучения
Во многих учебных примерах используются бесплатные данные из таких источников, как ImageNet. Эти данные хороши для начального обучения алгоритма, но для достижения полезных результатов требуются данные обучения, зависящие от предметной области.
Поскольку создание обучающих данных требует дорогостоящего человеческого труда, менеджеры по менеджменту ищут способы извлечь из этого максимальную пользу. Каждый потенциальный источник данных требует анализа.
Это полные данные? Есть ли у нас пробелы в функциях? Этикетки точны? Улучшит ли это охват и снизит ли количество ошибок? Будет ли наш прогресс зависеть от ЦП, когда мы добавим больше данных?
Ответы могут означать разницу между успехом и неудачей.
Менеджеры по ИИ нуждаются в статистике и навыках работы с данными.
Менеджеры по маркетингу могут открыть для себя возможности для бизнеса
Большинство продуктов ИИ, приносящих прибыль, в настоящее время основаны на исследовательских задачах, таких как распознавание изображений или речи. Такие компании, как Baidu и Google, безгранично нуждаются в фундаментальных прорывах.
Приложения AI будут все больше переходить от решения фундаментальных проблем к бизнес-задачам; Менеджеры по маркетингу будут играть ключевую роль в открытии этих возможностей.
Инновации в области искусственного интеллекта - это творческий процесс создания гипотез о решениях и их проверки на данных. Заказчики обычно не могут предоставить список функций или желаемых результатов.
К сожалению, нет простого ответа на вопрос: «Что ИИ может сделать для моего бизнеса?»
Выявление возможностей начинается с предположения желаемых результатов и прогнозных входных данных.
Может ли ИИ сократить время отклика наших клиентов на 40%, используя ботов для проверки запросов?
Можно ли удвоить продажи, динамически обслуживая нужный контент в зависимости от поведения потенциальных клиентов?
Можем ли мы использовать погодные условия для сокращения время выполнения заказа поставщиком на 10%?
Менеджеры по работе с клиентами имеют уникальную возможность задавать эти вопросы и выдвигать гипотезы на них.
Лучшие практики для менеджеров по маркетингу все еще появляются
Мы находимся на заре ИИ, и у нас нет передовых методов построения сложных систем. Даже простые темы вроде технический долг - довольно сложные (pdf).
Это будет захватывающее десятилетие для продуктовых компаний и, возможно, золотой век для технических руководителей.
