Узнайте, как добиться успеха в долгосрочной перспективе, подключив многофункциональные команды и руководителей к ИИ.

Эта статья является частью серии, в которой управление продуктами с использованием ИИ разбито на 5 отдельных этапов. Знакомство с этими сериями начинается здесь.

Введение

В этой статье мы погрузимся в самый важный этап из всех: стоит ли вообще использовать ИИ? Где следует применять ИИ и почему? В это время очень важно определить, готовы ли межфункциональные команды вокруг вас к ИИ. Лучше всего включить их еще до того, как вы начнете, чтобы вы были настроены на успех позже.

Рассмотрение 1/2:

Должен ли я вообще использовать ИИ?

Короткий ответ:

Не обязательно.

Длинный ответ:

Может быть легко сразу перейти к самой сложной реализации ИИ, но вы должны сделать шаг назад. Посмотрите на проблему, которую вы хотите решить, разбейте ее на части, а затем подумайте, подходит ли ИИ для этой работы лучше всего. Вы можете обнаружить, что традиционное программирование может решить вашу проблему.

Когда ИИ лучше традиционного программирования? ИИ имеет тенденцию затмевать традиционное программирование в двух основных областях. Во-первых, когда вы имеете дело с неструктурированными данными (т.е. не в базе данных). И второе, когда вы имеете дело с колеблющимися входными данными.

«Неструктурированные данные» — это данные, которые не организованы в базу данных, такие как фотографии, изображения, видео и звук. ИИ позволяет вам использовать эти данные, «структурируя» их в удобном формате для понимания машиной.

Кроме того, искусственный интеллект может помочь справиться с изменчивыми точками данных лучше, чем традиционное программирование. Традиционные методы программирования, используемые для организации неструктурированных данных, требуют разработки длинного списка правил, требующих ручной ручной настройки. Методы ИИ здесь лучше подходят для упрощения кода и повышения производительности.

С другой стороны, иногда методы программирования могут быть более эффективными, чем ИИ. Например, если вы хотите найти слово «собака» в тексте, вы можете использовать для этого поиск по ключевым словам. Но если вы хотите определить настроение по тексту, то вы выходите на территорию ИИ. Ваши специалисты по данным поймут этот нюанс. Как менеджер по продукту, вы должны сначала стремиться к более простому методу и быть готовым к обсуждению компромиссов с вашей командой по науке о данных.

Однако это не бинарный ИИ против традиционного программирования. Часто во многих приложениях используются методы искусственного интеллекта и программирования вместе. Как только машина понимает неструктурированные данные, ее может взять на себя традиционное программирование.

Давайте подумаем о примере беспилотного автомобиля. Когда модели ИИ могут принимать неструктурированные данные и выявлять потенциальное препятствие, вы можете запрограммировать систему на предупреждение водителя-человека. ИИ и традиционное программирование часто работают вместе, чтобы реализовать сквозной сценарий для пользователя. На самом деле, вы можете думать об определении решения ИИ как AI = ML + традиционное программирование.

Традиционное программирование и ИИ вместе также могут помочь снизить стоимость ошибок. Например, если вы строите модель ИИ кредитного рейтинга в области финансов, вы должны учитывать юридический риск, связанный с тем, что «плохой» кредит называют «хорошим». Вы можете запрограммировать правило, которое предупреждает человека о проведении дополнительной экспертной проверки ссуд, которые имеют входные данные, выходящие за рамки обычного диапазона.

Рассмотрение 2/2:

Готовы ли люди?

Короткий ответ:

Думайте не только о своей непосредственной команде и обеспечьте бюджет на долгосрочную перспективу.

Длинный ответ:

Вы должны включить команды вокруг вас. Чем раньше тем лучше. Ваши руководители должны понимать, что искусственный интеллект — это долгосрочная инвестиция, потому что для того, чтобы сделать его правильным, придется постоянно проводить итерации.

Вот несколько ключевых соображений для окружающих вас команд:

Группа поддержки:

Как группа поддержки будет отличать дефекты, связанные с моделью ИИ, от дефектов, связанных с программным обеспечением? Кому они должны направить запрос — команде специалистов по обработке данных или разработчикам — и когда?

Группа обслуживания лаборатории:

В контексте B2B обычно есть группа «лабораторных услуг», которая помогает корпоративным клиентам развертывать и настраивать их решения. Что произойдет, если клиенты захотят переобучить модель для своих конкретных нужд? Как вы позволяете своей команде лабораторных служб обрабатывать эти запросы? Как вы обеспечиваете готовность вашей команды лабораторных служб к этому? Это потребует повышения квалификации и создания новых бизнес-процессов. Это поможет вам иметь «чемпиона» в организации, который будет работать с вами над разработкой этих изменений.

Отдел продаж:

Что касается продаж, то они столкнутся с целым рядом корпоративных клиентов на местах. Некоторые клиенты будут экспертами в области науки о данных. Они захотят узнать все тонкости алгоритма и какова метрика точности модели. Вам нужно подготовить отдел продаж, чтобы они могли с уверенностью отвечать на эти вопросы. С другой стороны, продавцы могут столкнуться с покупателями, которые слишком увлечены ИИ и его возможностями. Продавцы должны научиться справляться с высокими ожиданиями и в то же время демонстрировать клиенту ценность решения. Вам нужно будет снабдить отдел продаж необходимыми документами с часто задаваемыми вопросами, учебными занятиями и позиционированием, чтобы они могли управлять этим широким кругом клиентов.

Команда маркетинга:

Для маркетинга существует тонкая грань между желанием рассказать хорошую историю и перепродажей. Как маркетинговая команда опишет продукт ИИ таким образом, чтобы было понятно, что он делает сегодня, а что завтра? В начале может быть полезно иметь с ними строгий процесс обеспечения качества. Я не боялся просматривать различные сообщения, которые выходят, и просить SME проверить здравомыслие сообщений перед их публикацией.

Исполнительная команда:

Важно как можно раньше начать общение с тем, что управление продуктами ИИ — это «цикл». Вам нужно будет планировать на долгосрочную перспективу и обезопасить ресурсы для обработки данных, которые могут помочь вам на более поздних этапах, даже после выпуска продукта. Вы не хотите просить о краткосрочных ресурсах.

Команда специалистов по обработке и анализу данных:

Как вы реагируете на отзывы о модели и со временем улучшаете ее? ИИ очень вероятностный — если данные меняются, модель должна измениться — поэтому должен быть способ получить обратную связь. Наличие команды в режиме ожидания, которая может анализировать отзывы и улучшать модель с течением времени, сослужит вам хорошую службу.

ИТ-команда:

Вашей ИТ-команде нужно будет развернуть модель, и им нужно будет знать, как ее развернуть и будут ли частые итерации.

Команда тестирования:

Они должны понимать, как бороться с вероятностными ошибками.

Общие советы

  • Заблуждайтесь в простоте. Чем проще метод, который вы можете использовать для ее решения, тем лучше.
  • AI = ML + традиционное программирование.
  • Включите все команды вокруг вас заранее.
  • Защитите бюджет от руководителей на долгосрочную перспективу.

Читайте Часть 2 и 3 для определения приоритетов и сбора данных обучения.

Стелла Лю была менеджером по продукту в IBM Watson IoT, где она помогла своей команде создать первый продукт на основе искусственного интеллекта в масштабе. Она любит говорить об искусственном интеллекте, управлении продуктами и экологической устойчивости.

Пожалуйста, обращайтесь к ней в LinkedIn с любыми вопросами или комментариями!