Управление продуктами с искусственным интеллектом

Перевод статьи Марти Кагана (признанного гуру в области продакт менеджмента) и Мэрили Ники (эксперта в области ИИ продуктов). Статье объясняет, почему и в чем продукты на базе ИИ сложнее, чем обычные tech продукты, и какие риски необходимо учитывать при их разработке.

Подписывайтесь на мой канал: продуктовые штуки одной строкой

В статье эксперты говорят об особенностях ИИ продуктов, а также традиционно Каган разбирает 4 риска в разработке tech продукта применительно к продуктам с ИИ:

Мэрили Ника (Marily Nika) помогает в создании продуктов и услуг на базе ИИ. Она имеет PhD в области машинного обучения, сделала впечатляющую карьеру в создании ИИ продуктов в Meta и Google, а также является автором популярного курса для менеджеров по продуктам о том, что им нужно знать для создания эффективных продуктов на основе ИИ.

В предыдущей статье Марти писал о том, как ИИ может повлияет на продуктовые команды в целом и на роль управления продуктом в частности (и Мэрили выступала в качестве эксперта-рецензента в этой статье). В этой статье мы обсуждаем продукты, которые создают эти команды.

Чтобы внести ясность в терминологию: «управлении продуктами ИИ» - это создание продуктов на базе ИИ. Когда мобильные технологии были новинкой, «менеджер мобильных продуктов» был особенно востребованным навыком, а теперь большинство продакт менеджеров обладают навыками разработки продуктов для мобильных устройств. Мы ожидаем, что то же самое произойдет и с менеджерами по продуктам с использованием ИИ.

Еще одним важное пояснение: мы фокусируемся на приложениях на базе ИИ, а не на базовой инфраструктуре ИИ, которая включает в себя процесс обучения модели.

Это различие аналогично разнице между платформенным продуктом и продуктом опыта. Платформенный продукт позволяет создавать "продукты опыта" [продукт для конечного пользователя, прим. НХ]. Оба типа продуктов интересны и важны, но подавляющее большинство менеджеров ИИ продуктов будут отвечать за продукты опыта, приложения, – то, на чем мы сосредоточимся здесь.

Большинство продуктов сопряжены со значительными рисками, но к счастью, продуктовые команды являются кроссфункциональными, а поэтому у них есть навыки для устранения этих рисков. Лишь немногие продукты испытывают острую необходимость в эффективном управлении продуктами больше, чем продукты на базе ИИ.

В случае традиционных (не ИИ) решений мы обычно можем рассчитывать на то, что если в продукте будут представлены одни и те же входные данные, он будет генерировать похожий результат. Для генеративных решений на основе ИИ могут существовать буквально миллиарды входных данных, и их веса могут меняться в результате обучения, что потенциально может со временем привести к различным результатам.

Например, если продукт представляет собой персонализированную ленту новостей, то если иногда рекомендация не полностью соответствует заявленным предпочтениям пользователя, этим можно управлять в пользовательском интерфейсе. Однако если продукт контролирует дозу лекарства, например инсулина, то выходящая за рамки медицинских рекомендаций дозировка будет просто недопустима.

Говоря об ошибках, большую часть времени основное внимание будет уделяться тренировочным данным. Качество данных, используемых для обучения модели ИИ, имеет решающее значение. Менеджеры по продукту должны иметь четкое и глубокое понимание данных обучения, а также того, как модель обучалась и настраивалась.

Все большие наборы данных имеют потенциальные ошибки и ограничения. Этические последствия систематических ошибок в данных обсуждаются в разделе «Риск жизнеспособности», и менеджер ИИ продукта должен быть в курсе этих проблем и понимать, как проблемы могут проявиться в конечном продукте.

Когда дело доходит до выполнимости, менеджеру по продукту ИИ необходимо тесно сотрудничать с техническим лидером и, возможно, проконсультироваться со специалистами по машинному обучению, чтобы определить приемлемые компромиссы.

Например, высокоточная модель может потребовать более серьезных инвестиций в обучение, значительные вычислительные мощности и время, что повлияет на пользовательский опыт, масштабируемость и стоимость. решения.

Нужно ответить на вопрос, есть ли у компании необходимая техническая инфраструктура для поддержки ИИ продукта? Учитывайте также такие факторы, как хранение данных, вычислительная мощность и текущие затраты на обслуживание.

Традиционно менеджеры продукта во многом полагаются на дизайнеров с точки зрения завоевания доверия пользователей. Однако ИИ вводит дополнительный уровень ограничений и сложностей, многие из которых решаются именно менеджером по продукту. Нужно, чтобы пользователи чувствовали себя комфортно в отношении того, как используются их данные, и каковы возможности ИИ. Это может означать поиск новых способов взаимодействия с пользователем.

Дизайнеру продукта придется работать рука об руку с менеджером по продукту, чтобы гарантировать, что продукт на базе ИИ будет легко освоить, использовать, понимать и доверять ему.

Более того, во многих случаях пояснение решений и поведения ИИ может оказаться ключевым в определенных продуктах. Такая прозрачность укрепляет доверие и помогает пользователям повысить уверенность при взаимодействии с продуктом.

Как и при оценке осуществимости, менеджеру по ИИ продукту необходимо будет тесно сотрудничать с дизайнером, чтобы найти оптимальные для пользовательского опыта продуктовые компромиссы. Например, высокоточной системе рекомендаций ИИ может потребоваться больше времени для получения результатов, что приведет к разочарованию пользователей. Напротив, более простая модель ИИ для более быстрой обработки может иметь меньшую точность.

Очень важно найти правильный баланс между точностью, скоростью, расходами на решение и пользовательским опытом.

Юзабилити продукта стало основной причиной, почему авторитетный MIT назвал его "провалом года".

Ценность всегда представляет собой критический риск. Продукты на основе ИИ обещают ощутимую ценность, поэтому значительная часть мира стремится применять эту технологию.

Это означает решение реальных проблем способами, которые явно лучше существующих решений, или даже решения проблем, которые были бы невозможны без новых технологий ИИ.

Мы хотим избежать соблазна внедрить ИИ исключительно ради маркетинга или конкурентного паритета. Наша задача — обеспечить, чтобы воспринимаемая ценность была ясной и четкой. Обычно это означает объединение количественных данных (например, A/B-тестирования) с качественной информацией (например, пользовательское тестирование).

Нам также необходимо тесно сотрудничать с маркетингом, чтобы обеспечить эффективное донесение этой ценности. Говоря о маркетинге продуктов, мы обсуждаем важную работу по обеспечению жизнеспособности, связанную с конфиденциальностью пользователей и использованием этических данных, и мы хотим быть уверены, что, когда это уместно, мы также четко и ясно сообщаем об этом.

Хотя ИИ обладает огромным потенциалом с точки зрения реальной ценности, проблемы жизнеспособности бизнеса часто бывают серьезными, а ошибки и упущения в отношении рисков жизнеспособности, как правило, доминируют в заголовках новостей.

С точки зрения экономики говорить о продуктах на базе ИИ очень рано: затраты могут быть довольно высокими.

Кроме того, для некоторых типов продуктов возникают серьезные вопросы об источнике данных, авторских правах на данные для обучения и искаженности данных. Компании еще работают над пониманием юридической ответственности и последствий предоставления вероятностных решений клиентам.

И последнее, не менее важное: этические соображения вызывают постоянную и растущую озабоченность. Это выходит за рамки потенциальных ошибок в обучающих данных. Если пользователи неправильно понимают результат или модель галлюцинирует и создает опасность, каковы юридические и этические последствия?

Также менеджер ИИ продукта должен стремиться предвидеть последствия злоумышленников, использующих продукты незаконным или ненадлежащим образом. Могут иметь место социальные или экологические последствия. Ожидается, что менеджер ИИ продукта рассмотрит и проанализирует эти риски и будет работать с юридической командой компании, чтобы защитить клиентов и компанию.

От успешного менеджера ИИ продукта потребуются глубокие знания о пользователях, данных, бизнесе и рынке, чтобы выполнять трудную роль. Более того, грамотность в области ИИ — еще один пример того, почему менеджерам по продукту нужна прочная основа в технологиях.

Ожидается, что в будущем большинство менеджеров продукта станут менеджерами ИИ продуктов, в том смысле, что они будут понимать, как работает технология ИИ, каков диапазон связанных с этим рисков и что необходимо предпринять для уменьшения этих рисков.

#продуктовыйподход #мартикаган #productmanagement #productmanager #productledgrowth #techproduct #datadrivenproduct #продуктовый_подход #datainfromedapproach #datainfromedproduct #datadriven_product #martycagan #aitechproduct #иитехпродукт #техпродукт #marilynika #мэрилиника #иипродукты #иипродукт