Роль продакт-менеджера в сфере ИИ не нова, но с ростом количества ИИ-продуктов и сервисов она приобретает новое значение. Хотя ИИ и машинное обучение (МО) существуют уже десятки лет, ключевой сдвиг, который мы наблюдаем сегодня, заключается в переходе от извлекающих систем к генеративным.
Важно различать ПМ, специализирующихся на ИИ (ИИ-продакт-менеджеров), и ПМ, которые используют ИИ для повышения эффективности своей работы. В этом тексте речь пойдёт о первых — ИИ-продакт-менеджерах — и о том, что значит управлять продуктами, основанными на ИИ. Когда мы говорим об ИИ-продакт-менеджерах, мы имеем в виду тех, кто работает с продуктами в следующих категориях:
Традиционная разработка программного обеспечения базируется на предопределённых правилах, которые создают разработчики. Программы следуют этим правилам и всегда дают одинаковые результаты. И хотя ИИ-системы могут работать на основе правил, их главная особенность — обучение на данных. ИИ охватывает такие направления, как МО и обработка естественного языка (NLP). Например, МО использует обучающие данные для формирования модели, которая и является результатом обучения. Глубинное обучение — это подмножество МО, которое работает с неструктурированными данными, такими как изображения и тексты.
Генеративный ИИ — это подмножество глубинного обучения, которое создаёт новый контент на основе существующих данных. Независимо от того, используется ли в продукте машинное или глубинное обучение, важно понимать, что ИИ-продукты сильно отличаются от традиционного программного обеспечения:
Несмотря на различия между традиционными и ИИ-продуктами, четыре ключевых аспекта управления продуктом остаются неизменными:
Однако в ИИ и МО-продуктах эти вопросы требуют дополнительных аспектов:
ИИ-продукты требуют дополнительных навыков в таких областях, как классификация намерений, логика разрешения неоднозначности и объяснимость моделей. Например, при взаимодействии с чат-ботом ПМ должен учитывать, как ИИ определяет намерения пользователя и как убрать неясности в ответах.
Таким образом, роль ИИ-продакт-менеджера является специализированной, но основные принципы управления продуктом остаются прежними. Главный акцент в ИИ-продуктах делается на данных: их сбор, анализ и использование в масштабах компании критически важны для создания любого ИИ-продукта.
Важно различать ПМ, специализирующихся на ИИ (ИИ-продакт-менеджеров), и ПМ, которые используют ИИ для повышения эффективности своей работы. В этом тексте речь пойдёт о первых — ИИ-продакт-менеджерах — и о том, что значит управлять продуктами, основанными на ИИ. Когда мы говорим об ИИ-продакт-менеджерах, мы имеем в виду тех, кто работает с продуктами в следующих категориях:
- Продукты с применением ИИ — ИИ используется для улучшения функциональности продукта. Примером могут служить такие функции, как Notion AI или Legal Zoom's Doc Assist.
- ИИ-платформы — такие, как Vertex AI, RapidMiner и SageMaker, помогают разрабатывать и внедрять модели машинного обучения.
- ИИ-сервисы — множество ИИ-сервисов решают конкретные задачи. Например, Azure Databricks отвечает за управление данными, а Amazon Rekognition — за компьютерное зрение.
Традиционная разработка программного обеспечения базируется на предопределённых правилах, которые создают разработчики. Программы следуют этим правилам и всегда дают одинаковые результаты. И хотя ИИ-системы могут работать на основе правил, их главная особенность — обучение на данных. ИИ охватывает такие направления, как МО и обработка естественного языка (NLP). Например, МО использует обучающие данные для формирования модели, которая и является результатом обучения. Глубинное обучение — это подмножество МО, которое работает с неструктурированными данными, такими как изображения и тексты.
Генеративный ИИ — это подмножество глубинного обучения, которое создаёт новый контент на основе существующих данных. Независимо от того, используется ли в продукте машинное или глубинное обучение, важно понимать, что ИИ-продукты сильно отличаются от традиционного программного обеспечения:
- Этапы разработки — Традиционные продукты начинаются с функциональной спецификации и проходят через этапы проектирования, кодирования, тестирования и релиза. В ИИ-продуктах основной акцент делается на точности работы, а разработка включает множество экспериментов и итераций для обучения и настройки ИИ-систем.
- Участники разработки — В традиционной разработке участвуют ПМ, дизайнеры и программисты. В ИИ-продуктах ПМ работает в тесном сотрудничестве с учёными в области данных, инженерами МО и дата-инженерами.
- Зависимость от данных — ИИ-продукты сильно зависят от больших объёмов данных для обучения моделей. Качество данных влияет на функциональность и опыт использования продукта.
- Пользовательский опыт (UX) — В традиционном ПО интерфейсы и рабочие процессы заранее определены. ИИ-продукты, такие как чат-боты или генераторы слайдов, адаптируются к поведению пользователя. Удовлетворённость клиентов в ИИ-продуктах часто зависит от точности и надёжности данных.
- Интерпретируемость — Традиционные программы легко объяснить, так как они следуют явным правилам. ИИ-продукты, особенно на основе глубинных моделей, могут быть труднее для объяснения.
- Тестирование — Тестирование традиционных программ проводится по заранее заданным входным и выходным данным. В ИИ-продуктах тестирование проводится на новых данных, а также с учётом крайних случаев и возможных предвзятостей в данных.
- Более высокие риски — ИИ-системы более рискованны из-за своей недетерминированности, что может создавать проблемы с регулированием и восприятием пользователями.
- Адаптивность — ИИ-продукты обычно учатся на новых данных и взаимодействиях с пользователями, тогда как традиционные продукты могут оставаться статичными после внедрения.
Несмотря на различия между традиционными и ИИ-продуктами, четыре ключевых аспекта управления продуктом остаются неизменными:
- Почему? Почему эта проблема важна? Почему нужно решать именно её?
- Кто? Кто сталкивается с этой проблемой? Для кого мы её решаем?
- Что? Какое решение поможет решить проблему? Какую ценность оно принесёт?
- Как? Как мы создадим это решение? Как выведем его на рынок?
Однако в ИИ и МО-продуктах эти вопросы требуют дополнительных аспектов:
- Почему? Прежде чем использовать ИИ, нужно чётко понять, какую проблему мы решаем и почему это важно. ИИ может быть полезен для создания контента или персонализированных рекомендаций, но это не панацея. Важно рассматривать возможные риски и ограничения ИИ.
- Кто? Понимание целевой аудитории остаётся важным. ИИ может быть встроен в существующий продукт (например, чат-бот), но основное внимание всегда будет на решении проблемы пользователя. Пользовательский дизайн останется ключевым элементом.
- Что? Поиск решений также не изменится, хотя ИИ-продукты требуют дополнительных знаний в области данных и алгоритмов. ПМ должен разбираться в цикле работы данных — от их сбора до анализа и очистки, что важно для обеспечения точности ИИ-решений.
- Как? ПМ должен понимать технологии, лежащие в основе продукта. В ИИ-продуктах это означает разбираться в машинном обучении, алгоритмах и структурах данных.
ИИ-продукты требуют дополнительных навыков в таких областях, как классификация намерений, логика разрешения неоднозначности и объяснимость моделей. Например, при взаимодействии с чат-ботом ПМ должен учитывать, как ИИ определяет намерения пользователя и как убрать неясности в ответах.
Таким образом, роль ИИ-продакт-менеджера является специализированной, но основные принципы управления продуктом остаются прежними. Главный акцент в ИИ-продуктах делается на данных: их сбор, анализ и использование в масштабах компании критически важны для создания любого ИИ-продукта.