Продакт-менеджер в ИИ: чем ИИ-продукт отличается от обычного

ИИ-продакт-менеджер управляет продуктом на основе ИИ, а не просто пользуется ИИ

Роль продакт-менеджера в сфере ИИ не нова, но с ростом числа ИИ-продуктов и сервисов она приобретает новое значение. ИИ и машинное обучение (МО) существуют десятки лет. Ключевой сдвиг, заметный к 2024 году, — переход от извлекающих систем к генеративным.

Важно различать ПМ, которые специализируются на ИИ (ИИ-продакт-менеджеров), и ПМ, которые используют ИИ, чтобы эффективнее работать. Здесь речь о первых — и о том, что значит управлять продуктами на основе ИИ. ИИ-продакт-менеджеры работают с продуктами трёх категорий:

1. Продукты с применением ИИ — ИИ улучшает функциональность продукта. Пример на 2024 год — такие функции, как Notion AI или Doc Assist от LegalZoom.
2. ИИ-платформы — такие как Vertex AI, RapidMiner и SageMaker — помогают разрабатывать и внедрять модели машинного обучения.
3. ИИ-сервисы решают конкретные задачи. Например, Azure Databricks отвечает за управление данными, а Amazon Rekognition — за компьютерное зрение.

Как устроен ИИ: от правил к обучению на данных

Традиционная разработка ПО опирается на правила, которые заранее задают разработчики. Программа следует этим правилам и всегда даёт одинаковый результат. ИИ-системы тоже могут работать по правилам, но их главная особенность — обучение на данных.

ИИ охватывает такие направления, как МО и обработка естественного языка (NLP). МО использует обучающие данные, чтобы сформировать модель — она и есть результат обучения. Глубинное обучение — подмножество МО, которое работает с неструктурированными данными: изображениями и текстами. Генеративный ИИ — подмножество глубинного обучения, которое создаёт новый контент на основе существующих данных.

Чем ИИ-продукты отличаются от традиционного ПО: 8 различий

Неважно, используется в продукте машинное или глубинное обучение, — ИИ-продукты сильно отличаются от традиционного ПО:

1. Этапы разработки. Традиционный продукт начинается с функциональной спецификации и проходит проектирование, кодирование, тестирование и релиз. В ИИ-продукте главное — точность работы, а разработка состоит из множества экспериментов и итераций для обучения и настройки.
2. Участники. В традиционной разработке участвуют ПМ, дизайнеры и программисты. В ИИ-продукте ПМ тесно работает с учёными по данным (data scientists), инженерами МО и дата-инженерами.
3. Зависимость от данных. Для обучения моделей ИИ-продуктам нужны большие объёмы данных. От качества данных зависят функциональность и опыт использования.
4. Пользовательский опыт (UX). В традиционном ПО интерфейсы и процессы определены заранее. ИИ-продукты — например, чат-боты или генераторы слайдов — подстраиваются под поведение пользователя. Удовлетворённость клиентов часто зависит от точности и надёжности данных.
5. Интерпретируемость. Традиционную программу легко объяснить: она следует явным правилам. ИИ-продукт, особенно на глубинных моделях, объяснить труднее.
6. Тестирование. Традиционные программы тестируют на заранее заданных входных и выходных данных. ИИ-продукты тестируют на новых данных, с учётом крайних случаев и возможной предвзятости в данных.
7. Более высокие риски. ИИ-системы рискованнее из-за недетерминированности. Это создаёт проблемы с регулированием и восприятием пользователями.
8. Адаптивность. ИИ-продукты обычно учатся на новых данных и взаимодействиях с пользователями, а традиционные могут оставаться статичными после внедрения.

Четыре вопроса продакт-менеджера остаются, но получают новые грани

При всех различиях четыре ключевых вопроса управления продуктом не меняются:

• Почему? Почему эта проблема важна? Почему решать нужно именно её?
• Кто? Кто сталкивается с проблемой? Для кого мы её решаем?
• Что? Какое решение поможет? Какую ценность оно принесёт?
• Как? Как мы создадим решение? Как выведем его на рынок?

В ИИ- и МО-продуктах у этих вопросов появляются дополнительные аспекты:

1. Почему? Прежде чем брать ИИ, нужно чётко понять, какую проблему мы решаем и почему она важна. ИИ полезен для создания контента или персональных рекомендаций, но это не панацея. Важно учитывать риски и ограничения ИИ.
2. Кто? Понимание целевой аудитории остаётся важным. ИИ можно встроить в существующий продукт (например, чат-бот), но в центре всегда остаётся проблема пользователя. Пользовательский дизайн останется ключевым элементом.
3. Что? Поиск решений не меняется, но ИИ-продукты требуют знаний о данных и алгоритмах. ПМ должен разбираться в цикле работы с данными — от сбора до анализа и очистки. От этого зависит точность ИИ-решения.
4. Как? ПМ должен понимать технологии, на которых построен продукт. В ИИ-продуктах это машинное обучение, алгоритмы и структуры данных.

Какие дополнительные навыки нужны ИИ-продакт-менеджеру

ИИ-продукты требуют навыков в таких областях, как классификация намерений, логика разрешения неоднозначности и объяснимость моделей. Например, в чат-боте ПМ должен понимать, как ИИ определяет намерение пользователя и как убрать неясности в ответах.

Роль ИИ-продакт-менеджера специализированная, но основные принципы управления продуктом остаются прежними. Главный акцент в ИИ-продуктах — на данных: их сбор, анализ и использование в масштабах компании критически важны для любого ИИ-продукта.