Машинное обучение и искусственный интеллект — самые обсуждаемые и горячие темы в технологической среде. Но насколько они релевантны продакт-менеджерам? Нужны ли продактам знания и навыки в ML и AI? Если да, то зачем?
Чтобы найти ответ на этот вопрос, давайте посмотрим, как разные продукты и индустрии изменились благодаря технологиям машинного обучения за последние 10 лет.
Мы подготовили эту статью совместно с соавторами «AI/ML-симулятора для продакт-менеджеров» — и , которые более 10 лет работают в сфере ML-технологий.
В симуляторе вы научитесь строить продукты, оптимизировать процессы на основе технологий машинного обучения, приносить через эти технологии пользу бизнесу.
Если после прочтения этого материала вы захотите приступить к практическим действиям по реализации ML/AI-проекта, то переходите по ссылке, чтобы получить в нашем симуляторе необходимые знания и навыки.
Все материалы серии об использовании ML/AI в создании продуктов
1. Зачем продакт-менеджеру изучать ML и AI
2. Большие языковые модели: основы для тех, кто хочет строить продукты на их базе
3. Как ML-технологии помогают улучшать Retention продуктов
4. Как найти возможности для применения AI в вашем продукте
5. Базовое руководство для улучшения качества продуктов с LLM
6. Продвинутые методы улучшения качества продуктов с LLM: RAG
7. Почему идеальной ML-модели недостаточно, чтобы построить бизнес вокруг ML
8. Внедрение ML/AI для оптимизации процессов службы поддержки в крупном продукте: разбор кейса
9. AI-cтартапы: продавайте результат работы, а не софт
10. Новый этап развития генеративного AI: что это значит для стартапов и инвесторов?
Технологические прорывы в ML
За последние десять лет (благодаря росту доступности облачных вычислений, новым мощным чипам, накопленным массивам данных, научным прорывам и инвестициям в исследования) в технологиях машинного обучения произошли существенные прорывы.
Вот несколько интересных примеров.
Компьютеры научились играть в сложные игры
Когда-то давно компьютеры стали лучшими в шахматах, но еще долгое время существовал консенсус, что у них нет шансов в более сложных логических играх, таких как го, а также кибердисциплинах вроде Starcraft. Предполагалось, что на достижение человеческого уровня в этих играх компьютерам понадобится не один десяток лет.
Но уже в 2016 году компьютерная модель, разработанная в Google Brain, впервые в го у лучшего гроссмейстера мира, а спустя лишь один год — стала непобедимой. Для шахмат интервал между первым выигрышем компьютера у гроссмейстера и последним проигрышем составил куда больше — 10 лет.
Перелом случился, когда модели стали обучаться, играя сами с собой. Это называется Reinforcement Learning. При этом в процесс этого обучения не добавлялось никакого предварительного знания о стратегиях и тактиках от человека.
→ Подробнее о прогрессе компьютера в игре в го можно прочитать .
Недавно компьютеры покорили еще одну вершину. Теперь они умеют играть в «» — игру, основанную на естественном языке. Компания Meta , который уже входит в 10% лучших игроков в мире.
Модели распознавания изображений и речи сперва догнали, а затем и обогнали по точности человека
Еще в 2012 году модель распознавания изображений с помощью ML существенно уступала по эффективности человеку. Но уже в 2015 году в рамках конкурса ImageNet модель впервые показала результат лучше, чем у человека. Ключом к успеху здесь стал прогресс в области глубокого обучения нейронных сетей (Deep Neural Networks).
…А теперь и генерируют изображения и тексты не хуже людей
В 2023 году продукты вроде ChatGPT и Stable Diffusion окончательно захватили внимание людей. Кто-то вне себя от восторга, а кто-то — от страха. Эти генеративные модели рисуют картины, пишут тексты и проходят экзамены на уровне лучших выпускников Стэнфорда.
Оцените скорость прогресса.
На графике ниже показаны результате GPT-3.5 и GPT-4 для разных экзаменов. По вертикальной оси показан процентиль среди тех, кто проходил тест. Другими словами, уже сейчас модель GPT-4 .
Стоимость обучения моделей падает
Технологии машинного обучения становятся все более доступными, так как стоимость обучения моделей стремительно снижается.
Из отчета : объем вычислительной мощности, необходимой для обучения AI-модели в рамках одной и той же задачи, с 2012 года уменьшается в два раза каждые 16 месяцев.
Предполагается, что стоимость обучения модели уровня GPT-3 к 2030 году снизится до $30. Для сравнения: в 2022 году ее обучение $450 000.
Появляется различная инфраструктура для применения ML к прикладным задачам
Сегодня доступно огромное количество инфраструктурных проектов, которые максимально упрощают применение машинного обучения. От и до и множества других инструментов. От инструментов для контроля версий данных и моделей до мониторинга качества данных и моделей в продакшене: , .
Почему эти технологические прорывы влияют на роль продакт-менеджера
Как было раньше
Исторически сфера применимости компьютеров и алгоритмов была ограничена тем, какие есть в наличии оцифрованные данные и какие существуют методы работы с ними.
Как стало теперь
Только за последние несколько лет компьютеры научились видеть, говорить, писать и распознавать. Не просто научились, а вышли на такой уровень, где многие из этих задач они решают лучше людей.
Это расширяет сферу применимости технологий и алгоритмов.
У компьютеров появились способности для того, чтобы понимать окружающий мир. А значит — для разработчиков, предпринимателей и продакт-менеджеров открылось множество новых путей и возможностей для создания ценности и перепридумывания способов решения разных задач.
Прорывы в ML/AI создают огромный потенциал для продуктовых инноваций и для того, чтобы повышать эффективность решения задач в самых разных сферах деятельности (а именно в этом и заключается суть работы продакт-менеджера).
С высокой вероятностью именно эти технологии станут движущей силой в следующие 10–20 лет, что принципиально повлияет на роль продакт-менеджера.
Эра AI повлияет на продуктовую роль не меньше, чем эра мобильных устройств
Сложно обойтись без следующей аналогии, сравнивая степень значимости прорывов в ML/AI для продуктовых индустрий и продуктовых ролей.
В 2007 году мир увидел первый iPhone. За прошедшие годы смартфоны стали крупнейшей платформой, а их возможности стали драйвером для создания множества новых продуктов, перевернувших свои индустрии с ног на голову.
Разумеется, это повлияло на роль продакт-менеджера. Навыки работы с мобильными приложениями и интерфейсами стали важной частью роли. Это открыло путь в профессию для многих и многих новых людей, а также потребовало переобучения тех, кто работал продактом в «домобильные» времена.
Сегодняшние прорывы в технологиях машинного обучения и искусственного интеллекта станут еще одним переломным моментом, подобным по своему значению.
Продакт-менеджеры и предприниматели, которые смогут первыми освоить и применить возможности ML/AI-технологий получат существенное конкурентное преимущество.
Почему мы так уверены в этом? Давайте обсудим.
Создание продуктов на основе ML/AI стало доступно всем
Обычно продуктовые инновации появляются с задержкой относительно фундаментальных научных и технологических прорывов.
Иными словами, нужно время (и иногда длительное время) для того, чтобы реализовать технологический потенциал во что-то практически применимое.
Искусственный интеллект был предметом исследований с 1950-х годов, но значительное влияние на продукты и услуги он начал оказывать только в 2010-х годах, спустя половину столетия.
Сегодня машинное обучение уже используется в широком спектре приложений: от рекомендательных систем до самоуправляющихся автомобилей. При этом технологии и необходимые вычислительные мощности доступны практически всем, кто готов прийти — и взять их.
Пример превращения технологической проблемы в продуктовую проблему
В 1999 году Джефф Безос подошел к решению задачи создания интернет-магазина. Для этого ему понадобилось привлечь финансирование, нанять дорогих технических специалистов, закупить серверы, решить множество других проблем.
Это было сложно и дорого. Дело в том, что одна из ключевых проблем для e-commerce в 1999 году лежала именно в технологической плоскости.
Но сегодня это не так. Можно открыть Shopify и запустить свой интернет-магазин практически мгновенно. Технологических барьеров больше нет. Теперь это бизнес-задача и продуктовая задача.
То же самое происходит сегодня и в сфере ML/AI. Технологические проблемы превращаются в продуктовые.
- Построение персональных рекомендаций — одна из наиболее распространенных и успешных областей применения ML в пользовательских сервисах. Сегодня рекомендации на основе ML используются повсеместно: новости, соцсети, стриминги, банки, e-commerce, путешествия, знакомства и так далее. Где-то рекомендации даже ложатся в основу бизнес-модели.
- Модели вроде DALL-E и Stable Diffusion появились в 2022 году. Команда Prisma Labs на основе этих моделей построила приложение Lensa (вы же еще помните стилизованные генеративные аватары почти всех своих друзей и коллег?). За несколько месяцев Lensa стало самым зарабатывающим продуктом в мире в App Store.
- OpenAI представила миру модель GPT-3 в 2020 году. Поверх этих моделей Copy.ai и Jasper построили миллиардные бизнесы, которые помогают компаниям в создании коммерческих текстов. Сама же OpenAI небольшой командой построила ChatGPT, который предположительно стал самым быстрорастущим продуктом в мире.
- По GitHub, запущенный поверх модели GPT-3 Copilot сегодня участвует в написании 46% кода и помогает разработчикам, которые используют эту технологию, писать код на 55% быстрее.
Подобные примеры можно приводить еще очень долго.
Словари-переводчики вроде Google Translate сегодня стали основными инструментами, а не вспомогательными, как это было в начале 2010-х.
Технологии распознавания лиц стали мейнстримом (FaceID в iPhone, биометрическая идентификация в банковских приложениях, распознавание документов, приложения вроде FaceApp, отметки людей на фотографиях в соцсетях). Даже в сфере дейтинга начали превалировать ML-алгоритмы для оптимального матчинга людей.
Крупнейшие продукты ринулись переизобретать или улучшать себя на основе новых технологий: новый поиск от Bing, интеграция умных ассистентов в продукты Microsoft и Google, функции саммаризации в Slack, множество новых фичей в Notion.
Технологический прогресс прошлых десятилетий в сфере ML дошел до состояния, когда его достаточно, чтобы команды (без глубокого погружения в саму технологию) могли создавать востребованные продукты для конечных пользователей массового рынка.
Продукты, которые будут вызывать восторг и удивление.
С чем бы сравнить ML/AI в 2023 году, чтобы стало совсем понятно?
Мы все еще в начале пути.
То, как применяются ML/AI-технологии сегодня, можно сравнить с приложением-фонариком в мобильную эру.
Но дальше нас ждет «новый Angry Birds», «новый WhatsApp», «новый Uber». Много новых продуктов, которые изменят наши представления о мире — и то, как мы с ним взаимодействуем.
Технологии продолжат улучшаться, создавая все больший задел для продуктовых инноваций. Это создаст огромный запрос на специалистов, кто такие возможности способен увидеть и реализовать.
Мы подготовили эту статью совместно с соавторами «AI/ML-симулятора для продакт-менеджеров» — и , которые более 10 лет работают в сфере ML-технологий.
В симуляторе вы научитесь строить продукты, оптимизировать процессы на основе технологий машинного обучения, приносить через эти технологии пользу бизнесу.
Если после прочтения этого материала вы готовы приступить к практическим действиям по реализации ML/AI-проекта, то переходите по ссылке, чтобы получить в нашем симуляторе необходимые знания и навыки.
