Развивайтесь в профессии продакт-менеджера с помощью GoPractice.
→ «Профессия: продакт-менеджер».
→ «Симулятор управления продуктом на основе данных».
→ «Симулятор управления ростом продукта».
→ «Симулятор SQL для продуктовой аналитики»
→ «Симулятор управления ML/AI-проектами».
→ «Генеративный AI для продакт-менеджеров: мини-симулятор».
→ Не знаете с чего начать? Пройдите бесплатный тест для оценки навыков управления продуктом и подпишитесь на телеграм-канал .
Для удобства чтения мы отредактировали речь спикера.
По моему опыту, принципиальной разницы между обычным продакт-менеджером и ML Product Manager нет. Его работа также начинается с того, что ему нужно понять клиента, нужно понять пользователей. То есть ML Product Manager так же нужно понимать, какую проблему мы решаем. Единственная разница — ему еще нужно понять, а хороша ли эта проблема для решения с помощью ML.
Можно представить, что ML — это молоток. Можно, конечно, применять этот молоток ко всем проблемам. Но, как вы догадываетесь, это не очень хороший подход, поэтому нужно всегда разбираться в конкретной ситуации, конкретной проблеме. Как нам понять, что данная ситуация, данный юзкейс хорош для ML? Вместо этого можно, например, применить rules-based approach. Его еще называют эвристический, то есть когда мы прописываем правила, алгоритмы, и дальше этот алгоритм работает. Иногда какие-то проблемы лучше решать rules-based методом, потому что он будет более точным. А ML мы сюда не сможем применить, потому что уже возникает другая проблема для таких проектов: какая у нас доступность данных, есть ли у нас хорошие данные. То есть есть ли у нас такие данные, чтобы модель вообще могла найти какие-то паттерны или инсайте, могла обучиться.
Что я подразумеваю под сбалансированными данными? Допустим, мы обучили нашу модель: у нас 80% картинок было легких здорового человека, а 20% картинок было легких с пневмонией. Это уже не сбалансированные данные, и наша модель зачастую будет показывать, что данный пациент здоров, потому что ей показывали 80% картинок хороших легких. Надо понимать, можем ли мы вообще начать проект, если у нас нет каких-то данных или эти данные совсем не сбалансированные.
Еще одна проблема с ML проектами — нужно изначально понять, хватит ли нам денег эту штуку масштабировать. Когда мы говорим об ML-продуктах, мы подразумеваем большую вычислительную мощность, а она требует много денег. Допустим, мы хотим, чтобы наш продукт уже в онлайне мог принимать фидбэк от пользователей. То есть, если у нас очень много пользователей, а модель должна отслеживать, как они взаимодействуют с продуктом, то наша модель не сможет просто делать какие-то вычисления, выдавать конкретные результаты, если мы не сможем потратить много денег на огромную вычислительную мощность. Поэтому нужно понимать, какую проблему мы решаем, и предварительно ответить на все вопросы, чтобы начать этот проект.
↓ Все выпуски вебинара с Ниной Романовой
→ ML Product Manager: особенности работы
→ Ключевые компетенции продакт-менеджера для работы с ML
→ Когда использовать ML в работе над проектом
Материалы от Нины Романовой: о поиске работы и работе ML Product Manager
- Ресурсы с информацией о зарплатах — и
- Типичные вопросы в технологических компаниях — и
- , где можно подписаться на бесплатные вебинары от продактов
- Эрика Вебера про Data Product Management
- Книга по ML PM —
- Книга про ИИ в целом — и
- , автор которой пытается ответить на вопрос «Кому принадлежит будущее?»
- от Uber и блог инженеров
↓ Все серии материалов на основе вебинаров с экспертами
→ Анна Наумова. О навыках для работы в международной компании, необходимом уровне английского языка, об интеграции в культуру другой страны
→ Василий Сиников. О нюансах поиска работы в корпорациях после стартапа, о различиях в культуре больших и маленьких компаний, о трудоустройстве без опыта
→ Олег Новиков. О главных ошибках в резюме, о подготовке к собеседованиям в зарубежных компаниях, об обсуждении зарплаты с потенциальным работодателем
→ Григорий Ткаченко. Об особенностях продажи технологического бизнеса, о роли и задачах Engineering Manager, о необходимом уровне английского для технического специалиста.
→ Анна Булдакова. О принятии карьерных решений, работе продакта с ментором и об ответе на вопрос «Кем ты видишь себя через пять лет?».
→ Нина Романова. Об особенностях работы ML Product Manager, использовании Machine Learning в проектной работе и правильной стратегии для трудоустройства в США.
→ Ксения Стернина. О поиске работы за рубежом junior-продактом, работе UX-дизайнера с западными заказчиками и оценке собственного профессионального опыта.
