ᐈ Когда использовать ML в работе над проектом

GoPractice публикует основные тезисы выступлений спикеров наших вебинаров. Следить за анонсами и расписанием прямых эфиров вы можете в телеграм-канале GoPractice.

В этом выпуске Нина Романова (ML Product Manager в Mars, Inc.) объясняет, в каких ситуациях стоит использовать Machine Learning в работе над проектом.

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 GoPractice.

Для удобства чтения мы отредактировали речь спикера.

Как нам понять, стоит ли делать проект с Machine Learning? Допустим, мы уже поняли проблему, все обсудили, а затем нам нужно получить стопроцентное «да» от всех стейкхолдеров. Я имею в виду другие команды, потому что, как правило, эти данные мы будем собирать из разных источников, нам надо с ними работать совместно. Также мы, например, можем отвечать за настройку Machine Learning, то есть самой модели, но нам ее нужно внедрить в систему какой-то другой команды. Потому что нам нужно стопроцентное «да» от всех стейкхолдеров.

Но если нет необходимых данных, то проект и начинать не надо. Про вычислительную мощность: если нам не хватит денег ее масштабировать, то да, мы получим какой-то опыт, но проект в итоге завернем.

Поэтому если у нас есть утвердительный ответ на все эти вопросы, то можно пойти прекрасным путем построения Machine Learning продукта и дальше играться: как мы можем удешевить продукт, будем ли делать инхаус или можно купить какое-то решение, а дальше движемся по фреймворку.

↓ 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
→ Как проверить необходимость ML без ML
→ Как искать работу в США
→ Как проходить интервью в международных компаниях

Материалы от Нины Романовой: о поиске работы и работе ML Product Manager

Ресурсы с информацией о зарплатах — levels.fyi и Glassdoor

Типичные вопросы в технологических компаниях — (1) и (2)

Работа в NYC

Product School, где можно подписаться на бесплатные вебинары от продактов

Блог Эрика Вебера про Data Product Management

Книга по ML PM — “Building Machine Learning Powered Applications: Going from Idea to Product”

Книга про ИИ в целом — на английском и на русском

Книга, автор которой пытается ответить на вопрос «Кому принадлежит будущее?»

ORBIT модель 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.