Искусственный интеллект уже здесь и останется. Менеджеру по продукту лучше развивать в нем навык. Я знаю, что мы только что освоились от причуды API, а затем срочности узнать об облачных платформах, блокчейне на некоторое время и снова об этой новой вещи!

У меня есть ~ 3 года опыта создания/работы с двумя моделями машинного обучения. Я разработал перспективу — в чем заключается наша работа в качестве менеджера по продуктам ML/AI? и я думаю, что это может помочь вам притворяться, пока вы не сделаете это.

PS: речь не об основах машинного обучения. Вот 5 вещей, которые вам нужно знать, чтобы звучать как продакт-менеджер продукта с искусственным интеллектом.

Большая часть моего опыта в области AI/ML связана с созданием механизмов рекомендаций. Я считаю, что это также наиболее коммерчески популярное его применение. Как это работает, модель машинного обучения пытается классифицировать пользователей и использовать интересы группы для создания предложения. Правильная классификация — часть работы специалиста по данным. Сделать данные пригодными для использования — это работа Data Engineer. Как менеджеру по продукту, вам не нужно погружаться в статистику и программирование, а нужно только убедиться, что модель машинного обучения обеспечивает ожидаемые результаты, и вы делаете это, предоставляя правильные входные данные.

#1 Докажите, нужно ли вам машинное обучение для решения проблемы

Ваша работа как менеджера по продукту состоит в том, чтобы убедить своего босса, что ваш продукт не нуждается в машинном обучении. Создание и поддержка модели машинного обучения — дорогое и долгое дело. Большинство компаний, создающих механизм рекомендаций для эффективного продвижения контента, терпят неудачу, но если ваша компания хочет сделать то же самое —

а) Во-первых, оцените бизнес-цель, которую вы пытаетесь достичь, и убедитесь, что она приносит доход. Модель машинного обучения стоит дорого, и если ваш бизнес не может без нее выжить, не создавайте ее.

Моя цель состояла в том, чтобы снизить уровень оттока, рекомендуя эксклюзивный контент со скидкой или с дополнительными преимуществами.

б) Изучите точки данных, функции или входные переменные (на языке специалиста по данным), которые помогут вам прогнозировать. Убедитесь, что они имеют смысл и не являются слишком общими.

Я использовал среднее время сеанса, дату поездки, дату поискового запроса, пункт назначения и дату последнего входа в систему, чтобы сделать вывод, стоит ли человеку предоставлять скидку или он / она воспользуется одноразовым преимуществом и не вернется во второй раз.

c) Сначала используйте альтернативы машинному обучению и посмотрите, есть ли потребность в них. Альтернативой модели ML является дерево решений. Если вы считаете, что целевой клиент не развивается быстро, и у вас будет достаточно времени, чтобы скорректировать дерево, то почему бы и нет?

Вместо этого я построил модель дерева решений. Мы придавали вес каждому критерию, который выполнялся, и система предлагала пользователям выше порога скидку при попытке попасть в промежуточную воронку продаж.

г) Сделайте несколько прогнозов вручную, которые, как вы надеетесь, модель машинного обучения сделает автоматически, и выполните их, чтобы проверить, соответствуют ли они бизнес-цели. Нерациональный потребитель потопил многих гигантов.

Наше дерево решений присваивало высокий общий вес пользователю, который казался потенциальным клиентом и нуждался в срочности, но на самом деле результат пользователя был меньше, и даже те, кто был выбран деревом решений, не заботились о скидке, что было удивительно, потому что мы сделали действительно хорошие предложения. Следовательно, дерево было усыплено после 1 года руинирования.

# 2 Создайте стратегию данных

Если вам необходимо построить модель машинного обучения, следующим шагом будет разработка стратегии данных. Как менеджер по продукту, вы должны найти надежный и релевантный источник данных. Недоступность соответствующих источников данных — веская причина не использовать модель машинного обучения.

а) Вы можете заглянуть внутрь. Оцените точки данных, которые собирал ваш продукт (если вы уже ОНЛАЙН). Убедитесь, что данные достаточно убедительны — по крайней мере, 2 или 3 года. Это самый дешевый и наименее спорный вариант.

б) Вы можете сначала создать соответствующий продукт, теневой целью которого будет получение точных данных. Это длительный процесс, но он помогает контролировать цепочку создания стоимости и в долгосрочной перспективе является более гибким и надежным подходом. Хорошим примером этого являются приложения для кредитных карт, такие как Cred.

в) Открытый исходный код, Государственные учреждения, Crowdsource. Это недорогие способы, но, как правило, качество плохое и очень спорное. Примером открытого исходного кода является Kaggle. Примером государственного учреждения является Singpass или GovTech в Сингапуре, Arogyasetu и ​​HealthCard в Индии. Facebook просит вас пометить фотографии или Google просит вас подтвердить, что вы не робот, — это примеры краудсорсинга.

c) Вы можете сотрудничать со сторонними поставщиками, чтобы предоставлять и продолжать предоставлять вам соответствующие данные. Выбор поставщика здесь сложен. В идеале они должны находиться в том же домене, что и ваша компания, сами должны иметь постоянный источник данных и убедиться, что их данные заслуживают доверия и имеют право на использование.
Это дорого. Нужно договариваться о различных правах использования и уровнях конфиденциальности. Это также рискует юридическими обязательствами.

# 3 Решите, должна ли модель ML быть точной или точной или отзывной

Вот где это становится интересным для менеджера по продукту. Если вы построили свою модель машинного обучения сейчас, вопрос в том, каков будет результат этого?

Как менеджер по продукту, вы решаете, в зависимости от бизнес-целей, что из следующего будет результатом вашей модели машинного обучения.

а) Точность — точная модель машинного обучения принимает большое количество правильных решений при минимальном количестве попыток. Это меньшее, что должна делать ваша модель. Модель машинного обучения должна принимать правильное решение и постепенно учиться делать это за меньшее количество попыток.

б) Отзыв — хорошая модель отзыва ML может определить количество правильных вариантов выбора из всех заданных правильных вариантов.

Например, если ваша модель обнаруживает коронавирус у пациентов, вы хотите, чтобы она получила 100% положительных случаев. Количество попыток не имеет значения, но вы хотите, чтобы модель сделала все правильные попытки.

c) Точный — точная модель машинного обучения может определить количество правильных выборов при минимальном количестве неправильных попыток.

Например, если вы ориентируетесь на потенциальных клиентов для дополнительных или перекрестных продаж через цифровую рекламу, и каждая реклама стоит вам денег, вы хотите, чтобы ваша модель была правильной в отношении каждого предложения, которое она делает. Количество попыток имеет значение. Вы можете упустить несколько потенциальных зацепок, но не можете упустить неправильную попытку.

d) Оценка F1 — отзыв и точность противоречат друг другу. Модель машинного обучения может иметь 100% точность и полноту только тогда, когда она уже знает ответы🙈🤣. Если вы находитесь в ситуации, когда важны как точность (нельзя терять попытки), так и память (нельзя упускать правильные) — вам поможет оценка F1. Это арифметическое уравнение для баланса отзыва и точности.

# 4 Собственное развертывание

Как только ваша модель машинного обучения готова — она обучена, протестирована и дает результаты, — начинается развертывание. Самым популярным режимом по-прежнему является API.

Модель машинного обучения может быстро сгруппировать/классифицировать вас в вашу очень похожую группу и предсказать, что вам больше всего понравится, и отправить эту информацию через API в систему внешнего интерфейса.

Как менеджер по продукту, вы будете решать, исходя из возможностей модели (время обработки вашей модели машинного обучения) и бизнес-целей, какова будет частота вывода. Это может быть ежедневно, еженедельно или ежечасно. Но чем выше частота — тем дороже будет инфраструктура для ее поддержания.

# 5 ROI модели ML

Когда вы строите модель машинного обучения, обязательно установите для нее временные рамки. В противном случае вы рискуете потерять актуальность. Даже если вы построите ее вовремя, вам придется следить за реакцией целевой аудитории на результаты модели, так как вы рискуете, что аудитория станет невосприимчивой к рекомендациям. Всегда существует риск того, что сам ваш флагманский продукт находится на стадии зрелости или упадка.

Большая часть модели машинного обучения, построенной как механизм рекомендаций, не нашла актуальности. Другие лучшие приложения для моделей машинного обучения имеют новаторский успех. Но что касается нас, продакт-менеджеров, то если вы бегло расскажете о вышеупомянутых 5 пунктах, это убедит любого, что вы создаете продукт машинного обучения.