Da Data Scientist a Product Manager ML/AI |  di AnnaVia |  Aprile 2024

 | Intelligenza-Artificiale

Approfondimenti e suggerimenti su come prepararsi per una transizione di successo

Foto di Holly Mandarich SU Unsplash

Poiché l’intelligenza artificiale sta diventando sempre più popolare, sempre più aziende e team desiderano iniziare o aumentare il suo sfruttamento. Per questo motivo, molte posizioni lavorative stanno apparendo o acquisendo importanza nel mercato. Un buon esempio è la figura del Machine Learning/Artificial Intelligence Product Manager.

Nel mio caso, sono passato dal ruolo di Data Scientist al ruolo di Machine Learning Product Manager più di due anni fa. Durante questo periodo, ho potuto vedere un costante aumento delle offerte di lavoro relative a questa posizione, post di blog e discorsi in cui si discuteva di essa, e molte persone che considerano una transizione o si interessano ad essa. Ho anche potuto confermare la mia passione per questo ruolo e quanto mi piace il mio lavoro quotidiano, le mie responsabilità e il valore che posso apportare al team e all'azienda.

Il ruolo dell’AI/ML PM è ancora piuttosto vago e si evolve quasi alla stessa velocità dell’IA allo stato dell’arte. Sebbene molti team di prodotto stiano diventando relativamente autonomi utilizzando l'intelligenza artificiale grazie alle soluzioni plug-in e alle API GenAI, mi concentrerò sul ruolo dei PM AI/ML che lavorano nei principali team ML. Questi team sono generalmente formati da data scientist, ingegneri di machine learning e ricercatori e, insieme ad altri ruoli, sono coinvolti in soluzioni in cui la GenAI tramite un'API potrebbe non essere sufficiente (casi d'uso ML tradizionali, necessità di messa a punto di LLM, specifiche in- casi d'uso domestici, prodotti ML come servizio…). Per un esempio illustrativo di tale squadra, puoi controllare uno dei miei post precedenti “Lavorare in un team multidisciplinare di Machine Learning per portare valore ai nostri utenti”.

In questo post del blog tratteremo le principali competenze e conoscenze necessarie per questa posizione, come arrivarci, nonché insegnamenti e suggerimenti basati su ciò che ha funzionato per me in questa transizione.

Sono molte le competenze e le conoscenze necessarie per avere successo come PM ML/AI, ma le più importanti possono essere suddivise in 4 gruppi: strategia di prodotto, consegna del prodotto, influenza e fluidità tecnologica. Esaminiamo in modo approfondito ciascun gruppo per comprendere meglio il significato di ciascuna serie di abilità e come ottenerle.

I quattro set di competenze chiave per un PM ML/AI, immagine per autore

Strategia di prodotto

La strategia di prodotto consiste nel comprendere gli utenti e i loro problemi, identificare i giusti problemi e opportunità e dare loro la priorità sulla base di prove quantitative e qualitative.

In qualità di ex Data Scientist, per me questo ha significato innamorarsi del problema e del dolore dell'utente da risolvere e non tanto della soluzione specifica, e pensare a dove possiamo offrire più valore ai nostri utenti invece di dove applicare questa fantastica novità Modello di intelligenza artificiale. Ho trovato fondamentale avere una chiara comprensione degli OKR (Risultati chiave oggettivi) e a preoccuparsi dell'impatto finale delle iniziative (fornire risultati anziché realizzazioni).

I Product Manager devono dare priorità a compiti e iniziative, quindi ho imparato l'importanza di bilanciare impegno e ricompensa per ogni iniziativa e garantire che ciò influenzi le decisioni su cosa e come costruire soluzioni (ad esempio considerando il triangolo di gestione del progetto – portata, qualità, tempo). Le iniziative hanno successo se sono in grado di affrontare il problema quattro grandi rischi del prodotto: valore, usabilità, fattibilità e fattibilità aziendale.

Le risorse più importanti che ho utilizzato per apprendere la strategia di prodotto sono:

  • Responsabile prodotto buono vs cattivodi Ben Horowitz.
  • Il libro di riferimento che tutti mi hanno consigliato e che ora consiglio a qualunque aspirante Primo Ministro è “Ispirazione: come creare prodotti tecnologici amati dai clienti”, di Marty Cagan.
  • Un altro libro e autore che mi ha aiutato ad avvicinarmi allo spazio utente e ai problemi dell'utente è “Abitudini di scoperta continua: scopri prodotti che creano valore per il cliente e valore aziendale”, di Teresa Torres.

Consegna del prodotto

La consegna del prodotto riguarda la capacità di gestire l'iniziativa di un team per fornire valore agli utenti in modo efficiente.

Ho iniziato comprendendo le fasi delle funzionalità del prodotto (scoperta, pianificazione, progettazione, implementazione, test, lancio e iterazioni) e cosa significava ciascuna di esse per me come Data Scientist. Quindi è seguito il modo in cui è possibile apportare valore “efficientemente”: iniziando in piccolo (attraverso Prodotti minimi vitali e prototipi), offrendo valore velocemente attraverso piccoli passi e iterazioni. Per garantire che le iniziative si muovano nella giusta direzione, ho ritenuto fondamentale anche misurare continuamente l'impatto (ad esempio attraverso dashboard) e imparare dai dati quantitativi e qualitativi, adattando i passaggi successivi con approfondimenti e nuovi apprendimenti.

Per conoscere la consegna del prodotto, consiglierei:

  • Alcune delle risorse precedentemente condivise (ad esempio il libro Inspired) coprono anche l'importanza di MVP, prototipazione e agile applicati al Product Management. Ho anche scritto un post sul blog su come pensare agli MVP e ai prototipi nel contesto delle iniziative ML: Quando il machine learning incontra il prodotto: spesso meno è meglio.
  • Imparare a conoscere la gestione agile e di progetto (ad esempio attraverso questo corso intensivo) e su Jira o sullo strumento di gestione dei progetti utilizzato dalla tua attuale azienda (con video come questo corso intensivo).

Influenzare

Influenzare è la capacità di guadagnare fiducia, allinearsi con gli stakeholder e guidare il team.

Rispetto al ruolo del Data Scientist, il lavoro quotidiano del PM cambia completamente: non si tratta più di codificare, ma di comunicare, allineare e (tanto!) riunioni. Ottima comunicazione e narrazione diventano fondamentali per questo ruolo, in particolare la capacità di spiegare argomenti complessi di ML a persone non tecniche. Diventa anche importante tenere informati gli stakeholder, dare visibilità al duro lavoro del team e garantire l'allineamento e l'acquisizione della direzione futura del team (dimostrando come aiuterà ad affrontare le sfide e le opportunità più grandi, guadagnando fiducia). Infine, è anche importante imparare a sfidare, a dire di no, a fungere da ombrello per la squadra e, talvolta, a fornire cattivi risultati o cattive notizie.

Le risorse che consiglierei per questo argomento:

  • La guida completa alla mappatura degli stakeholderMirò
  • Un libro assolutamente da leggere per qualsiasi Data Scientist e anche per qualsiasi Product Manager ML è “Storytelling con i dati: una guida alla visualizzazione dei dati per i professionisti aziendali”, di Cole Nussbaumer Knaflic.
  • Per saperne di più su come, in qualità di Product Manager, puoi influenzare e potenziare il team, “POTENZIATO: persone comuni, prodotti straordinari”, di Marty Cagan e Chris Jones.

Conoscenza della tecnologia

La fluidità della tecnologia per un PM ML/AI significa conoscenza e sensibilità nell'apprendimento automatico, nell'intelligenza artificiale responsabile, nei dati in generale, negli MLOP e nell'ingegneria back-end.

Principali aree di conoscenza della padronanza della tecnologia per un PM ML/AI, immagine dell'autore

Tuo Scienza dei dati/Apprendimento automatico / Intelligenza artificiale lo sfondo è probabilmente la tua risorsa più forte, assicurati di sfruttarlo! Questa conoscenza ti consentirà di parlare nella stessa lingua dei Data Scientist, comprendere profondamente e sfidare i progetti, avere sensibilità su ciò che è possibile o facile e ciò che non lo è, potenziali rischi, dipendenze, casi limite e limitazioni.

Poiché guiderai prodotti con un impatto sugli utenti, incluso IA responsabile la consapevolezza diventa fondamentale. I rischi legati alla mancata considerazione di ciò includono dilemmi etici, reputazione aziendale e questioni legali (ad esempio leggi specifiche dell'UE come GDPR o AI Act). Nel mio caso, ho iniziato con il corso Etica pratica dei datida Fast.ai.

Generale fluidità dei dati è anche necessario (probabilmente anche tu ne hai parlato): pensiero analitico, essere curioso dei dati, capire dove sono archiviati i dati, come accedervi, importanza dei dati storici… Oltre a ciò è anche importante sapere come misurare l'impatto , il rapporto con le metriche aziendali e gli OKR e la sperimentazione (test a/b).

Poiché probabilmente i tuoi modelli ML dovranno essere distribuiti per ottenere un impatto finale sugli utenti, potresti collaborare con ingegneri di machine learning all'interno del team (o DS esperti con conoscenze di distribuzione del modello). Avrai bisogno di acquisire sensibilità a riguardo MLOP: cosa significa mettere in produzione un modello, monitorarlo e mantenerlo. In deeplearning.ai puoi trovare un ottimo corso sugli MLOP (Ingegneria del Machine Learning per la specializzazione produttiva).

Infine, può succedere che anche la tua squadra lo abbia Fine posteriore Ingegneri (di solito si occupano dell'integrazione del modello distribuito con il resto della piattaforma). Nel mio caso, questo era il campo tecnico più lontano dalla mia competenza, quindi ho dovuto investire un po' di tempo imparando e acquisendo sensibilità riguardo al BE. In molte aziende, il colloquio tecnico per il PM include alcune domande relative al BE. Assicurati di avere una panoramica di diversi argomenti di ingegneria come: CICD, ambienti di staging e di produzione, architetture Monolith e MicroServices (e PRO e CONT di ogni configurazione), richieste pull, API, architetture guidate da eventi….

Abbiamo trattato le 4 aree di conoscenza più importanti per un PM ML/AI (strategia di prodotto, consegna del prodotto, influenza e fluidità tecnologica), perché sono importanti e alcune idee sulle risorse che possono aiutarti a raggiungerle.

Proprio come in ogni avanzamento di carriera, ho trovato fondamentale definire un piano e condividere i miei desideri e aspettative a breve e medio termine con manager e colleghi. Grazie a questo, ho potuto passare al ruolo di PM nella stessa azienda in cui lavoravo come Data Scientist. Ciò ha reso la transizione molto più semplice: conoscevo già il business, il prodotto, la tecnologia, le modalità di lavoro, i colleghi… Ho anche cercato mentori e colleghi all'interno dell'azienda ai quali avrei potuto porre domande, apprendere argomenti specifici e persino esercitarmi per il PM. interviste.

Per prepararmi alle interviste, mi sono concentrato sul cambiamento della mia mentalità: sviluppare vs pensare se costruire qualcosa o meno, se lanciare qualcosa o meno. ho scoperto AUTOBUS (Business, Utente, Soluzione) è un ottimo modo per strutturare le risposte durante le interviste e applicare lì questa nuova mentalità.

Ciò che ho condiviso in questo post del blog può sembrare molto, ma in realtà è molto più semplice che imparare Python o capire come funziona la propagazione all'indietro. Se non sei ancora sicuro se questo ruolo faccia al caso tuo oppure no, sappi che puoi sempre provarci, sperimentare e decidere di tornare al tuo ruolo precedente. O forse, chissà, finirai per amare il ruolo di PM ML/AI proprio come me!

Fonte: towardsdatascience.com

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *