Maschinelles Lernen für Produktmanager: Ein unverzichtbarer Schnellkurs
Künstliche Intelligenz ist wahrscheinlich das heißeste Thema in der Technologiewelt im Moment.
Es gibt KI-basierte Produkte, die zu Einhörnern werden oder Hunderte von Millionen an Risikokapital einwerben. Zudem gibt es prominente Produktverantwortliche, die diese KI-getriebenen Produkte führen, denen wir folgen und von denen wir lernen.
Viele Produktmanager möchten von dieser unglaublichen Technologie profitieren, indem sie entweder ein KI-Produkt leiten oder ihren bestehenden Produkten KI-Fähigkeiten hinzufügen. Wenn Sie einer von ihnen sind, richtet sich dieser Artikel ganz besonders an Sie.
Du willst mehr vom The CPO Club?
Registriere dich für eine kostenlose Mitgliedschaft, um diesen Artikel vollständig zu lesen:
Have an account? Log In
Ich habe mehrere KI-Produkte entwickelt und möchte Ihnen helfen, diese Technologie zu verstehen und das Beste daraus zu machen.
Was ist Machine Learning?
Maschinelles Lernen ist eine Disziplin, die sich darauf konzentriert, Algorithmen und Software zu entwickeln, die in der Lage sind, aus den übermittelten Informationen „zu lernen“ und infolge dieses Trainings bestimmte Aufgaben effektiv auszuführen.
Der Begriff und das Forschungsfeld selbst sind überraschend alt—sie stammen aus dem Jahr 1959, als Arthur Samuel von IBM (einer der führenden Informatiker seiner Zeit) ihn in seiner Arbeit „Some Studies in Machine Learning Using the Game of Checkers.“ prägte.
Trotz seiner 60-jährigen Geschichte ist maschinelles Lernen erst im letzten Jahrzehnt wirklich populär geworden, insbesondere dank des massiven Anstiegs der Rechenleistung, speziell bei GPUs.
Aber was hat maschinelles Lernen nun mit künstlicher Intelligenz zu tun? Klären wir diese Frage als Nächstes.
Machine Learning (ML) vs Künstliche Intelligenz (KI)
Alle verwenden die Begriffe „maschinelles Lernen“ und „künstliche Intelligenz“ synonym, wenn es um intelligente Software geht, die Gegenstände auf Bildern erkennt, Gedichte schreibt oder beeindruckende Antworten auf detaillierte Eingaben liefert.
Tatsächlich ist künstliche Intelligenz der übergeordnete Begriff für Maschinen mit Wahrnehmungs- und Denkfähigkeiten, während maschinelles Lernen ein Teilgebiet der KI ist, das sich auf lernfähige Software konzentriert.
Mit diesen Begriffserklärungen im Gepäck, schauen wir uns als Nächstes an, wie diese Maschinen lernen und wie sie grundsätzlich funktionieren.
Wie Machine Learning funktioniert
Um maschinelles Lernen zu verstehen, sollten wir zuerst seine häufigste Form betrachten—neuronale Netze mit tiefen Lernstrukturen, sogenannte Deep Learning.
Ein neuronales Netz ist eine in regulärem Code geschriebene Struktur, die versucht, die Funktionsweise eines biologischen Gehirns nachzuahmen. Beim Menschen und anderen Lebewesen ist das Gehirn ein komplexes Netzwerk aus Neuronen (Nervenzellen), die miteinander verbunden sind. Ein Impuls einer Zelle aktiviert eine andere, und die Information wandert entlang des neuronalen Netzwerks.
Ich glaube nicht, dass ich der richtige Ansprechpartner für Biologie bin (da würde ich kläglich scheitern), daher bleibe ich bei der Technologie.
Neuronale Netze in der Software sehen etwa so aus:
Jeder Kreis hier stellt ein einzelnes Neuron dar. Im Code ist ein Neuron einfach eine Funktion, die eine Information entgegennimmt, sie verarbeitet und das Ergebnis an das nächste Neuron weitergibt.
Hinweis: Dies ist eine Vereinfachung des tatsächlichen Prozesses. Für weitere Details empfehle ich das außergewöhnliche Video-Tutorial zu neuronalen Netzen auf dem YouTube-Kanal 3blue1brown, in dem auch die mathematischen Konzepte hinter dieser Technologie erklärt werden.
Wie wir auf dem Bild oben sehen, sind unsere Neuronen in Schichten angeordnet. Neuronale Netze bestehen in der Regel aus drei Arten von Schichten:
- Die Eingabeschicht, die dafür zuständig ist, Informationen aus der Außenwelt aufzunehmen.
- Die verborgenen Schichten verarbeiten diese Informationen, wobei jede einzelne einen bestimmten Aspekt davon bearbeitet.
- Die Ausgabeschicht gibt das verarbeitete Ergebnis an die Außenwelt zurück.
Schauen wir uns nun anhand eines einfachen Beispiels die Bedeutung dieser Schichten an. Stellen Sie sich vor, Sie möchten mit einem neuronalen Netz ein Tier auf einem Foto erkennen lassen. Dafür haben Sie ein neuronales Netz mit sechs Schichten entwickelt, das folgendermaßen arbeitet:
- Eingabeschicht, die kleine Segmente des Tierfotos aufnimmt und an die erste verborgene Schicht weiterleitet.
- Die erste verborgene Schicht versucht, in jedem Segment grundlegende Formen (z. B. gerade Linien) zu finden und diese Informationen an die zweite Schicht weiterzugeben.
- Die zweite Schicht kombiniert dann einige dieser Linien zu einfachen geometrischen Formen (z. B. Kreise, Halbkreise usw.) und gibt diese an die dritte Schicht weiter.
- Die dritte Schicht erstellt nun aus diesen geometrischen Formen komplexere Gestalten.
- Die vierte Schicht kombiniert alle zuvor erstellten Formen, um eine Umrisszeichnung eines Tieres zu erhalten.
- Die Ausgabeschicht schließlich nennt den Typ des Tieres, den sie anhand der erkannten Form identifiziert hat.
So sieht dieser Prozess visuell aus.
Wenn du dir den obigen Prozess ansiehst, fragst du dich vielleicht, wie KI-Ingenieure es schaffen, dass diese Schichten Formen erkennen und das Tier auf dem Bild richtig erraten, stimmt's? Sie tun dies, indem sie das neuronale Netzwerk auf seine Aufgabe „trainieren“.
Um das Netzwerk zu trainieren, geben KI-Ingenieure eine Reihe von Eingaben zusammen mit deren korrekten Ausgaben vor. In unserem Fall wären das verschiedene Tierbilder als Eingaben sowie dieselben Bilder mit dem richtigen Tiernamen als Ausgaben.
Da dein Netzwerk die richtigen Antworten kennt, passt es sich fortlaufend selbst an (also die Parameter, die ein Neuron an andere weitergibt), bis seine Antworten denen, die wir vorgegeben haben, sehr ähnlich sind.
In Wirklichkeit wird dein Netzwerk nie zu 100% mit seinen Antworten richtig liegen – ein gewisser Fehlergrad bleibt immer bestehen, den man berücksichtigen muss. Die gute Nachricht ist: Du willst gar nicht, dass es 100% richtig ist. Hauptsache ist, dass das Modell schneller und genauer ist als ein Mensch.
Jetzt, da wir verstanden haben, wie es funktioniert, gehen wir dazu über, wie du Machine Learning in deinen eigenen Produkten einsetzen kannst.
Maschinelles Lernen: Was es kann – und was nicht
Der Hype um KI ist riesig, und viele Start-up-Gründer oder Produktmanager träumen davon, KI in ihre Produkte zu integrieren. Doch die Millionen-Dollar-Frage ist: Brauchst du wirklich KI?
Ich verstehe, dass der Begriff „KI-gesteuert“ in Pitch-Decks für Investoren und in jeder Marketingpräsentation gut aussieht – doch vergiss nicht: Den Aufbau eines KI-Modells ist teuer und zeitaufwendig.
Wenn dein KI-Modell also nur ein einfaches Problem löst, das ohne Weiteres auch mit herkömmlichem Code bewältigt werden könnte, verschwendest du dein Budget für einen schicken Begriff auf deiner Webseite.
Um abzuklären, ob du wirklich ein KI-Modell brauchst, betrachten wir Aufgaben und Problemstellungen, die du damit lösen kannst, und vergleichen sie mit denen, bei denen klassische Programmierung die bessere Wahl ist.
Häufige Aufgaben, die Machine-Learning-Modelle für dich übernehmen können
ML-Modelle sind keine Magie – auch wenn durch die vielen Anwendungsfälle für ChatGPT und andere neuartige, große Sprachmodelle manchmal dieser Eindruck entsteht. Zwar erleben wir aktuell einen Boom hochentwickelter KI-Tools, doch viele Produkte profitieren bereits von einfacheren ML-Modellen.
Die Aufgaben, die diese Modelle erfüllen, lassen sich meist in folgende vier Kategorien einteilen.
Klassifikation
Wie der Name vermuten lässt, erkennen diese Modelle die bereitgestellten Informationen und ordnen sie einer Klasse oder einem Label zu. Das zuvor besprochene Beispiel, Tiere auf Bildern zu erkennen, ist ein typischer Fall von KI-Klassifikation.
Im Bereich der KI-Klassifikation unterscheidet man wiederum vier Typen:
Binäre Klassifikation: Dieses Modell liefert eine Ja- oder Nein-Antwort. Häufige Anwendungsfälle sind E-Mail-Spam-Erkennung (isSpam = true oder false), Brustkrebsdiagnose (riskant oder nicht riskant) usw.
Unausgeglichene Klassifikation: Dabei werden die Daten in zwei Gruppen unterteilt – eine normale Mehrheit und eine anomale Minderheit. Ein Beispiel hierfür ist die Betrugserkennung in Zollanmeldungen an Staatsgrenzen.
Das KI-Modell untersucht dabei die Unterlagen und versieht jede Zollanmeldung je nach „Auffälligkeit“ mit einer grünen (Durchwinken), gelben (Dokumentenprüfung erforderlich) oder roten (Warenprüfung erforderlich) Markierung im Vergleich zu anderen.
Mehrklassen-Klassifikation: In diesem Fall wählt das Modell einen von vielen vordefinierten Werten aus. Algorithmen zur optischen Zeichenerkennung (jene, die Text aus Bildern extrahieren) gehören zu dieser Kategorie.
Mehrfach-Label-Klassifikation: Im Gegensatz zur vorherigen Variante vergeben diese Modelle mehrere Labels für denselben Datensatz. Viele Algorithmen der Computer Vision fallen in diese Kategorie, da sie auf Bilder oder Videos schauen und darin mehrere Objekte identifizieren. So sieht eine Mehrfach-Label-Klassifikation für ein selbstfahrendes Auto aus.
Weitere Anwendungen dieser Technologie umfassen das Extrahieren nützlicher Informationen aus Texten (z. B. Meinungen über Ihre Marke aus Tweets) oder das Bestimmen der Gesprächsthemen in einem Podcast.
Regression
Diese Klasse von KI-Modellen ist in der Lage, auf Basis vorhandener Daten Vorhersagen zu treffen. Mit Regressionsmodellen kann man die Beziehungen zwischen verschiedenen Faktoren analysieren und zukünftige Werte auf Basis vergangener Daten vorhersagen (auch als Prognosealgorithmen bekannt).
Einige Anwendungsfälle von Regressionsalgorithmen sind:
- Vorhersage des Aktienkurses auf Basis früherer Preisschwankungen.
- Schätzung des Preises eines Autos anhand der Kilometerleistung, des Baujahrs usw.
- Vorschläge für die besten Anzeigentexte zur Steigerung der Konversionsrate.
- Ermittlung des besten Wochentags und der optimalen Uhrzeit zum Versenden von E-Mails, um die meisten Öffnungen und Klicks zu erzielen.
Einige der größeren Modelle sind zudem in der Lage, so komplexe und chaotische Dinge wie das Wetter vorherzusagen.
Clustering
Dies ist ein Verfahren des unüberwachten Lernens, bei dem das Modell Ähnlichkeiten in einer Menge von Objekten erkennt und diese auf Basis dieser Ähnlichkeit gruppiert. Anders als bei der Klassifikation weiß ein Clustering-Algorithmus nicht, was er vor sich hat — lediglich, dass diese Objekte sich ähneln.
Einige Anwendungsfälle für Clustering-Algorithmen sind:
- Segmentierung Ihrer E-Mail-Marketingliste in Gruppen mit ähnlichem Verhalten.
- Organisation einer großen Büchersammlung nach Themen.
- Gruppierung von Fotos basierend auf den darin gefundenen Objekten.
Grundsätzlich gilt: Wenn Sie eine große Menge an Objekten haben, die Sie auf Basis eines bestimmten Merkmals in verschiedene Gruppen unterteilen möchten, sind Clustering-Algorithmen das Werkzeug Ihrer Wahl.
Synthese
Abschließend gibt es Algorithmen, die in der Lage sind, Inhalte zu erschaffen. Gemeint sind damit KI-Künstler, -Texter und -Musiker.
Die Einsatzmöglichkeiten für diese Modellgruppe sind vermutlich unbegrenzt – und die Modelle (heute als große Sprachmodelle oder "LLMs" bezeichnet) werden täglich besser. Hier einige Beispiele:
- Webseiten-Texter, die Struktur und Inhalte für SEO optimieren und erstellen.
- Entfernung eines Wasserzeichens aus einem Bild und Rekonstruktion des Bildbereichs unterhalb des Wasserzeichens.
- Erzeugung neuer Frames in einem Spiel, anstatt die Grafikkarte Renderarbeit übernehmen zu lassen, um Ressourcen zu sparen.
- Generierung lizenzfreier Bilder für Ihre Werbeanzeigen.
Hier ein Beispiel für ein Gedicht, das ich GPT-4 schreiben ließ. (Hinweis: Ich stellte GPT-3 im Januar dieselbe Frage, und ich kann Ihnen versichern, dass es heute deutlich talentierter ist.)
Sie können eine Aufforderung in natürlicher Sprache formulieren und das Modell versteht und erfüllt Ihre Anfrage auf Basis des Wissens, das es aus dem Internet gesammelt hat.
Zusammengefasst sind dies die gängigsten Arten von KI-Modellanwendungen.
Es sieht so aus, als könne man mit KI vieles machen – manchmal ist es aber schneller und günstiger, auf die Entwicklung eines eigenen Modells zu verzichten und stattdessen einfache Software zu programmieren.
Aufgaben, bei denen Sie stattdessen reguläres Programmieren nutzen sollten
Nicht jedes Problem erfordert ein KI-Modell zur Lösung.
Um festzustellen, ob Sie das vorliegende Problem ohne KI lösen können, fragen Sie sich, ob es einen deterministischen und klar definierten Satz von Regeln oder Aktionen gibt, mit denen Sie es lösen können.
- Wenn die Antwort ja ist, können Sie normalen Code verwenden (schließlich ist Code lediglich eine Reihe klarer Regeln und Anweisungen für Ihren Computer). Zum Beispiel benötigen Sie keine KI, um festzustellen, ob die von Ihren Nutzern hochgeladene Datei eine Excel-Tabelle ist, da XLSX-Dateien eine strikte Struktur haben und Sie dies prüfen können.
- Wenn Sie diese klaren Regeln nicht benennen können, müssen Sie sich auf KI-Modelle verlassen, um diese Aufgabe zu bewältigen. Das offensichtlichste Beispiel hierfür ist die Bilderkennung. Es gibt keine verlässliche Regel, mit der Sie erkennen können, ob das Rote auf dem Bild ein Auto einer bestimmten Marke ist.
Um dieses Konzept weiter zu verdeutlichen, werfen wir einen Blick auf mehrere Probleme, die Sie auch ohne KI lösen können.
Die kürzeste Route von Punkt A nach Punkt B auf der Karte finden. Dies ist ein bekanntes Problem in der Mathematik und es gibt viele deterministische Ansätze (z. B. Dijkstras Algorithmus), die sich mit gewöhnlichem Code lösen lassen.
Prüfen, ob es auf der Karte Staus gibt. Dafür gibt es eine clevere Lösung. Google nimmt zum Beispiel die aktuellen GPS-Daten aller Smartphones (bei denen diese Funktion aktiviert ist) und prüft, ob viele Geräte auf der Straße stillstehen. Ist das der Fall, gibt es dort sehr wahrscheinlich einen Stau.
Hinweis: Sie können hier auch KI nutzen, um einen Stau auf einer Straße vorherzusagen, auf der nur wenige Smartphones unterwegs sind oder die Positionen verteilt sind.
Markenerwähnungen in sozialen Medien zählen. Wenn Sie die Anzahl der Erwähnungen Ihrer Marke auf Social-Media-Plattformen ermitteln möchten, benötigen Sie lediglich ein Scraping-Tool, das die Suchergebnisse ausliest und zählt.
Hinweis: Ein KI-Modell wäre hier sinnvoll, um auf Basis einer kleinen Stichprobe der Suchergebnisse die Gesamtzahl der Erwähnungen vorherzusagen (anstatt die gesamte Ergebnisliste zu analysieren) – das spart Rechenzeit und Ressourcen.
Zusammengefasst: KI-Modelle sind sehr leistungsfähig in Bezug auf die Aufgaben, die sie erledigen können, aber manchmal ist es einfacher, einfach zu programmieren.
Nachdem Sie nun verstanden haben, wie Sie künstliche Intelligenz in Ihren Produkten einsetzen können, möchte ich ein paar Tipps zum Arbeiten mit KI-Modellen geben.
6 Tipps für Produktmanager beim Arbeiten mit Machine Learning
Im Laufe meiner Karriere im Umgang mit Machine-Learning-Produkten habe ich viele Fehler gemacht, die Zeit und Geld gekostet haben. Damit Sie als ML-Produktmanager diese Fehler nicht wiederholen, habe ich hier einige praktische Tipps für Sie zusammengestellt.
Die Qualität der Daten entscheidet über Erfolg oder Misserfolg Ihrer Modelle
ML-Engineering-Teams und Data Scientists verwenden gerne den Ausdruck „Garbage in – Garbage out“. Das bedeutet, dass die Qualität Ihres Modells direkt von der Qualität der für das Training verwendeten Datensätze abhängt.
Um zu verdeutlichen, was ich mit schlechten Daten meine, gehe ich auf einige Aspekte ein, die ihre Qualität bestimmen:
Schlechte Annotationen: Annotation ist der Prozess, bei dem neue Datensätze manuell gekennzeichnet werden, um als „richtige Ergebnisse“ für das Training Ihres Modells zu dienen. Annotatoren für ein Modell zur Tiererkennung markieren z. B. das Tier auf dem Bild und versehen es mit dem passenden Namen. Markieren Sie Elefanten als „Pinguine“, wird Ihr Modell das nach dem Training ebenfalls tun.
Mangel an Vielfalt: Ihre Modelle funktionieren nur dann gut, wenn die Daten in der Praxis denen aus dem Training ähneln. Hat Ihr Kfz-Kennzeichenerkennungssystem nur US-Kennzeichen gelernt, scheitert es kläglich, wenn es Autos mit EU-Kennzeichen erkennt.
Verzerrung in den Daten: Haben Sie schon von rassistischer KI gehört? Nun, Google hat sich kürzlich bei der afroamerikanischen Community entschuldigt, weil sein Computer-Vision-Algorithmus Folgendes getan hat:
Es gibt auch zahlreiche Fälle, in denen Polizei-KI-Modelle Minderheiten gezielt ins Visier nehmen.
Der Grund dafür sind verzerrte Daten. Diese PolizeikIs basierten auf Datenbanken von Polizeistationen, die dafür bekannt waren, rassistisch zu sein. Daher enthielten sie viele Daten zu Festnahmen von Minderheiten, woraufhin das KI-Modell diese verstärkt anvisierte.
Stellen Sie daher unbedingt sicher, dass Ihre Daten keine Verzerrungen enthalten, die im schlimmsten Fall zu Diskriminierung, Respektlosigkeit oder Schlimmerem führen können.
Entwickeln Sie Funktionen, die beim Retraining Ihrer Modelle helfen
Modelle zu bauen, ist nur die halbe Miete – Sie müssen sie ständig verbessern, indem Sie ihnen neue Fähigkeiten geben oder einfach neue Daten zum Nachtrainieren bereitstellen.
Es kann schwierig sein, relevante Daten für das Retraining Ihres ML-Produkts zu finden. Überlegen Sie daher, Funktionen zu integrieren, die es ermöglichen, solche Daten direkt aus dem Produkt selbst zu gewinnen.
Hier sind zwei Feedback-Loop-Ansätze, die ich ausprobiert habe (und die sich als sehr effektiv erwiesen haben):
Feedback zu den KI-Ergebnissen einholen: Wenn Sie beispielsweise Spam in E-Mails erkennen, fügen Sie eine Schaltfläche „Kein Spam“ hinzu, mit der Ihre Nutzer die E-Mail aus dem Spam entfernen können. Durch diese Aktion „annotieren“ sie diese E-Mail gleichzeitig als spam-frei, und Sie können diese Information für das erneute Training Ihres Modells verwenden.
Hinweis: Genau das macht die Schaltfläche „Kein Spam melden“ in Gmail.
Dem Nutzer anbieten, Ihr Modell mit seinen Daten zu verfeinern: Das ist eine Win-Win-Situation. Ihre Nutzer erhalten ein besser leistungsfähiges Modell, da Sie es auf deren spezifischen Daten nachtrainiert haben – und Sie erhalten zusätzliche Daten, um die Vielfalt Ihres Modells zu steigern.
Wenn möglich, verwenden Sie fertige Lösungen statt eigene zu bauen
Sie müssen das KI-Rad nicht neu erfinden. Es gibt viele fertige Modelle, die Sie kaufen oder mieten können. Das ist besonders dann relevant, wenn Sie ein relativ verbreitetes Problem lösen wollen (zum Beispiel Nacktbilder in Ihrer Social-Media-App erkennen).
Fertige Modelle finden Sie auf Plattformen wie Modelplace und RapidAPI Hub.
Eine einfache Suche nach einem Logo-Erkennungsmodell lieferte uns 9 fertige Lösungen, die wir per API integrieren können.
Nutzen (und fördern) Sie Open-Source-KI-Modelle
Künstliche Intelligenz hat eine ausgeprägte Open-Source-Community. Sie können auf diese zurückgreifen, um fertige Modelle oder nützliche Tools zu finden, die Sie beim Aufbau Ihrer eigenen Modelle unterstützen.
Sehen Sie sich diese Liste auf GitHub an – dort finden Sie einige der besten Open-Source-Projekte und Initiativen im Bereich Machine Learning. Die Liste ist sehr vielfältig und umfasst beispielsweise:
- Modelle mit unterschiedlich hohem Erklärbarkeitsgrad (wie gut sich die Funktionsweise des Modells nachvollziehen lässt), geschrieben in Python und C – von Branchengrößen wie IBM und Amazon.
- Trainingsdaten für Ihre Modelle.
- Werkzeuge für Datenanalyse, Schlüsselmetriken, Anomalie-Erkennung und vieles mehr.
Hinweis: Sollten Sie Verbesserungen an diesen Modellen vorgenommen haben, eröffnen Sie bitte eine Pull Request und teilen Sie Ihre Arbeit mit der Open-Source-Community und deren Akteuren. Open Source lebt davon, dass engagierte Menschen Großartiges leisten und dieses Wissen mit anderen teilen.
KI-Modelle brauchen Zeit zum Entwickeln
Die Methoden von Agile und MVP funktionieren nicht immer bei ML-Systemen. Man kann nicht immer ein kleines Modell bauen und es dann mit mehreren Iterationen Schritt für Schritt weiterentwickeln. Manchmal bedeuten selbst kleine Änderungen am Modell, dass es komplett neu trainiert werden muss.
Mitunter kann es sogar sein, dass eine Optimierung Ihres Modells um 10% bedeutet, das alte Modell zu verwerfen und einen neuen Machine-Learning-Algorithmus zu erstellen.
Ein weiterer Punkt ist die spezielle Arbeitsweise von Data-Science-Profis oder crossfunktionalen Teams, die solche Fachkräfte beschäftigen.
Manchmal werden sie nicht abschätzen können, wann sie ihre Arbeit abschließen werden, da sie den Großteil ihrer Zeit damit verbringen, etwas völlig Neues zu entwickeln und keinen Bezugspunkt dafür haben, wie viel Entwicklungszeit sie brauchen werden. (Ein gutes Beispiel dafür ist der häufig wechselnde Zeitplan für den Release von Googles Gemini.)
Vermeiden Sie drastische Änderungen an Ihrer Datenbankstruktur
Das ist eine bittere Realität, die ich schon mehrmals erlebt habe.
Wenn Sie eigene Daten zum Nachtrainieren Ihrer Modelle verwenden, vermeiden Sie es möglichst, die Struktur Ihrer Datenbank zu ändern.
Ihre Modelle sind darauf ausgerichtet, Daten in einem bestimmten Format und mit bestimmten Eigenschaften zu verarbeiten. Wenn Ihr Data-Engineering-Team die Datenbanken ändert, muss Ihr ML-Team die Modelle anpassen und sie eventuell von Grund auf neu trainieren.
Lernen ist ein fortlaufender Prozess.
Künstliche Intelligenz hat die Welt für uns alle verbessert, da sie vielen visionären Gründern und ML-Produktmanager:innen ermöglicht hat, Probleme zu lösen, die früher als unlösbar galten.
Ich hoffe, dass dir dieser Leitfaden geholfen hat, das Konzept von KI im Produktmanagement, die Rolle des Produktmanagers in diesem Prozess sowie die praktischen Möglichkeiten für Unternehmen zur Nutzung von KI zu verstehen.
Doch großartige neue Produkte zu entwickeln, bedeutet nicht nur, KI richtig einzusetzen. Es gibt viele wichtige Produktaspekte, die du ebenfalls beherrschen solltest, darunter:
- Die Kunst, ein Minimal funktionsfähiges Produkt zu entwickeln.
- Die Arbeit deines Teams richtig mit Produkt-Roadmaps zu planen.
- Kostenbewusst deinen Product-Market-Fit (PMF) zu finden usw.
Abschließend kannst du, wie es das Gedicht in der GPT-3-Demo vorschlug, unseren Newsletter abonnieren, um das Beste aus dem Produktmanagement zu erhalten und immer einen Schritt voraus zu sein.
