Aikakaudella, jolla tekoäly muuttaa nopeasti eri toimialoja, tekoälytuotehallinnan asiantuntemuksen kehittämisestä on tulossa välttämätöntä nykypäivän ohjelmistotuotepäälliköille.
Tässä jaksossa Hannah Clarkin vieraana on Praveen Gujar — LinkedInin tuotejohtaja — joka jakaa arvokkaita näkemyksiään tekoälytuotepäälliköiltä vaadittavista keskeisistä taidoista, tekoälyosaamisen kasvavasta kysynnästä sekä datan laadun ja etiikan keskeisestä roolista tekoälyn kehittämisessä.
Haastattelun kohokohdat
- Tutustu Praveen Gujarin taustaan [01:26]
- Praveenilla on taustaa sekä insinöörityöstä että tuotehallinnasta.
- Hän aloitti uransa ohjelmistokehittäjänä, mutta löysi intohimonsa tuotteiden rakentamisesta asiakaslähtöisellä tavalla.
- Hän suoritti MBA-tutkinnon ja aloitti työskentelyn tuotepäällikkönä Amazonilla.
- Hänen asiantuntemuksensa keskittyy kahteen alueeseen: digitaaliseen mainontaan ja julkiseen pilveen.
- Hänen näillä alueilla rakentamansa tuotteet hyödyntävät tekoälyä.
- Hän on työskennellyt Amazonilla, LinkedInissä ja Twitterissä rakentaen tuotteita näille suurille organisaatioille.
- Hänellä on laaja kokemus tekoälytuotepäällikkönä, ja hän haluaa jakaa asiantuntemustaan.
- Tekoälytuotepäälliköiden keskeiset taidot [02:27]
- Ollaksesi hyvä tekoälytuotepäällikkö sinun on ensin oltava hyvä perinteinen tuotepäällikkö, joka keskittyy asiakaslähtöiseen ongelmanratkaisuun, tuotteen toteutukseen ja markkinoillevientistrategioihin.
- Tekoälytuotepäällikön kolme keskeistä taitoa:
- Tekoälyn tekninen ymmärtäminen: tekoälyn ja koneoppimisen käsitteiden, mallien ja koulutuksen tuntemus sekä tiivis yhteistyö tekoälyinsinöörien kanssa.
- Datatieteen tuntemus: datan kulun, mallien koulutuksen, datan laadun ja mahdollisten vinoumien ymmärtäminen.
- Ohjelmointi: Pythonin ja R:n kaltaisten ohjelmointikielten osaaminen voi helpottaa yhteydenpitoa insinööreihin ja parantaa tehokkuutta.
- Tekoälykäsitteiden soveltaminen omaan erityisalaan (esimerkiksi terveydenhuoltoon tai rahoitukseen) on ratkaisevan tärkeää asiakkaille merkityksellisten tuotteiden rakentamisessa.
- Viestintä ja selitettävyys ovat olennaisia etenkin silloin, kun työskennellään tekoälyä tuntemattomien asiantuntijoiden ja johtajien kanssa.
- Koko mallin elinkaaren hallinta ja tiivis yhteistyö insinöörien kanssa ovat tärkeitä.
- Hyvät tekoälytuotepäälliköt yhdistävät teknisen asiantuntemuksen, soveltamisen omalle erityisalalle sekä edistyneet tuotepäällikön taidot selitettävyyden ja yhteistyön edistämiseksi.
Monet hyvänä tuotepäällikkönä toimimiseen tarvittavista taidoista ovat olennaisia myös menestyksekkäälle tekoälytuotepäällikölle. Näihin kuuluvat ongelmien tehokas tunnistaminen, asiakastarpeista lähteminen, vahva tuotetaju oikean tuotteen rakentamiseksi sekä tuotteen toteutusvaiheen että markkinoillevientivaiheen johtaminen.
Praveen Gujar
- Kasvava kysyntä tekoälyyn erikoistuneille tuotepäälliköille [05:34]
- Tekoäly on tullut laajalti tunnetuksi suurelta osin ChatGPT:n kaltaisten työkalujen suosion ansiosta, vaikka tekoälyä on käytetty jo monien vuosien ajan erityisesti digitaalisen mainonnan kaltaisilla aloilla.
- Tekoälyn suosion ja käytön viimeaikainen eksponentiaalinen kasvu on luonut merkittäviä mahdollisuuksia tekoälytaitoja omaaville tuotepäälliköille ratkaista monenlaisia ongelmia ja luoda innovatiivisia ratkaisuja.
- Yhä useammat tuotteet ja palvelut sisältävät tekoälyä joko parantamalla olemassa olevia ominaisuuksia tai omaksumalla tekoäly edellä -lähestymistavan, mikä laajentaa tekoälyyn erikoistuneiden tuotepäälliköiden roolia.
- Tekoälyosaaminen tuotepäällikkönä on strategisesti tärkeää sekä organisaatioille että henkilökohtaiselle urakehitykselle, mukaan lukien PR ja oman profiilin rakentaminen.
- Tekoälyyn erikoistuneille tuotepäälliköille on suurempi kysyntä, mikä tarjoaa mahdollisuuksia taitojen kehittämiseen, huipputeknologiaa hyödyntävien tuotteiden luomiseen ja mahdollisista taloudellisista palkkioista hyötymiseen.
- Tekoälyn hyödyntäminen nopeasti kasvavien tuotteiden rakentamisessa [07:51]
- Monet organisaatiot lisäävät olemassa oleviin tuotteisiin pinnallisia tekoälyominaisuuksia, kuten chatbotteja, samalla tavalla kuin mobiilitekniikan aikakauden alussa.
- Tämä "tekoälyn ripottelu" -lähestymistapa ei ole kestävällä pohjalla.
- Kestävä kasvu syntyy tekoäly edellä suunniteltujen tai tekoälyyn integroitujen tuotteiden rakentamisesta, joissa tekoäly on keskeinen osa tuotteen käyttökokemusta.
- Sen sijaan, että automatisoitaisiin vain tiettyjä työnkulkuja, tekoälyä tulisi käyttää päätöksenteon optimointiin ja parantamiseen.
- Täysin automatisoidut, tekoälyä hyödyntävät tuotteet tarjoavat paremman suorituskyvyn ja paremmat mahdollisuudet pitkäaikaiseen menestykseen.
- Organisaatiorakenne on ratkaisevan tärkeä: tekoälyinsinöörien sijoittaminen tiiviisti yhteen tuotepäälliköiden kanssa johtaa paremmin tekoälyyn integroituihin tuotteisiin.
- Tekoäly tulisi suunnitella uudelleen ratkaisemaan käyttäjien keskeisiä ongelmia ja parantamaan käyttökokemuksia päätöksenteon ja optimoinnin avulla.
- Tekoälyn käyttötapaukset mainonnassa ja terveydenhuollossa [10:42]
- Digitaalisessa mainonnassa tekoäly auttaa kohdentamaan mainonnan oikealle yleisölle, tarjoamaan relevanttia sisältöä sekä optimoimaan ajoituksen ja sijoittelun.
- Tekoälyyn perustuvat ennakoivat algoritmit ovat parantaneet yleisön kohdentamista ajan mittaan.
- Generatiivinen tekoäly on tehostanut sisällön luomista nopeuttamalla prosessia ja mahdollistamalla brändeille muunnelmien luomisen nopeammin ja tehokkaammin.
- Tekoäly mahdollistaa personoidun viestinnän suuressa mittakaavassa segmentoimalla yleisöjä dynaamisesti ja luomalla räätälöityä sisältöä miljoonille käyttäjille.
- Googlen, LinkedInin ja Metan kaltaiset alustat tarjoavat nykyään mainostajille täysin automatisoituja päästä päähän -ratkaisuja.
- Terveydenhuollossa tekoälymallit parantavat poikkeamien varhaista havaitsemista lääketieteellisissä kuvissa, esimerkiksi tunnistamalla syöpäkasvaimet radiologeja aiemmin.
- Tekoäly parantaa sekä tuottavuutta että tehtävien tehokkuutta eri toimialoilla.
Digitaalisen mainonnan keskeisiä elementtejä ovat oikean yleisön tavoittaminen, kyseiselle yleisölle sopivan sisällön tarjoaminen sekä sisällön toimittaminen heille silloin ja siellä, missä he sitä tarvitsevat.
Praveen Gujar
- Datan laatu ja tekoälyn eettiset näkökohdat [14:02]
- Tekoälymallit perustuvat valtaviin tietomääriin, ja heikko datan laatu johtaa epäoptimaalisiin tuloksiin ("roskaa sisään, roskaa ulos").
- Puhdas ja laadukas data parantaa mallin tarkkuutta ja suorituskykyä.
- Datan laadunhallinta on ratkaisevan tärkeää tekoälymallien vinoumien minimoimiseksi sekä oikeudenmukaisuuden ja tarkkuuden varmistamiseksi.
- Tekoälymallien kouluttaminen vaatii paljon työtä, ja heikko datan laatu voi tehdä prosessista entistäkin aikaa vievämmän.
- Tekoälymalleihin kohdistuva viranomaisvalvonta lisääntyy, minkä vuoksi puhdas data on olennaista tulevien säädösten noudattamisen kannalta.
- Rahoituksen kaltaisilla toimialoilla heikko datan laatu voi aiheuttaa vinoumia, jotka johtavat rikkomuksiin (esimerkiksi Fair Lending Act -lain rikkomiseen) ja mahdollisiin viranomaisseuraamuksiin.
- Datan kuratointiin ja hallintaan tarkoitetut järjestelmät ja alustat ovat ratkaisevan tärkeitä tehokkaassa tekoälymallien kouluttamisessa.
- Eettiset tekoälykäytännöt tuotepäälliköille [16:35]
- Monet organisaatiot perustavat "vastuullisen tekoälyn" tiimejä ylläpitämään tekoälyn eettisiä ja moraalisia standardeja.
- Eettinen tekoäly on ratkaisevan tärkeää erityisesti rahoituksen kaltaisilla toimialoilla, joilla vinoumat voivat vaikuttaa yhteiskunnallisesti ja taloudellisesti tiettyihin väestöryhmiin.
- Tekoälyn tuotepäälliköiden tulisi ensin perehtyä mahdollisiin eettisiin riskeihin, kuten puutteellisesti käsiteltyyn dataan tai heikosti koulutettuihin malleihin.
- Kun datasta löydetään vinoumia tai ongelmia, tuotepäälliköiden on ryhdyttävä toimiin datan puhdistamiseksi ja mallien uudelleenkouluttamiseksi sekä tarkistettava tarkkuus.
- Monimuotoiset tiimit ja omistettu yhteyshenkilö (POC), joka valvoo eettisiä standardeja, voivat varmistaa vastuulliset tekoälykäytännöt.
- POC voi edistää datan puhtautta, eettistä koulutusta ja mallin tarkkuutta tiimin sisällä.
- Tekoäly kokeiluissa ja käytännön vinkit [18:41]
- Tekoäly voi tehostaa kokeiden suorittamista ja helpottaa useiden testien samanaikaista hallintaa tuotepäälliköille.
- Perinteinen kokeilu edellyttää tiivistä yhteistyötä data-analyytikoiden kanssa ja manuaalisia säätöjä, mikä voi viedä paljon aikaa.
- Tekoälyjärjestelmät voivat automatisoida kokeiden suunnittelun, mikä auttaa tunnistamaan optimaaliset parametrit ja muotoilemaan hypoteeseja.
- Tekoäly voi säätää kokeen asteittaista laajentamista ja variantteja dynaamisesti löytääkseen parhaan tasapainon ja pienentääkseen riskejä.
- Tekoälymallit voivat arvioida itsenäisesti, jatketaanko kokeita vai lopetetaanko ne tilastollisten signaalien perusteella.
- Ne voivat tunnistaa nopeasti poikkeamat liiketoiminnan ja järjestelmän mittareissa, mikä mahdollistaa nopeamman päätöksenteon.
- Tekoäly auttaa havaitsemaan ongelmat varhaisessa vaiheessa ja minimoimaan kielteiset vaikutukset mittareihin, kuten kokeellisten ominaisuuksien tuottamiin tuloihin.
- Resurssit tekoälytaitojen kehittämiseen [21:43]
- Suositeltuja tekoälyn oppimisresursseja ovat LinkedIn Learning ja Coursera.
- Andrew Ng:n DeepLearning.ai-kurssit ovat erityisen hyödyllisiä tekoälyn perustietojen rakentamisessa.
- Peruskäsitteiden ymmärtäminen on olennaista ennen edistyneempiin aiheisiin siirtymistä.
- Podcastit ovat hyvä tapa pysyä ajan tasalla alan kehityksestä ja oppia tekoälystä.
- Blogikirjoitusten lukeminen voi auttaa perehtymään syvemmin tiettyihin aiheisiin ja ymmärtämään käytännön sovelluksia.
- Yliopistokurssit voivat tarjota jäsenneltyä oppimista ja pätevyyksiä, mutta niiden tehokkuus vaihtelee.
- Uteliaisuus on tekoälyn parissa työskenteleville tuotepäälliköille ratkaisevan tärkeää; ajan käyttäminen käsitteiden oppimiseen ja soveltamiseen on menestyksen kannalta olennaista.
Tutustu vieraaseemme
Praveen Gujar on kokenut tuotejohtaja, jolla on monipuolinen johtamiskokemus merkittävistä teknologiayrityksistä, kuten Amazonista, Twitteristä ja LinkedInistä. Hänellä on syvällinen asiantuntemus digitaalisesta mainonnasta, tekoälystä ja pilviteknologioista, minkä ansiosta hän on pystynyt kehittämään laajamittaisia yritystuotteita ja kasvattamaan tehokkaasti miljardien dollarien liiketoimintaa.
Tekoälyn parissa työskentelevänä tuotepäällikkönä sinun on oltava utelias, jotta voit käyttää aikaa asioiden todelliseen ymmärtämiseen ja perehtyä niihin syvällisesti. Opettele käsitteet ja sovella niitä sitten omalla alallasi.
Praveen Gujar
Tämän jakson resurssit:
- Tutustu tämän jakson sponsoriin Sprigiin
- Tilaa The CPO Club -uutiskirje
- Verkostoidu Praveenin kanssa palveluissa LinkedIn ja X
Aiheeseen liittyvät artikkelit ja podcastit:
- Tietoa The CPO Club -podcastista
- Kuinka tulla tekoälyn projektipäälliköksi ilman aiempaa kokemusta
- 8 tekoälyyn perustuvaa liikeideaa seuraavan tuotteesi innoittajiksi
- Miksi tekoäly ei koskaan korvaa ihmisiä tuotehallinnassa
- Miten tekoäly muuttaa tuoteideoiden löytämistä
- Miksi tekoälyn ei pitäisi kirjoittaa käyttäjätarinoitasi
Lue litterointi:
Kokeilemme podcastiemme litterointia ohjelmiston avulla. Antakaa anteeksi mahdolliset kirjoitusvirheet, sillä botti ei ole sataprosenttisen tarkka.
Hannah Clark: Sanon tämän suoraan: riippumatta siitä, oletko tehnyt tekoälytuotepäälliköksi erikoistumisesta nimenomaisen uratavoitteen, se on nyt taitokokonaisuus, jota jokaisen ohjelmistotuotepäällikön pitäisi kehittää. On turvallista sanoa, että teknologian ollessa nyt täällä se tulee vain kehittymään, älykkäämmäksi ja yleisemmäksi – joten tekoälyn kanssa työskentelemisen oppiminen on suunnilleen yhtä tärkeää kuin internetin kanssa työskentelemisen oppiminen. Voisi jopa väittää, että tekoälyn perustaidot ovat jo vähimmäisvaatimus tuotepäällikön tehtäviä haettaessa. Miten voit siis ottaa seuraavan askeleen ja erottua tekoälytuotepäälliköiden työmarkkinoilla?
Vieraamme tänään on Praveen Gujar, LinkedInin tuotepäällikkö. Kuten hänen tittelinsä antaa ymmärtää, Praveenilla on erinomainen näköalapaikka digitaalisten tuotteiden alalla kasvaviin tekoälyn käyttötapauksiin sekä läheinen ymmärrys siitä, millaisia taitoja tuotepäälliköiden on kehitettävä menestyäkseen todella tässä tilassa. Keskustelimme tekoälyn hyödyntämisen teknisistä ja teoreettisista näkökulmista, mutta jos et muuta keskustelustamme muista, datan laadusta käymämme keskustelu – joka tulee esiin noin jakson puolivälissä – on kriittistä tietoa kaikille, jotka haluavat paitsi saada tekoälytuotepäällikön tehtävän myös menestyä siinä. Aloitetaan.
Tervetuloa jälleen kuuntelemaan The CPO Club -podcastia. Olen Hannah Clark, ja olemme periksiantamattomien tuotepäälliköiden yhteisö, joka jakaa tuotteesi skaalaamisen taakan. Jäsenemme ovat SaaS-palveluihin keskittyviä tuotepäälliköitä, jotka todella rakastavat työtään ja haluavat auttaa muita menestymään. Jos haluat kuulla siitä lisää, voit siirtyä osoitteeseen theproductmanager.com/membership. Otamme sinut mielellämme mukaan.
Tänään keskustelemme Praveen Gujarin kanssa. Kiitos paljon, että liityit seuraamme.
Praveen Gujar: Mukava olla täällä. Kiitos kutsusta, Hannah.
Hannah Clark: Mukava saada sinut mukaan.
Voisitko kertoa hieman taustastasi ja siitä, miten päädyit nykyiseen asemaasi LinkedInissä?
Praveen Gujar: Taustani on yhdistelmä insinööritieteitä ja tuotepäällikkyyttä. Aloitin urani insinöörikoulutuksen jälkeen ohjelmistokehittäjänä. Tajusin kuitenkin pian, että asiakkaasta taaksepäin työskenteleminen ja hienojen tuotteiden rakentaminen on oma erityisalueeni. Suoritin siis MBA-tutkinnon ja aloitin Amazonilla tuotepäällikkönä.
Lyhyesti sanottuna kokemukseni jakautuu kahdelle keskeiselle alueelle. Ensimmäinen on digitaalinen mainonta ja toinen julkinen pilvipalvelu. Kaikki näiden kahden alueen tuotteet, joita olen rakentanut, hyödyntävät tekoälyä. Olen työskennellyt Amazonilla, LinkedInissä ja Twitterissä, joten olen rakentanut näitä tuotteita suurissa organisaatioissa. Olen työskennellyt tekoälytuotepäällikkönä jo pitkään, ja jaan mielelläni kokemukseni ja asiantuntemukseni tästä alueesta.
Hannah Clark: Hienoa. Tiedän, että haluamme kuulla siitä lisää. Tämän päivän aiheena on tekoälytuotepäällikkyyteen erikoistuminen. Tämä on tietenkin valtava ala, joka kasvaa juuri nyt valtavasti.
Aloitetaan siis: mitkä taidot erottavat erinomaisen tekoälytuotepäällikön perinteisestä tuotepäälliköstä?
Praveen Gujar: Erinomainen kysymys. Ensinnäkin, jos haluat olla erinomainen tekoälytuotepäällikkö, sinun on aluksi oltava hyvä tai erinomainen tuotepäällikkö. Monet erinomaisen tuotepäällikön tarvitsemat taidot ovat välttämättömiä myös erinomaiselle tekoälytuotepäällikölle. Näihin kuuluu ongelman täsmällinen tunnistaminen, asiakkaista taaksepäin työskenteleminen, hyvä tuotetaju oikean tuotteen rakentamiseksi sekä tuotteen toteutus- ja markkinoillevientivaiheiden johtaminen.
Kaikki nämä ovat keskeisiä edellytyksiä. Lisäksi sanoisin, että tekoälytuotepäällikkönä kolme asiaa ovat erityisen tärkeitä. Ensimmäinen on tekoälyalueen tekninen ymmärrys. Hyvänä tuotepäällikkönä on erittäin tärkeää ymmärtää koneoppimisen ja tekoälyn käsitteet, mallit ja eri mallityypit, mukaan lukien mallien kouluttaminen sekä se, miten tekoälyinsinöörien kanssa työskennellään.
Toinen osa liittyy datatieteeseen ja dataan. Tämän alan tuotepäällikön on ymmärrettävä dataa todella hyvin: miten data liikkuu, miten sitä käytetään mallien kouluttamiseen, mitä puhdas ja laadukas data tarkoittaa ja miten data voi aiheuttaa vinoumia. Kaikki nämä ymmärrykset ovat ratkaisevia erinomaiseksi tuotepäälliköksi kehittymisessä.
Kolmanneksi ohjelmointitaidosta voi olla tuotepäällikölle paljon hyötyä. Jos osaat ohjelmoida Pythonilla, R:llä tai muilla kielillä, pystyt samaistumaan paljon paremmin insinööreihin, jotka työskentelevät tällä alueella, ja olet tuotepäällikkönä tehokkaampi.
Luokittelisin nämä tekoälyalueen tekniseksi asiantuntemukseksi. Se kattaa yhden näkökulman. Toinen näkökulma on tekoälykäsitteiden soveltaminen omaan toimialaasi. Jos työskentelet terveydenhuollossa, rahoituspalveluissa tai millä tahansa muulla alalla, miten sovellat tuntemiasi tekoälyn periaatteita ja teknologiaa niin, että tuotteet vastaavat paremmin asiakkaidesi tarpeisiin?
Tämä on erittäin tärkeä osa tekoälytuotepäällikkönä toimimista. Kolmas pilari on tuotepäällikkötaitojen kehittäminen uudelle tasolle. Yksi keskeinen asia on selitettävyys. Miten selität nämä asiat ympärilläsi oleville ihmisille, myös johtajille, jotka eivät välttämättä tunne tekoälyä tai osaa käyttää sitä? Tämä on erittäin tärkeää.
Myös koko mallien elinkaaren hallinnan ymmärtäminen on ratkaisevaa, koska työskentelet insinöörien kanssa, hienosäädät malleja, käyt läpi mallien koko elinkaaren ja työskentelet heidän kanssaan entistä läheisemmin.
Tekninen asiantuntemus, teknologian soveltaminen omalle toimialalle sekä tuotepäällikkötaitojen kehittäminen paremman selitettävyyden ja muiden osa-alueiden saavuttamiseksi ovat siis keskeisiä asioita. Näistä rakentuu erinomainen tekoälytuotepäällikkö.
Hannah Clark: Uskon, että kaikki haluavat innokkaasti kehittää näitä taitoja, koska kyseessä on niin valtava mahdollisuusalue.
Miltä tekoälytaitoja tai -kokemusta omaavien tuotepäälliköiden näkymät tällä hetkellä näyttävät?
Praveen Gujar: Tekoälystä on tullut kaikille tuttu käsite. Suuri osa tästä kuuluu ChatGPT:lle ja sen suosion kasvulle, mutta tekoäly ei ole uusi asia. Teknologia-alan ihmiset ovat käyttäneet tekoälyä monin tavoin jo pitkään.
Oma taustani on digitaalisessa mainonnassa, jossa tekoäly on ohjannut erilaisia järjestelmiä ja toimintoja jo yli vuosikymmenen ajan, ja joillakin muilla aloilla vieläkin pidempään. Viimeisten kahden vuoden aikana tekoälyn suosio ja käyttö ovat kasvaneet räjähdysmäisesti. Tämä avaa valtavasti mahdollisuuksia tekoälytaitoja omaaville tuotepäälliköille työskennellä eri toimialoilla, erilaisten ongelmien parissa ja luovien tai innovatiivisten ratkaisujen parissa. Tämä kasvu on erittäin merkittävä ja jatkuu lähitulevaisuudessa. Sellaisilta näkymät ainakin vaikuttavat.
Toinen asia on tehtävänkuvan laajentuminen. Viimeisten kahden vuoden aikana yhä useampi tuote- ja palveluorganisaatio on alkanut kehittää tuotteitaan lisäämällä niihin tekoälyä. Se voi tarkoittaa kokemusten parantamista tekoälyn avulla tai tuotteiden uudelleenrakentamista tekoäly edellä tai tekoälyyn integroituna.
Tämä avaa kaikille alan tuotepäälliköille valtavan mahdollisuuden työskennellä huipputeknologian parissa ja tuottaa asiakkaille todellista arvoa. Lisäksi kyse on nykyään strategisesti tärkeästä asiasta. Voisi jopa väittää, että se on tärkeää myös suhdetoiminnan näkökulmasta.
Se on tärkeää myös oman profiilin rakentamisen kannalta, jos olet tuotepäällikkö. Yhä enemmän tämä on organisaation kannalta strategisesti tärkeää, joten olet tuotepäällikkönä paremmassa asemassa organisaatiossa, jos olet tekoälytuotepäällikkö. Osaamisesi on arvokkaampaa ja olet strategisesti paremmin linjassa yrityksen tarpeiden kanssa.
Viimeisenä mutta ei vähäisimpänä tekoälytuotepäälliköille on kysyntää tämän räjähdysmäisen kasvun vuoksi. Taitosi ovat aiempaa halutumpia. Tämä avaa uusia mahdollisuuksia taitojen kehittämiseen, erinomaisten tuotteiden rakentamiseen ja myös taloudellisiin hyötyihin.
Hannah Clark: Paljon mahdollisuuksia ja paljon hyötyjä.
Palataan taitoihin ja niiden käytäntöön soveltamiseen. Millä tavoin tuotepäälliköt voivat hyödyntää tekoälyä nopeasti kasvavien tuotteiden rakentamiseen?
Praveen Gujar: Erinomainen kysymys. Julkaisemme aiheesta jopa artikkelin Engineering Management Review -lehdessä ja pohdimme tarkasti, mitä erinomaisen tekoälytuotteen rakentaminen tarkoittaa.
Nykyinen suuntaus on, että kaikki hyppäävät mukaan. Monet organisaatiot parantavat tuotteitaan ja palveluitaan lisäämällä niihin tekoälyä. Monissa tapauksissa toteutus on kuitenkin pinnallinen. Esimerkiksi olemassa oleviin palveluihin saatetaan lisätä keskustelubotti.
Tämä muistuttaa hyvin paljon sitä, mitä mobiilikausi opetti meille. Kun mobiililaitteista tuli kaikkialla läsnä olevia, organisaatioiden ensimmäinen reaktio oli kutistaa olemassa oleva tuote mobiilimuotoon. Se ei kuitenkaan kestänyt pitkään. Samoin monet organisaatiot, mielikuvituksen puutteessa, toteuttavat tekoälyä olemassa olevien tuotteiden ja ratkaisujen päälle tai ripottelevat sitä niiden ympärille.
Tämä ei ole organisaatioille kestävä tapa edetä. Kestävä etu syntyy, kun rakennetaan tekoäly edellä tai tekoälyyn integroituna toimivia tuotteita. Tällä tarkoitetaan sitä, että tekoäly nostetaan tuotteen keskiöön ja kokemukset rakennetaan tekoälyn ohjaamiksi ja täysin automatisoiduiksi.
Sen sijaan, että tekoälyn annetaan vain automatisoida tietty työnkulku, tekoälymallien valtuuttaminen optimointiin on erittäin tärkeää. Toinen osa on päätöksenteko. Viimeaikaisen kehityksen vuoksi tekoälyä käytetään usein vastaamaan nopeasti yksittäiseen kysymykseen.
Todellinen optimointi ja päätöksenteko ovat kuitenkin asioita, jotka tekevät tuotteesta todella paljon tehokkaamman. Viimeisenä mutta ei vähäisimpänä organisaatiorakenne on myös erittäin tärkeä. Jos tekoälyinsinöörit työskentelevät tiiviisti tuotepäälliköiden kanssa integroidussa tiimissä, syntyy alusta alkaen harkittuja, tekoälyyn yhdistettyjä tuotteita. Tämä auttaa kilpailemaan paremmin ja rakentamaan tulevaisuudessa kestävämpää toimintaa. On siis tärkeää miettiä, miten tuotteet ja palvelut suunnitellaan uudelleen tekoälykeskeisesti.
Käyttäjän ongelman ratkaiseminen on jokaisen tuotteen tärkein tehtävä. Siihen ei ole oikotietä. Tuote on kuitenkin suunniteltava uudelleen niin, että tekoäly tekee päätöksiä ja teknologiaa käytetään nykyisen kokemuksen parantamiseen.
Hannah Clark: Olen kiinnostunut tekoälyn nykyisistä käyttötapauksista. Osa tuotteista on selvästi parantunut merkittävästi tekoälyn ansiosta, kun taas joidenkin kohdalla vaikutus on ollut vähäisempi. Mitkä ovat parhaita näkemiäsi käyttötapauksia tai millä alueilla näet valtavasti laajentumismahdollisuuksia?
Praveen Gujar: Olen työskennellyt digitaalisessa mainonnassa, joten otetaan siitä esimerkki. Digitaalisessa mainonnassa on tärkeää tavoittaa oikea yleisö, tarjota sille oikeaa sisältöä ja tavoittaa ihmiset oikeaan aikaan ja oikeassa paikassa.
Perinteisesti aloitettiin tekoälymalleilla, joiden avulla pyrittiin ymmärtämään, mikä yleisö sopii parhaiten tuotteelle tai palvelulle. Tavoitteesta riippuen päätettiin, miten tiettyihin yleisöihin kohdistetaan mainontaa. Ajan myötä ennakoivat algoritmit ovat auttaneet ymmärtämään, mitä yleisöjä kannattaa tavoitella.
Tämä on yksi käyttötapaus. Generatiivisen tekoälyn myötä sisällön luomisesta on tullut erittäin tärkeää, etenkin viimeisten kahden vuoden aikana. Jos olet brändi ja haluat tavoittaa erilaisia yleisöjä, voit tuottaa 80 prosenttia sisällöstä ja sen muunnelmista huomattavasti nopeammin. Tämä auttaa luovaa tiimiä työskentelemään nopeammin ja tuottavammin.
Kun yleisö ja sisältö ovat valmiina, seuraava kysymys on, miten tämä personoidaan suuressa mittakaavassa. Pienelle ihmisjoukolle kuka tahansa voi tarjota personoitua sisältöä, mutta suuren organisaation halutessa tavoittaa miljoonia käyttäjiä personoidulla sisällöllä tekoäly mahdollistaa dynaamisen yleisöjen segmentoinnin ja sisällön luomisen. Näin viesti voidaan personoida suuressa mittakaavassa.
Nämä kolme osa-aluetta ovat olleet kehityksen kohteena pitkään. Nyt niitä voidaan yhdistää, jotta kaikki on täysin automatisoitua ja optimoitua eri alueilla. Tämän vuoksi monet mainosalustat tarjoavat asiakkailleen yhdellä napsautuksella toimivia, täysin automatisoituja päästä päähän -ratkaisuja.
Googlella, LinkedInillä ja Metalla on kaikilla tällaisia automatisoituja alustoja. Tämä on vain yksi digitaalinen käyttötapaus. Tekoälyn käytöstä terveydenhuollossa puhutaan paljon. Tiedän esimerkiksi Googlessa työskentelevän henkilön, joka on erikoistunut röntgenkuvien skannaamiseen ja poikkeamien tunnistamiseen, jotta syöpää aiheuttavat muutokset voidaan havaita.
Vuosien aikana kehitetyt mallit ovat osoittautuneet yhä tehokkaammiksi pahanlaatuisten kasvainten varhaisten merkkien ja muiden muutosten tunnistamisessa paljon aikaisemmin kuin radiologi tai muu ihminen pystyisi. Nämä ovat hyviä esimerkkejä siitä, miten tekoäly parantaa paitsi tuottavuutta myös tekemämme työn tehokkuutta.
Nämä ovat vain pari esimerkkiä; tällaisia käyttötapauksia voi olla tuhansia.
Hannah Clark: Voin vain kuvitella, että jokaisella toimialalla on jotain vastaavaa.
Puhutaan hieman datan laadusta. Miksi puhtaan datan ylläpitäminen on tärkeää tekoälytyökalujen kanssa työskenneltäessä?
Praveen Gujar: Suuret kielimallit ja muut tekoälymallit koulutetaan valtavilla datamäärillä, ja kyse on eräänlaisesta roskaa sisään, roskaa ulos -mekanismista. Jos data ei ole laadukasta tai jos sitä ei ole tarkistettu vinoumien ja virheiden varalta, malleista saatava tulos on heikompilaatuinen.
Siksi datan laadulla on erittäin kriittinen rooli. Kuten aiemmin totesin, tekoälytuotepäällikön on ymmärrettävä data ja myös data-alustat. Tämä on täällä keskeinen asia. Ensinnäkin työskentelemäsi mallin tarkkuuden parantaminen on erittäin tärkeää.
Vinoumien minimointi on tekoälymallissa ratkaisevaa, ja siksi datan laadusta huolehtiminen on niin tärkeää. Sama koskee mallin suorituskykyä ja tarkkuutta. Mallin kouluttaminen on edelleen työlästä. Mallin kouluttamiseen voi kulua tunteja tai kuukausia, ja huonolaatuinen data tekee prosessista entistä hankalamman.
Lisäksi voimme odottaa kasvavaa sääntelyvalvontaa joidenkin tekoälymallien ja niiden tuottamien tulosten osalta. Jos niiden lähteenä on huonolaatuinen tai tarkistamaton data, mallin tulos ei ehkä täytä tulevaisuudessa viranomaisten asettamia sääntelyvaatimuksia.
Yksinkertainen esimerkki: jos työskentelet rahoitusalalla ja mainostat tuotteita asiakkaillesi, huonolaatuisella datalla koulutetut mainonnan mallit voivat aiheuttaa tahattomia vinoumia. Tämä voi johtaa tiukempaan sääntelyvalvontaan, jos vinoumat kohdistuvat esimerkiksi vähäosaisiin yhteisöihin ja rikkovat reilua luotonantoa koskevaa lainsäädäntöä.
Kyseessä on kehävaikutus. Puutteellisen datan vaikutus on siksi paljon suurempi kuin aluksi voi ymmärtää. On erittäin tärkeää rakentaa järjestelmät ja alustat, joilla data voidaan tarkistaa ja muokata niin, että malleja voidaan kouluttaa tehokkaammin.
Hannah Clark: Tämä liittyy siis myös tekoälyn käytön etiikkaan.
Haluaisin kuulla näkemyksesi tekoälyalan etiikasta yleensä ja siitä, miten alalle uudet tuotepäälliköt voivat varmistaa toimivansa vastuullisesti tekoälyratkaisuja toteuttaessaan.
Praveen Gujar: Erinomainen kysymys. Tämä on erittäin tärkeää monille organisaatioille. Monet niistä rakentavat vastuullisen tekoälyn tiimejä.
Niiden tarkoituksena on varmistaa eettisten ja moraalisten standardien säilyminen. Rahoitusala on hyvä esimerkki siitä, miten väärin toimittaessa voi syntyä yhteiskunnallisia ja taloudellisia vaikutuksia erityisesti tiettyihin väestöryhmiin.
Tekoälytuotepäällikkönä kaikki alkaa koulutuksesta ja omasta perehtymisestäsi mahdollisiin puutteisiin. Esimerkiksi huonolaatuinen data tai väärin koulutetut mallit ovat asioita, joista on opittava ensin. Kun huomaat, ettei tiettyä dataa ole tarkistettu tai että se voi aiheuttaa vinoumia, sinun on määritettävä, miten data puhdistetaan, miten mallit koulutetaan uudelleen ja miten niiden tarkkuus vahvistetaan uudelleenkoulutuksen jälkeen.
Kolmas osa liittyy oikean organisaatiorakenteen rakentamiseen. Monimuotoinen tiimi on erittäin tärkeä. Suosittelisin myös nimeämään tiimeihin henkilön, joka voi toimia monimuotoisuuden ja eettisten standardien vastuuhenkilönä.
Tämä henkilö voi seurata tilannetta ja varmistaa, että data puhdistetaan ja että mallit koulutetaan eettisesti. Näin mallien tarkkuus ja asianmukaisuus säilyvät. Nämä ovat parhaita käytäntöjä, joita tuotepäällikkö voi soveltaa eettisten standardien ylläpitämiseksi.
Hannah Clark: Vaihdetaan hieman aihetta. Millä tavoin tekoäly voi auttaa meitä toteuttamaan tehokkaampia kokeiluja?
Praveen Gujar: Mietitään kokeilujen perinteistä toteutustapaa. Jos olisit esimerkiksi DoorDash, voisit toteuttaa tuhansia kokeiluja päivässä.
Sinun pitäisi seurata useita liiketoiminta- ja järjestelmämittareita. Tuotepäällikkönä toteutat tyypillisesti samanaikaisesti kaksi tai kolme eri ominaisuuksiin liittyvää kokeilua. Sinun on ymmärrettävä näiden kokeilujen vaikutukset.
Työskentelet tiiviisti sinulle nimetyn datatieteilijän kanssa kokeilun hienosäätämiseksi, tulosten lukemiseksi ja kokeilun säätämiseksi uudelleen. Sen jälkeen päätät, kasvatetaanko kokeilua vai pienennetäänkö sitä, tuotetaan lopullinen tulosraportti ja arvioidaan, pitääkö tuotetta laajentaa tai ominaisuuden vaikutus osoittaa.
Moni näistä asioista perustuu ihmisen tekemään työhön. Kuvittele nyt, että olet rakentanut tekoälyjärjestelmän, joka voi optimoida kokeilukykyäsi. Se ei ainoastaan tee tuotepäällikön työstä hyödyllisempää, vaan myös helpottaa kokeilujen toteuttamista, arviointia ja päätöksentekoa.
Tämä alkaa jo kokeilua suunniteltaessa: mitkä parametrit ovat optimaalisia ja mitkä ovat hypoteesit? Tekoälyalgoritmit voivat auttaa muodostamaan hypoteeseja ja valitsemaan kokeilulle oikeat parametrit. Kokeilun aikana ne voivat säätää dynaamisesti kokeilun laajentamista tai eri versioiden välistä liikennettä optimaalisen tasapainon löytämiseksi.
Voit myös päättää, onko riski alkuvaiheen laajennuksessa hallinnassa ja voidaanko kokeilua laajentaa vahvempien tilastollisten signaalien saamiseksi. Tekoäly voi tehdä tällaisia päätöksiä itsenäisemmin.
Lisäksi poikkeamien tunnistaminen liiketoiminta- ja järjestelmämittareissa kokeilun vaikutuksesta on erittäin hyödyllinen ominaisuus. Vaikutus voidaan tunnistaa paljon aikaisemmin, ja mallit voivat päättää kokeilun keskeyttämisestä tai pienentämisestä ennen kuin vaikutus liiketoimintamittareihin kasvaa.
Jos esimerkiksi julkaistu ominaisuus rikkoo sovelluksen istuntoja ja vaikuttaa suoraan tuloihin, mallit voivat havaita asian ihmisiä nopeammin ja keskeyttää kokeilun, jotta ongelma voidaan ratkaista.
Tekoälymallit voivat siis auttaa toteuttamaan kokeiluja paremmin, lisäämään tuottavuutta ja tekemään päätöksiä oikea-aikaisesti.
Hannah Clark: Ennen kuin päätämme, tässä on ollut valtavasti hyödyllistä tietoa. Kuuntelijat varmasti etsivät seuraavia askeleita, sillä kaikki ovat innostuneita tekoälytaitojen kehittämisestä, vaikka vähitellen.
Mitä suosittelet niille, jotka haluavat kehittää näitä taitoja mutta eivät tällä hetkellä työskentele aktiivisesti tekoälytuotteen parissa? Onko sinulla suositeltavia lähteitä tai kursseja?
Praveen Gujar: LinkedIn Learningissä ja Courserassa on paljon kursseja. Yksi suosikeistani on Andrew Ng:n DeepLearning.ai. Sen kursseja on saatavilla myös LinkedIn Learningissä ja Courserassa. Tekoälyn perusteiden ymmärtäminen on erittäin tärkeää. En voi korostaa sitä liikaa, koska vahvan perustan päälle voi rakentaa edistyneemmän teknologian ymmärryksen ja oppia soveltamaan sitä omissa sovelluksissa.
Suosittelen kuuntelijoita perehtymään ensin perusteisiin ja siirtymään sen jälkeen edistyneempiin kursseihin. Podcastit voivat olla hyvä tapa oppia ja pysyä ajan tasalla alan tapahtumista. Teknologia kehittyy nopeasti, joten mukana pysyminen on vaikeaa, ja podcastit tarjoavat siihen hyvän keinon.
Myös blogikirjoituksia julkaistaan paljon. Ne ovat hyvä tapa syventyä tiettyyn aiheeseen ja ymmärtää sen käytännön sovelluksia omalla alalla tai yleisesti millä tahansa alalla.
Nämä kolme ovat hyviä lähteitä. Myös yliopistot tarjoavat kursseja. Niiden tehokkuudesta en ole täysin varma, mutta ne tarjoavat rakenteellisemman lähestymistavan ja tutkintotodistuksen, joka voi auttaa alalle siirtymisessä.
Näiden avulla voit päivittää taitojasi tai oppia tuntemaan tekoälyä paremmin ja päästä alalle. Ne voivat olla erittäin arvokkaita. Lisäisin vielä, että ennen kaikkea alan tuotepäällikön on oltava utelias, jotta hän käyttää aikaa asioiden ymmärtämiseen ja niihin syvällisesti perehtymiseen. Opettele siis käsitteet ja sovella niitä omalla alallasi.
Hannah Clark: Todella hyviä neuvoja. Kiitos paljon, että liityit seuraamme tänään, Praveen. Missä ihmiset voivat seurata työtäsi verkossa?
Praveen Gujar: Minua voi seurata LinkedInissä, ja rakennan parhaillani myös omaa verkkosivustoani. Sen osoite on praveengujar.com. Sivusto on vielä rakenteilla, mutta kaikki julkaisuni ja tuleva kirjani julkaistaan siellä.
Hannah Clark: Hienoa. Kiitos paljon, että tulit mukaan. Arvostamme sitä todella.
Praveen Gujar: Kiitos paljon kutsusta.
Hannah Clark: Kiitos kuuntelusta. Saat lisää hyödyllisiä näkemyksiä, käytännön oppaita ja työkaluarvosteluja tilaamalla uutiskirjeemme osoitteessa theproductmanager.com/subscribe. Voit kuunnella lisää tämän kaltaisia keskusteluja tilaamalla The CPO Clubin kaikissa podcastien kuuntelupalveluissa.
