Slik skiller du deg ut som AI-produktleder

Les transkripsjonen:

Vi prøver ut transkribering av podkastene våre ved hjelp av et program. Tilgi eventuelle skrivefeil, siden roboten ikke er korrekt 100 % av tiden.

Hannah Clark: Jeg skal være direkte – uansett om du har gjort det til et uttalt karrieremål å spesialisere deg innen AI-produktledelse eller ikke, er dette nå et ferdighetssett som alle programvareproduktledere bør utvikle. Jeg tror det er trygt å si at nå som teknologien er her, kommer den bare til å bli bedre, mer intelligent og mer utbredt – så det å lære hvordan man arbeider med AI, er omtrent like viktig som å lære hvordan man arbeider med internett. Faktisk kan man argumentere for at grunnleggende AI-ferdigheter allerede er et minimumskrav når man søker produktlederstillinger. Så hvordan kan du ta det ett skritt videre og skille deg ut i arbeidsmarkedet for AI-produktledere?

Dagens gjest er Praveen Gujar, produktsjef i LinkedIn. Som tittelen skulle tilsi, har Praveen et utmerket perspektiv på de voksende bruksområdene for AI i den digitale produktindustrien, i tillegg til en inngående forståelse av bredden av ferdigheter produktledere må utvikle for å lykkes i dette området. Vi diskuterte både de tekniske og teoretiske aspektene ved å utnytte AI, men hvis du ikke tar med deg noe annet, er samtalen vår om datahygiene – som kommer omtrent halvveis i episoden – kritisk informasjon for alle som ikke bare håper å få en rolle som AI-produktleder, men også å utmerke seg i den. La oss sette i gang.

Velkommen tilbake, lyttere, til podkasten The CPO Club. Jeg heter Hannah Clark, og vi er et fellesskap av målbevisste produktledere som møtes for å dele byrden ved å skalere produktet ditt. Medlemmene våre er produktledere med fokus på SaaS som virkelig elsker arbeidet sitt, og som er drevet av å hjelpe andre med å lykkes. Hvis du vil høre mer om dette, kan du gå til theproductmanager.com/membership. Vi vil gjerne ha deg med.

I dag snakker vi med Praveen Gujar. Tusen takk for at du blir med oss.

Praveen Gujar: Hyggelig å være her. Takk for invitasjonen, Hannah.

Hannah Clark: Ja, det er hyggelig å ha deg her.

Kan du fortelle litt om bakgrunnen din og hvordan du kom dit du er i LinkedIn i dag?

Praveen Gujar: Bakgrunnen min er en blanding av ingeniørfag og produktledelse. Jeg startet karrieren etter ingeniørutdanningen som programvareutvikler. Men jeg innså snart at det å ta utgangspunkt i kunden og bygge gode produkter var mitt spesialområde. Derfor tok jeg en MBA og begynte i Amazon som produktleder.

Kort fortalt er erfaringen min innen to hovedområder. Det ene er digital annonsering, og det andre er offentlig sky. Alle produktene jeg har bygget innenfor disse to områdene, er AI-drevne. Jeg har erfaring fra Amazon, LinkedIn og Twitter, og har bygget disse produktene i store organisasjoner. Jeg har jobbet som AI-produktleder lenge nå, og deler gjerne erfaringen og ekspertisen min på området.

Hannah Clark: Det er fantastisk. Og jeg vet at vi gjerne vil høre mer om dette. Dagens tema blir spesialisering innen AI-produktledelse. Dette er åpenbart et enormt felt som vokser kraftig akkurat nå.

For å komme i gang: Hvilke ferdigheter skiller en god AI-produktleder fra en tradisjonell produktleder?

Praveen Gujar: Det er et godt spørsmål. Først og fremst må du være en god produktleder til å begynne med, eller en fremragende produktleder, hvis du vil bli en god AI-produktleder. Mange av ferdighetene som kreves for å være en god produktleder, er også nødvendige for å være en god AI-produktleder. Det inkluderer å identifisere problemet, ta utgangspunkt i kundene, ha produktforståelse nok til å bygge riktig produkt, og drive både produktgjennomføringen og markedsintroduksjonen.

Alt dette er helt nødvendig. I tillegg mener jeg at det er tre viktige ting ved å være AI-produktleder. Det første er teknisk forståelse av AI-området. Det er svært viktig for å være en god produktleder her. Du må forstå hvordan maskinlæring og AI-konsepter fungerer, modellene, de ulike modelltypene, inkludert hvordan modellene trenes, og hvordan du samarbeider med AI-ingeniørene dine.

Det andre handler om datavitenskap eller data. Som produktleder på dette området må du forstå data svært godt. Du må forstå hvordan dataflyten foregår, hvordan data brukes til å trene modellene, hva rene data av høy kvalitet betyr, og hvordan data kan introdusere skjevheter. All denne forståelsen er avgjørende for å bli en god produktleder.

For det tredje kan programmering være et verdifullt tillegg for en produktleder. Hvis du kan programmere i Python, R eller andre språk, kan du forholde deg mye bedre til ingeniørene som faktisk arbeider på området, og dermed bli langt mer effektiv som produktleder.

Jeg vil klassifisere dette som teknisk ekspertise innen AI. Det dekker én side av saken. Den andre siden handler om å anvende disse AI-konseptene på fagområdet ditt. Hvis du arbeider innen helse, finansielle tjenester eller et annet område, hvordan anvender du AI-prinsippene og AI-teknologien du kjenner godt, slik at produktene blir mer relevante for kundene dine?

Dette er et svært viktig aspekt ved å være AI-produktleder. Den tredje søylen er at du må videreutvikle produktlederferdighetene dine. Et av de viktigste aspektene er forklarbarhet. Hvordan forklarer du dette til menneskene rundt deg, inkludert ledere som kanskje ikke er klare for eller fortrolige med AI? Hvordan du gjør dette, er svært viktig.

Det er også avgjørende å forstå hele livssyklusstyringen for modeller, siden du arbeider med ingeniører, finjusterer modellene og går gjennom hele modellens livssyklus. Det blir svært viktig å forstå dette og samarbeide tettere med dem.

For å oppsummere: Teknisk ekspertise, anvendelse av teknologien på fagområdet ditt, og videreutvikling av produktlederferdighetene dine for å oppnå bedre forklarbarhet og andre aspekter, er avgjørende. Det er dette som kjennetegner en god AI-produktleder.

Hannah Clark: Ja, og jeg er sikker på at alle kommer til å være svært ivrige etter å utvikle disse ferdighetene, siden dette er et så stort mulighetsområde.

Når vi snakker om det: Hvordan ser utsiktene ut akkurat nå for produktledere med ferdigheter eller erfaring innen AI?

Praveen Gujar: AI har nå blitt et kjent begrep for alle. Mye av æren går til ChatGPT og populariseringen av teknologien, men AI er ikke noe nytt. Folk i teknologibransjen har brukt AI på ulike måter i lang tid.

Jeg kommer fra digital annonsering, og AI har drevet ulike systemer og funksjoner i over et tiår, og på andre områder enda lenger. Hvis du ser på de siste to årene, har det vært en eksponentiell økning i både populariteten og bruken av AI. Det åpner svært mange muligheter for produktledere med AI-ferdigheter til å arbeide med ulike fagområder, problemer og kreative eller nyskapende løsninger. Denne eksplosjonen er svært viktig, og den kommer til å fortsette i nær fremtid. Det er i hvert fall utsiktene slik vi ser dem.

Den andre utviklingen er at rollen utvides. I løpet av de siste to årene har stadig flere produkt- og tjenesteorganisasjoner gått gjennom en form for utvikling der de tilfører AI til produktene sine. Det kan innebære å forbedre opplevelsene med AI eller å bygge produktene på nytt med en AI-først- eller AI-integrert tilnærming.

Dette åpner en stor mulighet for alle produktledere på området til å arbeide med banebrytende teknologi og skape reell verdi for kundene. Det er også strategisk viktig i dag. Man kan til og med argumentere for at det er viktig fra et PR-perspektiv.

Det er også viktig for å bygge profilen din som produktleder. Men først og fremst er dette strategisk viktig for organisasjonen, så du står sterkere i organisasjonen som produktleder hvis du er AI-produktleder. Du blir mer verdifull fordi du har ferdighetene og er bedre strategisk tilpasset selskapets behov.

Sist, men ikke minst, er det et behov og en etterspørsel etter AI-produktledere på grunn av eksplosjonen vi har sett. Ferdighetene dine blir mer etterspurt. Det åpner nye muligheter for utvikling av ferdigheter, bygging av gode produkter og også økonomiske fordeler.

Hannah Clark: Mange muligheter og mange fordeler.

La oss gå tilbake til ferdighetene og hvordan de kan brukes i praksis. Hvilke råd kan produktledere bruke for å utnytte AI til å bygge produkter med høy vekst?

Praveen Gujar: Det er et godt spørsmål. Vi publiserer faktisk en artikkel om dette i Engineering Management Review, der vi ser nærmere på hva det betyr å bygge et godt AI-produkt.

Hvis du ser på dagens utvikling, hopper alle på bølgen. Mange organisasjoner forbedrer produktene og tjenestene sine ved å tilføre dem AI. Mange av disse løsningene er imidlertid overfladiske. Det kan for eksempel være å kjøre en samtalerobot på eksisterende tjenester.

Dette ligner på det mobilæraen lærte oss. Da mobilen ble allestedsnærværende, var organisasjonenes første reaksjon å krympe det eksisterende produktet til mobilformatet. Det fungerte ikke særlig lenge. På samme måte ser vi at mange organisasjoner, i mangel på bedre fantasi, legger AI oppå de eksisterende produktene og løsningene sine.

Det er ikke en bærekraftig måte å gå videre på. Den bærekraftige fordelen oppstår når du faktisk bygger AI-først-produkter eller AI-integrerte produkter. Det betyr å gjøre AI til selve sentrum i produktet og bygge opplevelser som drives og automatiseres fullt ut av AI.

I stedet for bare å la AI automatisere en bestemt arbeidsflyt, er det avgjørende å gi AI-modellene mulighet til å utføre optimaliseringer. Den andre delen handler om beslutningstaking. Mye av den nylige bruken av AI dreier seg om å bruke AI til å svare på et raskt spørsmål.

Men kjerneoptimalisering og beslutningstaking er det som virkelig kan gjøre produktet langt mer effektivt. Sist, men ikke minst, blir organisasjonsstrukturen svært viktig. Hvis du har et mer integrert team der AI-ingeniører arbeider tett sammen med produktledere, utvikler du mer AI-integrerte produkter som er gjennomtenkt fra grunnen av. Det kan gjøre deg bedre i stand til å konkurrere og bygge en mer bærekraftig modell for fremtiden. Jeg vil derfor si at det er viktig å tenke gjennom hvordan du kan forestille deg produktet og tjenestene dine på nytt med en AI-sentrert tilnærming.

Deretter må du løse brukerproblemet. Å løse brukerens problem er det viktigste behovet for ethvert produkt. Det finnes ingen snarvei, men du må tenke nytt om produktet ditt, la AI ta beslutninger og anvende teknologien for å forbedre den nåværende opplevelsen.

Hannah Clark: Jeg er nysgjerrig på noen av bruksområdene vi har sett for AI i dette feltet. Det finnes åpenbart mange produkter som har blitt betydelig forbedret av AI, og mange som kanskje ikke har blitt det. Hvilke av de beste bruksområdene har du sett, eller hvor mener du det finnes store muligheter for videre utvikling?

Praveen Gujar: Jeg kommer fra digital annonsering, så la oss ta et eksempel derfra. Hva er de viktigste tingene innen digital annonsering? Du må sørge for at du retter deg mot riktig målgruppe, har riktig innhold for denne målgruppen og viser innholdet når og der målgruppen befinner seg.

Tradisjonelt startet vi med AI-modeller som forsøkte å forstå hvilken målgruppe som passet best for produktet eller tjenestene dine. Avhengig av hovedmålet ditt måtte du finne ut hvordan du skulle rette deg mot disse målgruppene. Over tid har vi forbedret dette, og mange prediktive algoritmer gjør det mulig å forstå hvilke målgrupper du bør gå etter.

Det er ett bruksområde. Med fremveksten av generativ AI, særlig de siste to årene, har innholdsproduksjon blitt svært viktig. Hvis du er en merkevare som vil nå ulike målgrupper, kan du for eksempel generere 80 % av innholdet og 80 % av variasjonene mye raskere. Det gjør at det kreative teamet kan arbeide raskere og bli mer produktivt.

Du har nå målgruppen og innholdet. Hvordan personaliserer du dette i stor skala? Alle kan personalisere for en liten befolkning, men hvis en stor organisasjon skal nå millioner av brukere med personlig tilpasset innhold, gjør AI det mulig å segmentere målgrupper dynamisk og lage innhold slik at budskapet kan personaliseres i stor skala.

Dette er tre ulike deler som har blitt utviklet over lang tid. Nå handler det om å sette dem sammen for å sikre at alt blir automatisert og optimalisert på tvers av disse områdene. Det er her vi ser at mange annonseringsplattformer tilbyr helautomatiserte løsninger fra start til slutt med ett klikk.

Enten det er Google, LinkedIn eller Meta, ser vi stadig flere slike automatiserte plattformer. Dette er bare ett digitalt bruksområde. Vi snakker også ofte om bruk av AI innen helse. En venn av meg som arbeider i Google, spesialiserer seg for eksempel på å analysere røntgenbilder for å identifisere avvik som kan føre til kreft.

Modellene som er utviklet over flere år, har vist seg stadig mer effektive til å identifisere tidlige tegn på ondartede svulster eller andre problemer, langt tidligere enn en radiolog eller annen person ville klart. Dette er gode eksempler på hvordan AI har forbedret ikke bare produktiviteten, men også effektiviteten i arbeidet vi faktisk utfører.

Dette er sannsynligvis bare et par eksempler. Det finnes kanskje tusenvis av slike bruksområder.

Hannah Clark: Ja, jeg kan bare forestille meg at alle bransjer sannsynligvis har noe tilsvarende.

La oss snakke litt om datahygiene. Hvor viktig er det å holde dataene rene når man arbeider med AI-verktøy?

Praveen Gujar: Du hører mye om hvordan store språkmodeller og andre AI-modeller trenes med stadig større datamengder. Det er en form for «søppel inn, søppel ut». Hvis dataene dine ikke holder høy kvalitet, eller ikke er kontrollert for skjevheter og feil, vil resultatet fra modellene også være mindre optimalt.

Derfor spiller datahygiene en svært viktig rolle. Som jeg nevnte tidligere, må du som AI-produktleder forstå data og også dataplattformen. Det er avgjørende. For det første er det viktig å forbedre nøyaktigheten til modellen du arbeider med.

Det er svært viktig å minimere skjevheter i AI-modellen, og derfor blir datahygiene så viktig. Modellens ytelse, altså nøyaktigheten, er også avgjørende. Modelltrening er fortsatt et omfattende arbeid, og du kan bruke timer og måneder på å trene en modell. Data av dårlig kvalitet gjør prosessen enda mer tidkrevende.

Sist, men ikke minst, kan vi forvente økt regulatorisk kontroll av enkelte AI-modeller og resultatene de produserer. Hvis kilden er uhygieniske eller ukurerte data, oppfyller modellens resultat kanskje ikke de regulatoriske standardene som myndighetene kan innføre i fremtiden.

Ta et enkelt eksempel: Hvis du arbeider i finanssektoren og annonserer for kundene dine, og annonsemodellene ikke er trent med data av høy kvalitet, kan de utilsiktet introdusere skjevheter. Det kan føre til mer regulatorisk kontroll fordi skjevhetene for eksempel kan ramme en utsatt gruppe og dermed bryte med lovgivningen om rettferdig utlån.

Dette er en sirkulær effekt. Virkningen av å ikke ha hygieniske data er derfor langt større enn man først kan innse. Det er svært viktig å ha systemer og plattformer på plass for å rense dataene og gjøre dem egnet til effektiv modelltrening.

Hannah Clark: Dette overlapper faktisk med etikken rundt bruk av AI.

Jeg vil gjerne høre hva du mener om etikk generelt innen AI, og hvordan produktledere som er nye på området kan sikre at de opptrer ansvarlig når de implementerer AI-løsninger.

Praveen Gujar: Det er et godt spørsmål. Dette er svært viktig for mange ulike organisasjoner. Mange av dem bygger faktisk team som kalles team for ansvarlig AI.

Disse teamene har særlig som mål å sikre at etiske og moralske standarder opprettholdes. Finanssektoren er et godt eksempel på hvordan manglende etterlevelse kan få samfunnsmessige og økonomiske konsekvenser, særlig for bestemte deler av befolkningen.

Hvis du er AI-produktleder, begynner det først og fremst med utdanning. Du må lære om noen av svakhetene som kan oppstå. Det kan være uhygieniske data eller modeller som ikke er trent på riktig måte. Å lære om alt dette er det første steget. Deretter må du, når du oppdager at bestemte data ikke er kurert eller kan introdusere skjevheter, finne ut hvilke tiltak du skal iverksette for å rydde opp, trene modellene på nytt og validere nøyaktigheten etter den nye treningen.

Den tredje delen handler om å bygge riktig organisasjonsstruktur. Et mangfoldig team er svært viktig. Jeg vil også anbefale å ha en dedikert kontaktperson som kan bidra til at teamet opprettholder mangfold og etiske standarder.

Denne personen kan overvåke arbeidet og være en pådriver for å sikre at dataene renses og trenes på en etisk måte, slik at modellene blir så nøyaktige og relevante som mulig. Dette er noen av de beste praksisene du kan anvende som produktleder for å sikre at de etiske standardene opprettholdes.

Hannah Clark: La oss skifte tema litt. På hvilke måter kan AI hjelpe oss med å gjennomføre mer effektive eksperimenter?

Praveen Gujar: Tenk på den tradisjonelle måten å gjennomføre eksperimenter på. Hvis du for eksempel er DoorDash, kjører du kanskje tusenvis av eksperimenter på én dag.

Du har flere forretningsmåltall og systemmåltall som må overvåkes. Som produktleder kjører du kanskje to eller tre eksperimenter parallelt for ulike funksjoner. Da må du forstå konsekvensene av disse eksperimentene.

Du arbeider tett med datavitenskapen som er knyttet til deg for å finjustere eksperimentet, hente ut resultatene og deretter finjustere eksperimentet på nytt. Du må ta stilling til om du skal øke eller redusere omfanget, og til slutt generere resultatene og finne ut hva som kreves for å skalere produktet eller vise effekten av funksjonen du utvikler.

Mye av dette er menneskebasert. Forestill deg nå at du har bygget et AI-system som kan optimalisere eksperimenteringsmulighetene dine. Det vil ikke bare gjøre jobben din som produktleder mer nyttig, men også gjøre prosessen med å gjennomføre, evaluere og beslutte basert på eksperimenter mye enklere.

Det begynner allerede når du utformer eksperimentet: Hvilke parametere er optimale, og hva er hypotesene? AI-algoritmer kan hjelpe deg med å formulere hypoteser og velge riktige parametere. Når eksperimentet pågår, kan de dynamisk justere opptrappingen eller balansen mellom varianter for å finne den optimale måten å gjennomføre eksperimentet på.

Du kan også ta beslutninger om risikoen er redusert i den første opptrappingen, og deretter øke omfanget for å samle flere statistiske signaler. Dette er beslutninger modellene kan ta mer autonomt. Sist, men ikke minst, kan det å identifisere avvik i forretnings- og systemmåltall som skyldes eksperimentering, være en svært verdifull funksjon.

Da kan du oppdage effekten mye tidligere, og modellene kan beslutte å stoppe eller trappe ned eksperimentet før det får større konsekvenser for forretningsmåltallene. Hvis en lansert funksjon for eksempel ødelegger enkelte økter i appen og påvirker inntektene direkte, kan modellene identifisere dette mye raskere enn mennesker og avslutte eksperimentet for å begrense problemet.

AI-modeller kan altså hjelpe deg med å eksperimentere bedre, bli mer produktiv og ta beslutninger i tide.

Hannah Clark: Før vi avslutter: Dette har vært svært mye informasjon, og alt har vært nyttig. Jeg er sikker på at mange vil se etter neste steg, siden alle som lytter, er ivrige etter å begynne å utvikle AI-ferdigheter, selv gradvis.

Har du noen anbefalinger til dem som ønsker å utvikle disse ferdighetene? Hvis de ikke arbeider aktivt med et AI-produkt nå, finnes det ressurser eller kurs du vil anbefale?

Praveen Gujar: Det finnes mange kurs på LinkedIn Learning og Coursera. En av favorittene mine er DeepLearning.ai. Hvis du går til nettstedet, finner du kurs av Andrew Ng, og kursene hans er også tilgjengelige på LinkedIn Learning og Coursera. Det er svært viktig å bygge en grunnleggende forståelse av AI. Jeg kan ikke understreke nok hvor viktig dette er. Hvis du har et godt grunnlag, kan du bygge videre på det for å forstå mer avansert teknologi og hvordan den kan anvendes.

Jeg anbefaler lytterne å begynne med grunnlaget og deretter ta mer avanserte kurs. Podkaster kan være en god måte å lære på og holde seg oppdatert på det som skjer i bransjen. Dette er en teknologi i rask utvikling, så det er vanskelig å holde tritt, og podkaster kan være en god løsning.

Det publiseres også mange blogginnlegg. De kan være en god måte å fordype seg i et bestemt tema og forstå praktiske anvendelser innen fagområdet ditt eller på et generelt nivå.

Universiteter tilbyr også kurs. Jeg er ikke helt sikker på hvor effektive de er, for å være ærlig, men de gir en mer strukturert tilnærming og et diplom. Det kan være en nyttig ressurs for å komme inn på området.

Dette er noen områder der du enten kan friske opp ferdighetene dine eller lære mer om AI for å komme inn i feltet. De kan alle være svært verdifulle. Jeg vil legge til én ting: Fremfor alt må du være nysgjerrig som produktleder på dette området, slik at du investerer tid i å forstå og fordype deg. Sørg for at du lærer konseptene og deretter anvender dem i fagområdet ditt.

Hannah Clark: Det var et godt råd. Tusen takk for at du ble med oss i dag, Praveen. Hvor kan folk følge arbeidet ditt på nettet?

Praveen Gujar: Folk kan følge meg på LinkedIn, og jeg prøver også å bygge mitt eget nettsted. Det er praveengujar.com. Det er fortsatt under utvikling, men alle publikasjonene mine og den kommende boken blir også publisert på nettstedet.

Hannah Clark: Flott. Tusen takk for at du kom. Vi setter stor pris på det.

Praveen Gujar: Tusen takk for invitasjonen.

Hannah Clark: Takk for at du lyttet. Hvis du vil ha flere gode innsikter, veiledninger og verktøyanmeldelser, kan du abonnere på nyhetsbrevet vårt på theproductmanager.com/subscribe. Du kan høre flere samtaler som denne ved å abonnere på The CPO Club, uansett hvor du hører på podkaster.