Hoe je als AI-productmanager opvalt

Lees het transcript:

We proberen onze podcasts uit te schrijven met behulp van een softwareprogramma. Vergeef ons eventuele typefouten, want de bot heeft het niet altijd voor 100% bij het rechte eind.

Hannah Clark: Ik ga er gewoon eerlijk over zijn: of je nu wel of niet als expliciet carrièredoel hebt om je te specialiseren in AI-productmanagement, het is nu een vaardighedenpakket dat elke softwareproductmanager zou moeten ontwikkelen. Ik denk dat het veilig is om te zeggen dat de technologie er nu is en alleen maar beter, intelligenter en alomtegenwoordiger zal worden. Leren werken met AI is dus ongeveer net zo essentieel als leren werken met het internet. Je zou zelfs kunnen stellen dat basisvaardigheden in AI nu al een minimumvereiste zijn bij het solliciteren naar functies als productmanager. Hoe kun je dus nog een stap verder gaan en opvallen op de arbeidsmarkt voor AI-productmanagers?

Mijn gast vandaag is Praveen Gujar, directeur Product bij LinkedIn. Zoals de titel al suggereert, heeft Praveen een uitstekend inzicht in de groeiende toepassingen van AI in de digitale productindustrie, evenals een diepgaand begrip van de brede vaardigheden die productmanagers moeten ontwikkelen om echt succesvol te zijn op dit gebied. We hebben zowel de technische als de theoretische aspecten van het benutten van AI besproken, maar als je niets anders onthoudt, is ons gesprek over dataverzorging — dat ongeveer halverwege de aflevering aan bod komt — cruciale informatie voor iedereen die niet alleen een functie als AI-productmanager wil bemachtigen, maar daarin ook wil uitblinken. Laten we beginnen.

Welkom terug, luisteraars, bij de podcast The CPO Club. Ik ben Hannah Clark en wij zijn een community van vastberaden productleiders die hier samen de verantwoordelijkheid voor het opschalen van je product delen. Onze leden zijn SaaS-gerichte productmanagers die oprecht van hun werk houden en gemotiveerd zijn om anderen te helpen slagen. Als je daar meer over wilt horen, ga dan naar theproductmanager.com/membership. We zouden het geweldig vinden als je erbij komt.

En vandaag spreken we met Praveen Gujar. Heel erg bedankt dat je bij ons bent.

Praveen Gujar: Fijn om hier te zijn. Bedankt voor de uitnodiging, Hannah.

Hannah Clark: Ja, fijn dat je er bent.

Kun je iets vertellen over je achtergrond en hoe je bent gekomen waar je nu bent bij LinkedIn?

Praveen Gujar: Mijn achtergrond is een combinatie van engineering en productmanagement. Ik begon mijn carrière na mijn ingenieursopleiding als softwareontwikkelaar. Maar ik realiseerde me al snel dat het mijn niche is om vanuit de klant terug te redeneren en geweldige producten te bouwen. Daarom heb ik mijn MBA gehaald en ben ik bij Amazon begonnen als productmanager.

Kort samengevat zit mijn ervaring op twee belangrijke gebieden. Het ene is digitale reclame en het tweede is de publieke cloud. Alle producten die ik binnen deze twee segmenten heb gebouwd, worden door AI aangedreven. Ik heb bij Amazon, LinkedIn en Twitter gewerkt en heb deze producten binnen deze grote organisaties gebouwd. Ik werk inmiddels al lange tijd als AI-productmanager en deel graag mijn ervaring en expertise op dit gebied.

Hannah Clark: Dat is fantastisch. En ik weet dat we daar graag meer over willen horen. Het onderwerp van vandaag is specialisatie in AI-productmanagement. Dit is natuurlijk een enorm vakgebied dat momenteel sterk groeit.

Om te beginnen: welke vaardigheden onderscheiden een geweldige AI-productmanager van een traditionele productmanager?

Praveen Gujar: Dat is een goede vraag. Om te beginnen moet je, als je een geweldige AI-productmanager wilt zijn, eerst een goede of zelfs geweldige productmanager zijn, toch? Veel van de vaardigheden die nodig zijn om een geweldige productmanager te zijn, zijn ook onmisbaar voor een geweldige AI-productmanager. Dat betekent onder andere dat je het probleem echt moet identificeren, eerst vanuit de klant moet redeneren, een goed productgevoel moet hebben om het juiste product te bouwen en zowel de productuitvoeringsfase als de marktintroductiefase moet aansturen.

Al deze zaken zijn essentieel. Daarnaast zijn er volgens mij drie belangrijke punten die bij AI-productmanagement cruciaal zijn. Het eerste is technisch begrip van het AI-gebied. Ik denk dat het heel belangrijk is om daar een goede productmanager te zijn. Je moet begrijpen hoe machinelearning- en AI-concepten werken, welke modellen er zijn en wat de verschillende soorten modellen zijn. Ook moet je begrijpen hoe modellen worden getraind en hoe je samenwerkt met je AI-engineers. Dat is in dit opzicht zeer belangrijk.

Het tweede onderdeel is de datawetenschappelijke of data-gerelateerde kant. Als productmanager op dit gebied moet je data heel goed begrijpen. Begrijp hoe datastromen verlopen, hoe data wordt gebruikt om modellen te trainen, wat schone en goed verzorgde data betekent en hoe data vooroordelen kan introduceren. Al dit inzicht is essentieel om een geweldige productmanager te zijn.

Ten derde kan programmeren echt een waardevolle aanvulling zijn voor een productmanager. Als je kunt programmeren in Python, R en andere talen, kun je je veel beter verhouden tot de engineers die op dit gebied werken. Daardoor kun je veel effectiever zijn als productmanager.

Ik zou deze zaken omschrijven als technische expertise op het gebied van AI. Dat dekt één aspect, toch? Het tweede aspect is het toepassen van deze AI-concepten op jouw vakgebied. Als je in de gezondheidszorg, financiële dienstverlening of een ander domein werkt, hoe pas je de AI-principes en AI-technologie die je zo goed kent dan toe om producten beter te laten aansluiten bij je klanten?

Dat is een heel belangrijk onderdeel van AI-productmanagement. Als derde pijler zou ik zeggen dat je je productmanagementvaardigheden naar een hoger niveau moet tillen. Een belangrijk aspect daarvan is uitlegbaarheid. Hoe leg je dit uit aan de mensen om je heen, inclusief leidinggevenden die misschien niet klaar zijn voor AI of er niet goed in zijn? Hoe je dat doet, is eveneens zeer belangrijk.

Ook het begrijpen van het volledige levenscyclusbeheer van modellen is essentieel. Je werkt met engineers aan het verfijnen van modellen, doorloopt de volledige levenscyclus van de modellen en begrijpt die. Veel nauwer met hen samenwerken is dus ook zeer belangrijk.

Samengevat zijn technische expertise, het toepassen van technologie op jouw domein en het verbeteren van je productmanagementvaardigheden voor meer uitlegbaarheid en andere aspecten allemaal essentieel. Dit is wat een geweldige AI-productmanager maakt.

Hannah Clark: Ja, en ik weet zeker dat iedereen deze vaardigheden graag wil ontwikkelen, want dit is zo'n enorm kansrijk gebied.

En daarover gesproken: wat zijn vanuit jouw perspectief momenteel de vooruitzichten voor productmanagers met vaardigheden of ervaring in AI?

Praveen Gujar: AI is inmiddels een begrip in elk huishouden. Volgens mij is dat vooral te danken aan ChatGPT en de popularisering ervan, maar AI is natuurlijk niet nieuw. Mensen in de technologiesector gebruiken AI al op allerlei manieren.

Ik kom zelf uit de digitale reclamewereld. AI drijft daar al ruim tien jaar verschillende systemen en mogelijkheden aan, en in andere vakgebieden zelfs nog langer. Als je kijkt naar de afgelopen twee jaar, zie je een exponentiële groei in zowel de populariteit als het gebruik van AI. Dat opent enorm veel mogelijkheden voor productmanagers met AI-vaardigheden om aan verschillende domeinen, problemen en creatieve of innovatieve oplossingen te werken. Die explosieve groei is heel belangrijk en zal in de nabije toekomst doorgaan. Dat is in elk geval de verwachting op basis van wat wij zien.

Het tweede punt is de uitbreiding van de rol. In de afgelopen twee jaar zijn steeds meer organisaties die producten en diensten ontwikkelen bezig met een evolutie waarbij ze een AI-component aan hun product toevoegen. Dat kan betekenen dat ze hun ervaringen met AI verbeteren of hun producten opnieuw bouwen met een AI-eerst- of AI-geïntegreerde aanpak.

Dat biedt alle productmanagers op dit gebied een enorme kans om met geavanceerde technologie te werken en echte waarde toe te voegen voor klanten. Het is tegenwoordig ook strategisch belangrijk. Je zou zelfs kunnen stellen dat het vanuit publicrelationsperspectief belangrijk is.

Het is ook belangrijk voor het opbouwen van je profiel als productmanager. Steeds meer wordt dit strategisch belangrijk voor organisaties. Als AI-productmanager ben je daardoor beter gepositioneerd binnen de organisatie, omdat je vaardigheden bezit en strategisch beter aansluit op de behoeften van het bedrijf.

Tot slot is er door de explosieve groei die we hebben gezien behoefte aan en vraag naar AI-productmanagers. Er is dus meer vraag naar je vaardigheden. Dat opent allerlei nieuwe mogelijkheden vanuit het perspectief van vaardigheidsontwikkeling, het bouwen van geweldige producten en zelfs financiële voordelen.

Hannah Clark: Veel kansen en veel voordelen.

Laten we teruggaan naar de vaardigheden en hoe je die in de praktijk brengt. Welke tips kunnen productmanagers gebruiken om AI in te zetten voor het bouwen van producten met sterke groei?

Praveen Gujar: Dat is een goede vraag. We publiceren hierover zelfs een artikel in Engineering Management Review, waarin we grondig nadenken over wat het betekent om een geweldig AI-product te bouwen.

Als je naar de huidige trend kijkt, zie je dat iedereen op de kar springt. Veel organisaties verbeteren hun producten en diensten met een AI-component. Veel van die toepassingen zijn echter vooral oppervlakkig. Denk bijvoorbeeld aan het toevoegen van een chatbot aan bestaande diensten.

Dat lijkt sterk op wat het mobiele tijdperk ons heeft geleerd. Toen mobiel internet alomtegenwoordig werd, was de eerste reactie van organisaties vaak: maak je bestaande product geschikt voor mobiel. Dat hield niet echt lang stand. Op dezelfde manier zien we nu dat veel organisaties, bij gebrek aan een betere visie, AI over hun bestaande producten en oplossingen heen leggen.

Dat is geen duurzame manier voor organisaties om vooruit te komen. Een duurzaam voordeel ontstaat wanneer je producten vanaf het begin met AI opbouwt of AI volledig integreert. Wat bedoelen we daarmee? AI vormt dan het middelpunt van het product en je bouwt ervaringen die door AI worden aangedreven en ook volledig door AI worden geautomatiseerd.

In plaats van AI alleen een bepaalde workflow te laten automatiseren, is het van cruciaal belang om AI-modellen in staat te stellen optimalisaties uit te voeren. Het tweede onderdeel is besluitvorming. Veel AI-toepassingen die door de recente trends worden ingegeven, draaien om de vraag hoe we AI kunnen gebruiken om snel een vraag te beantwoorden.

Maar de kernoptimalisatie en besluitvorming zijn juist wat een product echt veel krachtiger en effectiever maakt. Tot slot wordt ook de organisatiestructuur heel belangrijk. Als je een meer geïntegreerd team hebt waarin AI-engineers nauw samenwerken met productmanagers, bouw je vanaf het begin doordachte, meer AI-geïntegreerde producten. Daarmee kun je beter concurreren en in de toekomst een duurzamere werkwijze opbouwen. Ik zou dus zeggen dat deze zaken heel belangrijk zijn: hoe herontwerp je je product en diensten vanuit een AI-gecentreerde aanpak?

Daarnaast blijft het oplossen van het gebruikersprobleem de belangrijkste behoefte voor elk product. Daar bestaat geen kortere weg voor. Maar je product opnieuw bedenken met AI die beslissingen neemt en technologie toepassen om de huidige ervaring te verbeteren, is wat nodig is.

Hannah Clark: Ik ben benieuwd naar enkele toepassingen die we momenteel in de sector door AI aangedreven zien worden. Er zijn duidelijk producten die dankzij AI aanzienlijk zijn verbeterd en andere misschien veel minder. Wat zijn enkele van de beste toepassingen die je tot nu toe hebt gezien, of waarvan je denkt dat er grote kansen liggen om ze verder uit te breiden?

Praveen Gujar: Ik kom uit de digitale reclamewereld. Laten we dat als voorbeeld nemen, daar kan ik ook dieper op ingaan. Wat zijn de belangrijkste zaken in digitale reclame? Je moet ervoor zorgen dat je de juiste doelgroep target, dat je de juiste content voor die doelgroep hebt en dat je die content aanbiedt op het moment en de plaats waar mensen zich bevinden.

Traditioneel begonnen we met AI-modellen die probeerden te begrijpen welke doelgroep het beste bij je product en diensten past. Afhankelijk van je kerndoelstelling bepaal je vervolgens hoe je deze specifieke doelgroepen benadert. In de loop der tijd hebben we dat verbeterd en stellen veel voorspellende algoritmen ons nu in staat te begrijpen welke doelgroepen waarschijnlijk het meest relevant zijn.

Dat is één toepassing. Met de opkomst van generatieve AI, vooral in de afgelopen twee jaar, is contentcreatie heel belangrijk geworden. Als je bijvoorbeeld een merk bent en verschillende doelgroepen wilt bereiken, hoe kun je dan 80% van je content in 80% van de varianten veel sneller genereren? Daardoor kan je creatieve team sneller werken en productiever zijn. Dat is een belangrijke factor binnen AI.

Je hebt nu dus de doelgroep en de content. Hoe personaliseer je dat op grote schaal? Iedereen kan personaliseren voor een kleine groep mensen, maar als je als grote organisatie miljoenen gebruikers met gepersonaliseerde content wilt bereiken, maakt AI dynamische doelgroepsegmentatie en contentcreatie mogelijk. Zo kun je je boodschap ook op grote schaal personaliseren.

Dit zijn drie verschillende onderdelen die al lange tijd worden ontwikkeld. De volgende stap is om ze allemaal aan elkaar te koppelen, zodat het proces volledig geautomatiseerd en geoptimaliseerd is voor al deze gebieden. Daar zien we nu veel advertentieplatforms naartoe bewegen: oplossingen die met één klik volledig geautomatiseerde processen van begin tot eind bieden.

Of het nu om Google, LinkedIn of Meta gaat, je ziet veel van deze geautomatiseerde platforms ontstaan. Dat is slechts één digitale toepassing. We praten ook vaak over het gebruik van AI in de gezondheidszorg. Een vriend van mij die bij Google werkt, is gespecialiseerd in het scannen van röntgenbeelden om afwijkingen te identificeren die daadwerkelijk kanker kunnen veroorzaken.

De modellen die in de loop der jaren zijn ontwikkeld, blijken steeds effectiever in het vroegtijdig herkennen van tekenen van kwaadaardige tumoren of andere afwijkingen, vaak veel eerder dan een radioloog of iemand anders dat kan. Dit zijn geweldige voorbeelden van hoe AI niet alleen de productiviteit, maar ook de effectiviteit van ons werk verbetert.

Dit zijn waarschijnlijk slechts een paar voorbeelden. Er bestaan mogelijk duizenden van zulke toepassingen.

Hannah Clark: Ja, ik kan me voorstellen dat vrijwel elke sector wel iets dergelijks heeft.

Laten we wat meer praten over dataverzorging. Hoe belangrijk is het om schone data te behouden wanneer je met AI-tools werkt?

Praveen Gujar: Je hoort vaak dat grote taalmodellen en andere AI-modellen met enorme hoeveelheden data worden getraind. Het is een soort ‘garbage in, garbage out’-mechanisme. Als je data niet van hoge kwaliteit is en niet is gecontroleerd op vooroordelen en onjuistheden, zal de uitvoer die je uit deze modellen krijgt ook suboptimaal zijn.

Daarom speelt dataverzorging zo'n cruciale rol. Zoals ik eerder zei, moet je als AI-productmanager data begrijpen, maar ook het dataplatformgedeelte ervan. Dat is hier een zeer belangrijk onderdeel. Ten eerste is het essentieel om de nauwkeurigheid van het model waaraan je werkt te verbeteren.

Het beperken van vooroordelen is cruciaal in een AI-model, en daarom is dataverzorging zo belangrijk. Ook de prestaties van het model, oftewel de nauwkeurigheid, hangen hiervan af. Daarnaast is het trainen van een model nog steeds arbeidsintensief. Je kunt uren of maanden bezig zijn met het trainen van een model, en data van slechte kwaliteit maakt dat proces nog veel omslachtiger.

Tot slot kunnen we toenemend toezicht door toezichthouders verwachten op sommige van deze AI-modellen en de uitvoer die ze genereren. Als de bron daarvan ongezonde of niet-gecurateerde data is, voldoet de uitvoer van het model mogelijk niet aan de wettelijke normen die toezichthouders in de toekomst kunnen opleggen.

Neem een eenvoudig voorbeeld. Stel dat je in de financiële sector werkt en reclame maakt voor je klanten. Als deze reclamemodellen niet met data van hoge kwaliteit zijn getraind, kunnen ze onbedoeld vooroordelen introduceren. Dat kan ook betekenen dat je meer toezicht krijgt, omdat die vooroordelen bijvoorbeeld gericht kunnen zijn tegen een achtergestelde bevolkingsgroep en daarmee de wetgeving voor eerlijke kredietverlening schenden.

Dit is een cyclisch effect waar je doorheen gaat. De impact van het ontbreken van goed verzorgde data is dus veel groter dan je in eerste instantie misschien beseft. Het is daarom heel belangrijk om systemen en platforms te hebben die data kunnen selecteren en beheren en de data zo kunnen voorbereiden dat modellen effectiever kunnen worden getraind.

Hannah Clark: Dit is dus een gebied dat overlapt met de ethische aspecten van het gebruik van AI.

Ik ben benieuwd naar jouw visie op ethiek in het algemeen binnen het AI-gebied. Hoe kunnen productmanagers die nieuw zijn op dit gebied ervoor zorgen dat ze verantwoord handelen bij het implementeren van AI-oplossingen?

Praveen Gujar: Dat is een geweldige vraag. Het is van het grootste belang voor veel verschillende organisaties. Veel van deze organisaties bouwen zelfs teams op die verantwoordelijke AI-teams worden genoemd.

Die teams zijn er specifiek op gericht om ervoor te zorgen dat ethische en morele normen worden gehandhaafd. Ik gaf het voorbeeld van de financiële sector. Dat is een goed voorbeeld van hoe het niet goed volgen van die normen maatschappelijke en economische gevolgen kan hebben, mogelijk specifiek voor bepaalde bevolkingsgroepen.

Als je AI-productmanager bent, begint het allereerst met opleiding: jezelf informeren over enkele tekortkomingen die kunnen optreden. Onhygiënische data of modellen die niet op de juiste manier zijn getraind zijn daar voorbeelden van. Jezelf hierin verdiepen is het eerste waar je mee moet beginnen. Vervolgens moet je, als je ontdekt dat bepaalde data niet goed is geselecteerd of vooroordelen kan introduceren, bepalen welke stappen je neemt om de data op te schonen, de modellen opnieuw te trainen en de nauwkeurigheid van de modellen na die nieuwe training te valideren.

Het derde onderdeel sluit aan bij het principe van het opbouwen van de juiste organisatiestructuur. Een divers team is ook zeer belangrijk. Ik zou zelfs aanraden om een speciaal aanspreekpunt aan te wijzen dat ervoor zorgt dat diversiteit en ethische normen binnen het team worden gewaarborgd. Dat kan een nuttig concept zijn om toe te passen.

Zo kan die persoon toezicht houden en optreden als voorvechter van het schoonhouden van data. We trainen data op een ethische manier, zodat de nauwkeurigheid en relevantie van de modellen behouden blijven. Dit zijn allemaal goede praktijken die je als productmanager op dit gebied kunt toepassen om ervoor te zorgen dat de ethische normen worden gehandhaafd.

Hannah Clark: Laten we van onderwerp veranderen. Op welke manieren kan AI ons helpen om efficiëntere experimenten uit te voeren?

Praveen Gujar: Dat is een goede vraag. Denk aan de traditionele manier waarop experimenten worden uitgevoerd. Als je bijvoorbeeld DoorDash bent, voer je mogelijk duizenden experimenten per dag uit.

Je hebt meerdere bedrijfs- en systeemstatistieken die je moet controleren. Als productmanager voer je meestal parallel twee of drie experimenten uit voor verschillende functies. Vervolgens moet je begrijpen wat de gevolgen van die experimenten zijn.

Je werkt nauw samen met de toegewezen datawetenschapper om het experiment te verfijnen, de resultaten te verzamelen en het experiment opnieuw bij te stellen. Daarna neem je een beslissing over het opschalen of terugdraaien van het experiment en genereer je uiteindelijk de resultaten die nodig zijn om het product op te schalen of de impact van de functie die je ontwikkelt aan te tonen.

Veel van deze zaken zijn gebaseerd op menselijke beoordeling. Stel je nu voor dat je een AI-systeem hebt gebouwd dat je experimenteermogelijkheden kan optimaliseren. Dat maakt niet alleen je werk als productmanager veel nuttiger, maar ook het uitvoeren, evalueren en beoordelen van experimenten veel eenvoudiger.

Het begint al bij het ontwerpen van een experiment: wat zijn de optimale parameters en wat zijn de hypothesen? AI-algoritmen kunnen je helpen hypothesen op te stellen en de juiste parameters te selecteren om het experiment uit te voeren. Tijdens het experiment kunnen ze de opschaling dynamisch aanpassen, of zelfs de varianten bijstellen, om de optimale balans te vinden.

Je kunt ook beslissingen laten nemen over de vraag of het risico bij de eerste opschaling voldoende is beperkt en of je verder kunt opschalen voor meer statistische signalen. Dat zijn beslissingen die AI autonomer kan nemen. Tot slot is het identificeren van anomalieën in bedrijfs- en systeemstatistieken als gevolg van experimenten een zeer waardevolle functie.

Je kunt de impact veel eerder vaststellen, waarna de modellen kunnen besluiten het experiment te stoppen of terug te schalen voordat er een bredere impact op bedrijfsstatistieken ontstaat. Stel bijvoorbeeld dat je een functie lanceert die bepaalde sessies in je app verbreekt en daardoor rechtstreeks je omzet beïnvloedt. De modellen kunnen dat veel sneller dan mensen identificeren en het experiment beëindigen om ervoor te zorgen dat het probleem dat door het experiment is veroorzaakt, wordt beperkt.

Op al deze manieren kunnen AI-modellen je zeker helpen om beter te experimenteren, productiever te zijn en tijdige beslissingen te nemen.

Hannah Clark: Voordat we afronden: dit was enorm veel informatie en allemaal zeer nuttig. Ik weet zeker dat mensen op zoek zullen zijn naar vervolgstappen, want iedereen die luistert is enthousiast om deze vaardigheden, al is het geleidelijk, binnen het AI-gebied te ontwikkelen.

Heb je aanbevelingen voor mensen die deze vaardigheden willen ontwikkelen? Als ze momenteel niet actief aan een AI-product werken, zijn er dan bronnen of cursussen die je zou aanraden?

Praveen Gujar: Er zijn bijvoorbeeld volop cursussen op LinkedIn Learning en Coursera. Een van mijn favorieten is DeepLearning.ai. Als je naar die website gaat, vind je de cursussen van Andrew Ng. Die zijn ook beschikbaar op LinkedIn Learning en Coursera. Ik denk dat het opbouwen van een fundamenteel begrip van AI essentieel is. Ik kan het belang daarvan niet genoeg benadrukken. Als je de juiste basis hebt, kun je daarop voortbouwen om geavanceerdere technologie te begrijpen en vervolgens te leren hoe je die in je toepassing gebruikt.

Mijn advies aan je luisteraars is dus om eerst de basis te begrijpen en daarna verder te bouwen door geavanceerdere cursussen te volgen. Podcasts kunnen een uitstekende manier zijn om te leren en tegelijk op de hoogte te blijven van wat er in de sector gebeurt. Omdat dit zo'n snel evoluerende technologie is, is het moeilijk om bij te blijven. Podcasts zijn daarvoor vaak een heel goed hulpmiddel.

Ten derde verschijnen er veel blogartikelen. Die kunnen een geweldige manier zijn om diep in een bepaald onderwerp te duiken en de praktische toepassingen ervan in jouw vakgebied of in het algemeen te begrijpen.

Deze drie bronnen zijn dus zeer geschikt. Universiteiten bieden bijvoorbeeld ook cursussen aan. Hoe effectief die zijn, weet ik eerlijk gezegd niet precies, maar ze geven je wel een meer gestructureerde aanpak en vaak ook een diploma. Dat kan een waardevolle manier zijn om dit vakgebied binnen te komen.

Je kunt deze mogelijkheden dus gebruiken om je vaardigheden volledig te vernieuwen of gewoon op te frissen en meer over AI te leren om dit vakgebied te betreden. Dat kan allemaal zeer waardevol zijn. Ik wil nog één ding toevoegen: belangrijker dan wat dan ook is dat je als productmanager op dit gebied nieuwsgierig bent. Alleen dan kun je echt tijd investeren, zaken begrijpen en de diepte ingaan. Zorg er dus voor dat je de concepten leert en ze vervolgens in jouw vakgebied toepast.

Hannah Clark: Dat is uitstekend advies. Heel erg bedankt dat je vandaag bij ons was, Praveen. Waar kunnen mensen je werk online volgen?

Praveen Gujar: Mensen kunnen me volgen op LinkedIn. Ik probeer ook mijn eigen website op te bouwen. Die heet praveengujar.com. De website is nog in aanbouw, maar al mijn publicaties en mijn komende boek zullen daar worden gepubliceerd.

Hannah Clark: Geweldig. Heel erg bedankt dat je er was. We waarderen het enorm.

Praveen Gujar: Heel erg bedankt voor de uitnodiging.

Hannah Clark: Bedankt voor het luisteren. Abonneer je voor meer geweldige inzichten, praktische handleidingen en recensies van tools op onze nieuwsbrief via theproductmanager.com/subscribe. Je kunt meer gesprekken zoals dit beluisteren door je te abonneren op The CPO Club, waar je je podcasts ook beluistert.