Jak wyróżnić się jako menedżer produktu AI

Przeczytaj transkrypcję:

Testujemy transkrypcję naszych podcastów za pomocą programu komputerowego. Wybaczcie wszelkie literówki, ponieważ bot nie zawsze działa w 100% poprawnie.

Hannah Clark: Powiem wprost — niezależnie od tego, czy wyznaczyliście sobie wyraźny cel zawodowy, jakim jest specjalizacja w zarządzaniu produktami AI, jest to obecnie zestaw umiejętności, który powinien rozwijać każdy menedżer produktu oprogramowania. Można bezpiecznie stwierdzić, że skoro technologia już istnieje, będzie tylko coraz lepsza, inteligentniejsza i bardziej powszechna — dlatego nauka pracy ze sztuczną inteligencją jest mniej więcej tak samo niezbędna jak nauka pracy z internetem. Można wręcz argumentować, że podstawowe umiejętności związane z AI są już minimalnym wymaganiem podczas ubiegania się o stanowiska menedżerów produktu. Jak więc zrobić krok dalej i wyróżnić się na rynku pracy dla menedżerów produktów AI?

Moim dzisiejszym gościem jest Praveen Gujar, dyrektor ds. produktu w LinkedIn. Jak sugeruje jego stanowisko, Praveen ma doskonały wgląd w rosnące zastosowania AI w branży produktów cyfrowych, a także dogłębne zrozumienie szerokiego zakresu umiejętności, które menedżerowie produktu muszą rozwijać, aby naprawdę odnieść sukces w tej dziedzinie. Rozmawialiśmy zarówno o technicznych, jak i teoretycznych aspektach wykorzystywania AI, ale jeśli nie zapamiętacie niczego innego, nasza rozmowa o higienie danych — która pojawia się mniej więcej w połowie odcinka — jest kluczową informacją dla każdego, kto chce nie tylko zdobyć stanowisko menedżera produktu AI, ale także odnieść na nim sukces. Zaczynajmy.

Witajcie ponownie, słuchacze podcastu Klubu CPO. Nazywam się Hannah Clark, a my jesteśmy społecznością wytrwałych liderów produktu, którzy dzielą się doświadczeniami związanymi ze skalowaniem produktów. Nasi członkowie to menedżerowie produktu skupieni na SaaS, którzy naprawdę kochają swoją pracę i są zdeterminowani, by pomagać innym w osiąganiu sukcesów. Jeśli chcecie dowiedzieć się więcej, zajrzyjcie na stronę theproductmanager.com/membership. Będzie nam miło Was powitać.

Dziś rozmawiamy z Praveenem Gụjarem. Bardzo dziękuję, że do nas dołączasz.

Praveen Gujar: Miło tu być. Dziękuję za zaproszenie, Hannah.

Hannah Clark: Cieszę się, że jesteś z nami.

Czy możesz opowiedzieć mi trochę o swoim doświadczeniu i o tym, jak znalazłeś się w obecnym miejscu, w LinkedIn?

Praveen Gujar: Moje doświadczenie łączy inżynierię i zarządzanie produktem. Karierę rozpocząłem po ukończeniu studiów inżynierskich jako programista oprogramowania. Wkrótce jednak zdałem sobie sprawę, że moją specjalnością jest wychodzenie od potrzeb klienta i budowanie świetnych produktów. Zrobiłem więc MBA i rozpocząłem pracę w Amazonie jako menedżer produktu.

W skrócie, moje doświadczenie obejmuje dwa główne obszary. Pierwszym jest reklama cyfrowa, a drugim chmura publiczna. Wszystkie produkty, które budowałem w tych dwóch segmentach, były oparte na AI. Pracowałem w Amazonie, LinkedIn i Twitterze, tworząc te produkty w dużych organizacjach. Od dawna zajmuję się zarządzaniem produktami AI i z przyjemnością podzielę się swoim doświadczeniem oraz wiedzą w tej dziedzinie.

Hannah Clark: To wspaniale. Wiem, że bardzo chcemy dowiedzieć się o tym więcej. Tematem dzisiejszego odcinka będzie specjalizacja w zarządzaniu produktami AI. To oczywiście ogromna dziedzina, która obecnie niezwykle szybko się rozwija.

Na początek: jakie umiejętności odróżniają świetnego menedżera produktu AI od tradycyjnego menedżera produktu?

Praveen Gujar: To świetne pytanie. Przede wszystkim, jeśli chcesz być świetnym menedżerem produktu AI, musisz najpierw być dobrym menedżerem produktu — albo od razu świetnym menedżerem produktu, prawda? Wiele zestawów umiejętności niezbędnych do bycia świetnym menedżerem produktu jest również koniecznych, aby być świetnym menedżerem produktu AI. Obejmuje to naprawdę trafne rozpoznawanie problemu, wychodzenie przede wszystkim od potrzeb klientów, posiadanie wyczucia produktu pozwalającego budować właściwy produkt oraz prowadzenie zarówno fazy realizacji produktu, jak i fazy wejścia na rynek.

Wszystkie te elementy są kluczowe. Oprócz tego, będąc menedżerem produktu AI, wskazałbym trzy bardzo istotne kwestie. Pierwszą jest techniczne zrozumienie obszaru AI. Uważam, że jest ono niezbędne, aby być dobrym menedżerem produktu w tej dziedzinie. Trzeba rozumieć koncepcje uczenia maszynowego i AI, modele, różne rodzaje modeli, w tym proces ich trenowania, a także sposób współpracy z inżynierami AI. To bardzo ważne.

Drugi element to nauka o danych, czyli perspektywa danych. Jako menedżer produktu w tej dziedzinie musisz bardzo dobrze rozumieć dane. Musisz wiedzieć, jak przebiega przepływ danych, jak dane są wykorzystywane do trenowania modeli, czym są czyste i uporządkowane dane oraz w jaki sposób dane mogą wprowadzać uprzedzenia. Całe to zrozumienie jest niezbędne, aby być świetnym menedżerem produktu.

Po trzecie — choć nie mniej ważne — programowanie może być dla menedżera produktu bardzo cennym dodatkiem. Jeśli potrafisz programować w Pythonie, R lub innych językach, możesz znacznie lepiej porozumiewać się z inżynierami pracującymi w tej dziedzinie, a tym samym być o wiele skuteczniejszym menedżerem produktu.

Zaklasyfikowałbym te elementy jako wiedzę techniczną w obszarze AI. To obejmuje jeden aspekt. Drugim jest zastosowanie tych koncepcji AI w konkretnej dziedzinie. Jeśli pracujesz w ochronie zdrowia, usługach finansowych albo innej branży, jak zastosować zasady AI i technologię AI, które znasz, aby produkty lepiej odpowiadały potrzebom klientów?

To bardzo ważny aspekt bycia menedżerem produktu AI. Trzecim filarem jest rozwijanie umiejętności menedżera produktu. Jednym z kluczowych elementów staje się wyjaśnialność. Jak wyjaśnić te zagadnienia osobom wokół ciebie, w tym członkom kadry kierowniczej, którzy mogą być gotowi na AI lub nie, albo mogą nie mieć wystarczających kompetencji w tym zakresie? To również jest bardzo istotne.

Bardzo ważne staje się także zrozumienie całego cyklu życia modelu, ponieważ współpracujesz z inżynierami, dostrajasz modele, przechodzisz przez pełny cykl ich życia, rozumiesz go i ściśle z nimi współpracujesz.

Podsumowując: kluczowe są wiedza techniczna, zastosowanie technologii w swojej dziedzinie, a następnie rozwijanie umiejętności menedżera produktu w zakresie wyjaśnialności i innych aspektów. To właśnie czyni kogoś świetnym menedżerem produktu AI.

Hannah Clark: Jestem pewna, że wszyscy będą bardzo chcieli rozwijać te umiejętności, bo to naprawdę ogromny obszar możliwości.

A skoro o tym mowa: jak z twojej perspektywy wygląda obecnie sytuacja menedżerów produktu posiadających umiejętności lub doświadczenie w obszarze AI?

Praveen Gujar: AI stała się już powszechnie znanym pojęciem. Myślę, że większość zasługi za to należy przypisać ChatGPT i jego popularyzacji, ale AI nie jest nową technologią, prawda? Ludzie z branży technologicznej od lat wykorzystują ją na różne sposoby.

Mam doświadczenie w reklamie cyfrowej, a AI od ponad dekady zasila różne systemy i możliwości w tej dziedzinie, a w innych obszarach nawet dłużej. Jeśli spojrzymy na ostatnie dwa lata, widzimy wykładniczy wzrost zarówno popularności, jak i wykorzystania AI. Otwiera to ogromne możliwości dla menedżerów produktu posiadających umiejętności związane z AI, którzy mogą pracować nad różnymi dziedzinami, problemami oraz kreatywnymi i innowacyjnymi rozwiązaniami. Ten gwałtowny rozwój jest bardzo istotny i będzie trwał w najbliższej przyszłości. Tak przynajmniej wygląda sytuacja z naszej perspektywy.

Drugą kwestią jest rozszerzenie roli. W ciągu ostatnich dwóch lat coraz więcej organizacji zajmujących się produktami i usługami przechodzi ewolucję polegającą na dodawaniu elementów AI do swoich produktów. Może to oznaczać wzbogacanie doświadczeń użytkowników za pomocą AI albo przebudowę produktów zgodnie z podejściem opartym przede wszystkim na AI lub zintegrowanym z AI.

Otwiera to ogromną szansę przed wszystkimi menedżerami produktu pracującymi w tej dziedzinie, pozwalając im zajmować się najnowocześniejszą technologią i dostarczać klientom realną wartość. Jest to także strategicznie ważne. Można nawet argumentować, że z perspektywy public relations ma to obecnie duże znaczenie.

Jest to również istotne dla budowania własnego profilu zawodowego. Coraz częściej staje się to strategicznie ważne dla organizacji, więc jako menedżer produktu zajmujesz lepszą pozycję w firmie, jeśli specjalizujesz się w AI. Masz większą wartość, ponieważ posiadasz odpowiednie umiejętności i jesteś lepiej dostosowany do strategicznych potrzeb przedsiębiorstwa.

Wreszcie, zapotrzebowanie na menedżerów produktu AI wynika z ogromnego rozwoju tej dziedziny. Twoje umiejętności stają się bardziej poszukiwane. Otwiera to nowe możliwości rozwoju kompetencji, budowania świetnych produktów, a także uzyskiwania korzyści finansowych.

Hannah Clark: Mnóstwo możliwości i mnóstwo korzyści.

Wróćmy do umiejętności i ich praktycznego zastosowania. Jakie wskazówki mogą wykorzystać menedżerowie produktu, aby używać AI do budowania produktów o wysokim wzroście?

Praveen Gujar: To świetne pytanie. Publikujemy nawet artykuł w czasopiśmie Engineering Management Review, w którym zastanawiamy się, co oznacza budowanie świetnego produktu opartego na AI.

Jeśli spojrzymy na obecny trend, wszyscy rzucają się na tę technologię. Wiele organizacji wzbogaca swoje produkty i usługi o elementy AI. Często są to jednak działania powierzchowne. Przykładem może być uruchomienie chatbota w ramach istniejących usług.

Przypomina to lekcję z ery mobilnej. Gdy urządzenia mobilne stały się powszechne, pierwszą reakcją organizacji było zmniejszenie istniejącego produktu do formatu mobilnego. Nie utrzymało się to jednak długo. Podobnie wiele organizacji, z braku lepszego pomysłu, wdraża AI lub posypuje nią istniejące produkty i rozwiązania.

Nie jest to dla organizacji zrównoważony sposób rozwoju. Trwała przewaga pojawia się wtedy, gdy buduje się produkty organizacji oparte przede wszystkim na AI albo z nią zintegrowane. Co to oznacza? AI staje się centralnym elementem produktu, a doświadczenia użytkownika są przez nią zasilane i w pełni automatyzowane.

Zamiast ograniczać AI do automatyzacji określonego przepływu pracy, kluczowe jest umożliwienie modelom AI dokonywania optymalizacji. Drugim elementem jest podejmowanie decyzji. Wiele zastosowań AI wynika z obecnych trendów i polega na odpowiadaniu na szybkie pytania.

Jednak podstawowa optymalizacja i podejmowanie decyzji to obszary, które naprawdę mogą sprawić, że produkt stanie się znacznie skuteczniejszy. Wreszcie bardzo ważna jest struktura organizacyjna. Jeśli masz bardziej zintegrowany zespół, w którym inżynierowie AI ściśle współpracują z menedżerami produktu, tworzysz produkty zintegrowane z AI, przemyślane od samego początku. Pozwala to lepiej konkurować i budować bardziej zrównoważony model rozwoju w przyszłości. Powiedziałbym więc, że bardzo ważne jest przemyślenie produktów i usług na nowo, z podejściem skoncentrowanym na AI.

Rozwiązywanie problemu użytkownika jest nadrzędną potrzebą każdego produktu. Nie ma tu drogi na skróty. Trzeba jednak naprawdę wyobrazić sobie produkt na nowo, wykorzystując AI do podejmowania decyzji i stosując technologię w celu ulepszenia obecnych doświadczeń.

Hannah Clark: Ciekawią mnie przykłady zastosowań, które obecnie wykorzystują AI. Oczywiście istnieją produkty, które zostały znacząco ulepszone dzięki AI, ale także takie, w których niewiele się zmieniło. Jakie są najlepsze znane ci obecnie zastosowania albo obszary, w których widzisz ogromne możliwości rozwoju?

Praveen Gujar: Mam doświadczenie w reklamie cyfrowej, więc posłużmy się tym przykładem. Jakie są najważniejsze elementy reklamy cyfrowej? Trzeba mieć właściwą grupę odbiorców, odpowiednią treść dla tej grupy oraz dostarczyć ją odbiorcom we właściwym czasie i miejscu.

Tradycyjnie zaczynaliśmy od modeli AI, które próbowały zrozumieć, jaka grupa odbiorców najlepiej pasuje do produktu lub usługi. W zależności od głównego celu trzeba było kierować przekaz do określonych odbiorców. Z czasem udoskonaliliśmy te rozwiązania, a wiele algorytmów predykcyjnych pozwala nam rozumieć, do jakich przewidywanych grup odbiorców możemy dotrzeć.

To jeden z przykładów. Wraz z rozwojem generatywnej AI, szczególnie w ciągu ostatnich dwóch lat, tworzenie treści stało się bardzo ważne. Jeśli jesteś marką i chcesz docierać do różnych grup odbiorców, możesz wygenerować 80% treści i 80% jej wariantów znacznie szybciej. Pozwala to zespołowi kreatywnemu pracować szybciej i zwiększa jego produktywność.

Następnie masz już odbiorców i treści. Jak personalizować przekaz na dużą skalę? Każdy może personalizować komunikację dla niewielkiej grupy osób, ale duża organizacja próbująca dotrzeć z dopasowanymi treściami do milionów użytkowników potrzebuje dynamicznej segmentacji odbiorców i tworzenia treści za pomocą AI, aby personalizować komunikaty na dużą skalę.

To trzy elementy, które rozwijano od dawna. Teraz trzeba połączyć je w całość, aby zapewnić pełną automatyzację i optymalizację w tych różnych obszarach. Właśnie dlatego wiele platform reklamowych oferuje klientom rozwiązania w pełni zautomatyzowane, kompleksowe i uruchamiane jednym kliknięciem.

Dotyczy to Google, LinkedIn i Mety. Widzimy, jak pojawia się wiele takich zautomatyzowanych platform. To tylko jeden cyfrowy przykład. Wciąż rozmawiamy o zastosowaniu AI w ochronie zdrowia. Znam osobę pracującą w Google, która specjalizuje się w analizowaniu obrazów rentgenowskich w celu wykrywania nieprawidłowości mogących wskazywać na zmiany nowotworowe.

Modele rozwijane przez lata stają się coraz skuteczniejsze w identyfikowaniu wczesnych oznak złośliwego guza lub innych zmian — znacznie wcześniej, niż może to zrobić radiolog czy inny specjalista. To świetne przykłady tego, jak AI poprawia nie tylko produktywność, lecz także skuteczność wykonywanej przez nas pracy.

To prawdopodobnie tylko kilka przykładów. Można wskazać tysiące podobnych zastosowań.

Hannah Clark: Mogę sobie tylko wyobrazić, że prawdopodobnie każda branża ma coś podobnego.

Porozmawiajmy trochę o higienie danych. Dlaczego utrzymywanie czystych danych jest ważne podczas pracy z narzędziami AI?

Praveen Gujar: Często słyszymy, że duże modele językowe i inne modele AI są trenowane na coraz większych ilościach danych. Działa tu mechanizm „śmieci na wejściu, śmieci na wyjściu”. Jeśli dane nie są odpowiedniej jakości albo nie zostały oczyszczone z uprzedzeń i błędów, wyniki uzyskiwane z modeli również będą nieoptymalne.

Dlatego higiena danych odgrywa kluczową rolę. Jak wspominałem wcześniej, jako menedżer produktu AI musisz rozumieć dane, a także platformę danych. To bardzo istotny element. Po pierwsze, ważne jest zwiększanie dokładności modelu, z którym pracujesz.

Minimalizowanie uprzedzeń ma w modelach AI ogromne znaczenie, dlatego higiena danych jest tak ważna. Liczy się również wydajność modelu, czyli jego dokładność. Trenowanie modelu nadal jest pracochłonne. Można poświęcić wiele godzin i miesięcy na jego trenowanie, a dane niskiej jakości sprawiają, że proces staje się jeszcze bardziej żmudny.

Wreszcie możemy spodziewać się coraz większej kontroli regulacyjnej nad niektórymi modelami AI i generowanymi przez nie wynikami. Jeśli ich źródłem są nieuporządkowane lub nieoczyszczone dane, wyniki modelu mogą nie spełniać standardów regulacyjnych, które organy nadzoru mogą w przyszłości narzucić.

Posłużmy się prostym przykładem. Jeśli działasz w sektorze finansowym i reklamujesz produkty swoim klientom, a modele reklamowe nie zostały wytrenowane na danych wysokiej jakości, mogą nieumyślnie wprowadzać uprzedzenia. Może to prowadzić do większej kontroli regulacyjnej, ponieważ uprzedzenia mogą dotyczyć na przykład społeczności znajdującej się w trudniejszej sytuacji, co narusza przepisy dotyczące uczciwego udzielania kredytów.

To efekt całego cyklu. Wpływ braku higieny danych jest znacznie większy, niż może się początkowo wydawać. Bardzo ważne jest więc stworzenie systemów i platform do oczyszczania danych oraz przygotowywania ich w taki sposób, aby modele można było trenować skuteczniej.

Hannah Clark: To więc obszar, który pokrywa się z kwestiami etycznymi związanymi z wykorzystywaniem AI.

Chętnie poznam twoje ogólne zdanie na temat etyki w obszarze AI. Jak menedżerowie produktu, którzy dopiero zaczynają pracę w tej dziedzinie, mogą upewnić się, że odpowiedzialnie wdrażają rozwiązania AI?

Praveen Gujar: To świetne pytanie i kwestia o nadrzędnym znaczeniu dla wielu organizacji. Wiele z nich tworzy zespoły nazywane zespołami odpowiedzialnej AI.

Ich zadaniem jest zapewnienie przestrzegania standardów etycznych i moralnych. Wspomniałem o sektorze finansowym. To doskonały przykład tego, jak niewłaściwe wykorzystanie AI może mieć wpływ społeczny i gospodarczy, szczególnie na określone grupy ludności.

Jeśli jesteś menedżerem produktu AI, wszystko zaczyna się od edukacji — od zdobywania wiedzy na temat niedoskonałości i problemów, które mogą się pojawić. Na przykład nieuporządkowane dane albo modele trenowane w niewłaściwy sposób. Zdobycie wiedzy na ten temat jest pierwszym krokiem. Następnie, gdy odkryjesz, że dane nie zostały właściwie oczyszczone lub mogą wprowadzać uprzedzenia, musisz ustalić, jakie działania podjąć, aby je uporządkować, ponownie wytrenować modele i zweryfikować ich dokładność po ponownym trenowaniu. To również jest bardzo ważne.

Trzecim elementem jest odpowiednia struktura organizacyjna. Różnorodny zespół również ma ogromne znaczenie. Zalecałbym nawet wyznaczenie dedykowanej osoby, która mogłaby pełnić funkcję rzecznika różnorodności i dbać o przestrzeganie standardów etycznych w zespole.

Taka osoba może monitorować działania i być ambasadorem zapewniającym, że dane są oczyszczane, a modele trenowane w sposób etyczny, tak aby ich wyniki były rzetelne. To najlepsze praktyki, które menedżer produktu może stosować w tej dziedzinie, aby zagwarantować przestrzeganie standardów etycznych.

Hannah Clark: Zmieńmy nieco temat. W jaki sposób AI może pomóc nam przeprowadzać bardziej efektywne eksperymenty?

Praveen Gujar: To świetne pytanie. Pomyśl o tradycyjnym sposobie przeprowadzania eksperymentów. Jeśli jesteś na przykład firmą DoorDash, możesz przeprowadzać tysiące eksperymentów dziennie.

Musisz monitorować wiele wskaźników biznesowych i systemowych. Jeśli jesteś menedżerem produktu, prawdopodobnie równolegle prowadzisz dwa lub trzy eksperymenty dotyczące różnych funkcji. Musisz zrozumieć konsekwencje tych eksperymentów.

Ściśle współpracujesz z przydzielonym ci analitykiem danych, aby dostroić eksperyment, uzyskać wyniki, ponownie go dostroić, zdecydować, czy zwiększyć zakres wdrożenia, czy go ograniczyć, a następnie przygotować końcową analizę. Wszystko to jest potrzebne, aby zwiększyć skalę produktu albo wykazać wpływ rozwijanej funkcji.

Wiele z tych działań opiera się na pracy człowieka. Wyobraź sobie teraz system AI, który może optymalizować możliwości eksperymentowania. Nie tylko uczyni to pracę menedżera produktu bardziej użyteczną, lecz także ułatwi prowadzenie eksperymentów, ich ocenę i podejmowanie decyzji.

Zaczyna się to już na etapie projektowania eksperymentu: jakie parametry są optymalne i jakie hipotezy należy przyjąć? Algorytmy AI mogą pomóc formułować hipotezy i wybierać właściwe parametry eksperymentu. Podczas jego trwania mogą dynamicznie dostosowywać zakres wdrożenia albo proporcje między wariantami, aby znaleźć optymalną równowagę.

Mogą także zdecydować, czy ryzyko zostało ograniczone w początkowej fazie wdrożenia, a następnie zwiększyć skalę w celu uzyskania większej liczby danych statystycznych. Takie decyzje mogą być podejmowane bardziej autonomicznie. Wreszcie bardzo wartościową funkcją jest wykrywanie anomalii w metrykach biznesowych i systemowych wynikających z wpływu eksperymentu.

Można szybciej rozpoznać wpływ eksperymentu, a następnie podjąć decyzję o jego zatrzymaniu lub ograniczeniu, zanim wpłynie on szerzej na wskaźniki biznesowe. Jeśli na przykład uruchomiona funkcja powoduje problemy z sesjami w aplikacji, może to bezpośrednio wpłynąć na przychody. Modele mogą wykryć to znacznie szybciej niż ludzie i zatrzymać eksperyment, aby ograniczyć problem spowodowany przez tę funkcję.

AI może więc pomóc lepiej eksperymentować, zwiększyć produktywność i podejmować decyzje we właściwym czasie.

Hannah Clark: Zanim zakończymy, muszę powiedzieć, że przekazałeś mnóstwo bardzo przydatnych informacji. Jestem pewna, że słuchacze będą szukać kolejnych kroków, ponieważ wszyscy są bardzo podekscytowani możliwością stopniowego rozwijania umiejętności związanych z AI.

Czy masz jakieś rekomendacje dla osób zainteresowanych rozwijaniem tych kompetencji? Jeśli obecnie nie pracują bezpośrednio nad produktem AI, jakie zasoby lub kursy możesz polecić?

Praveen Gujar: Istnieje wiele kursów, na przykład w LinkedIn Learning i Courserze. Jednym z moich ulubionych źródeł jest DeepLearning.ai. Jeśli odwiedzisz tę stronę, znajdziesz kursy Andrew Ng, dostępne również w LinkedIn Learning i Courserze. Bardzo ważne jest zbudowanie podstawowego zrozumienia AI. Nie mogę wystarczająco podkreślić znaczenia solidnych podstaw. Jeśli je masz, możesz na nich budować, poznawać bardziej zaawansowane technologie, a następnie dowiedzieć się, jak stosować je w swoich rozwiązaniach.

Polecam słuchaczom najpierw poznać podstawy, a potem rozwijać wiedzę dzięki bardziej zaawansowanym kursom. Podcasty mogą być świetnym sposobem zarówno na naukę, jak i śledzenie wydarzeń w branży. Technologia rozwija się bardzo szybko, więc nadążanie za zmianami jest trudne, a podcasty często dobrze się do tego nadają.

Po trzecie, regularnie publikowane są artykuły na blogach. Mogą one być świetnym sposobem na dogłębne poznanie konkretnego tematu i zrozumienie jego praktycznych zastosowań w danej dziedzinie lub ogólnie w dowolnym obszarze.

To trzy dobre źródła. Uniwersytety również oferują kursy. Nie jestem pewien, na ile są one skuteczne, ale zapewniają bardziej uporządkowane podejście i często kończą się uzyskaniem dyplomu. Może to być dobry atut, jeśli chcesz wejść do tej dziedziny.

Możesz więc odświeżyć swoje umiejętności albo lepiej poznać AI, aby rozpocząć pracę w tym obszarze. Wszystkie te możliwości mogą być bardzo wartościowe. Dodałbym jeszcze jedną rzecz: ważniejsze od wszystkiego innego jest to, aby jako menedżer produktu w tej dziedzinie zachować ciekawość. Dzięki temu naprawdę zainwestujesz czas w zrozumienie tematu i dogłębne zgłębianie wiedzy. Upewnij się więc, że poznajesz koncepcje, a następnie stosujesz je w swojej dziedzinie.

Hannah Clark: To naprawdę świetna rada. Dziękuję, że do nas dziś dołączyłeś, Praveen. Gdzie można śledzić twoją pracę w internecie?

Praveen Gujar: Można mnie znaleźć na LinkedIn. Próbuję również zbudować własną stronę internetową: praveengujar.com. Jest jeszcze w budowie, ale wszystkie moje publikacje i przyszła książka będą dostępne na tej stronie.

Hannah Clark: Świetnie. Bardzo dziękuję za udział. Naprawdę to doceniamy.

Praveen Gujar: Bardzo dziękuję za zaproszenie.

Hannah Clark: Dziękuję za wysłuchanie. Po więcej ciekawych spostrzeżeń, poradników i recenzji narzędzi zapiszcie się do naszego newslettera na stronie theproductmanager.com/subscribe. Więcej takich rozmów usłyszycie, subskrybując Klub CPO w dowolnej aplikacji, w której słuchacie podcastów.