Jak zostać menedżerem produktu AI bez doświadczenia (z dr Nancy Li)

Przeczytaj transkrypcję:

Próbujemy transkrybować nasze podcasty za pomocą programu komputerowego. Wybaczcie ewentualne literówki, ponieważ bot nie zawsze jest w 100% poprawny.

Hannah Clark: Uwaga, to będzie kolejny odcinek o AI. Podejrzewam, że obecnie mamy dwie grupy słuchaczy: osoby spragnione informacji o wszystkim, co związane z AI, oraz osoby, które mówią: „AI? Raczej A, mam już dość tego tematu”. Jeśli nadal słuchacie nawet po tym okropnym żarcie, założę, że należycie do pierwszej grupy — co oznacza, że możecie być idealnymi kandydatami do specjalizacji w zarządzaniu produktami AI.

Dziś ponownie gości ze mną dr Nancy Li, która oprócz tego, że jest absolutnie niezwykłą osobą, jest założycielką Product Manager Accelerator, prowadzącą podcast Product Insider, była prezentowana w Forbes i ma wieloletnie doświadczenie w zarządzaniu produktami AI. Dr Li ma wyjątkową perspektywę zarówno na rynek produktów AI, jak i na krajobraz kariery produktowej, któremu od kilku lat przygląda się z bliska. Jest więc tutaj, aby podzielić się poufnymi informacjami o tym, jak można przekuć fascynację AI w przełomową karierę. Zaczynajmy.

Witamy ponownie w podcaście Klubu CPO. Dr Nancy, bardzo dziękuję, że znów do nas dołączasz.

Nancy Li: Dziękuję za zaproszenie do programu. Ostatnim razem świetnie się bawiłam podczas nagrywania tych odcinków, więc cieszę się, że mogę wrócić i podzielić się kolejnymi spostrzeżeniami na temat AI.

Hannah Clark: Oczywiście.

Dla tych, którzy nie słuchali naszego poprzedniego spotkania, czy możesz krótko opowiedzieć o swoim doświadczeniu i o tym, jak znalazłaś się w obecnym miejscu?

Nancy Li: Jasne. Cześć wszystkim, jestem dr Nancy Li, dyrektorką ds. produktu wyróżnioną w Forbes. Pomogłam tysiącom osób zdobyć wymarzoną pracę menedżera produktu w dużych firmach i startupach jednorożcach, a także awansować na stanowiska liderów produktu. Obecnie prowadzę własną firmę PM Accelerator, która pomaga rozwijać karierę w zarządzaniu produktami. Mam również własny podcast o nazwie Product Insider. Gościmy w nim liderów produktu, takich jak wiceprezesi ds. produktu z Google, i opowiadamy o wszystkich sekretach budowania odnoszących sukcesy produktów.

Sama jestem imigrantką, która przeprowadziła się do Stanów Zjednoczonych z 800 dolarami w kieszeni i w ciągu czterech lat została dyrektorką ds. produktu. Moim celem jest zapewnienie edukacji z zakresu zarządzania produktami, szczególnie edukacji przedsiębiorczej, osobom z rodzin o średnich dochodach. Dlatego dzielę się wieloma bezpłatnymi materiałami i sekretami na YouTube.

Obecnie mój kanał na YouTube ma ponad milion wyświetleń. W zeszłym roku mieliśmy też szczęście z powodzeniem uruchomić własną organizację non profit o nazwie PMA Kids, która zapewnia bezpłatną edukację z zakresu zarządzania produktami dzieciom z rodzin o niskich dochodach. Bardzo cieszy mnie, że ludzie rozwijają się razem ze mną i pracują nad własnym rozwojem.

Nasza społeczność również rozrosła się do ponad 100 000 menedżerów produktu dzięki wszystkim moim działaniom w mediach społecznościowych.

Hannah Clark: To naprawdę imponujące CV. Na dodatek stworzyłaś również bardzo udany i nagradzany produkt AI, prawda?

Nancy Li: Tak.

Hannah Clark: Czy możesz opowiedzieć o nim trochę więcej?

Nancy Li: Oczywiście. Powstał jeszcze zanim AI stała się bardzo popularna.

Stworzony przeze mnie produkt nazywa się Smart Cities i wykorzystuje AI, a szczególnie widzenie maszynowe, do ograniczania liczby wypadków samochodowych. Produkt powstał w 2016 roku, kiedy w różnych miastach bardzo popularny był ruch Vision Zero, którego celem było zmniejszenie liczby ofiar śmiertelnych wypadków drogowych do zera.

Dlatego nazwałam go Vision Zero. W tamtym czasie próbowaliśmy zrozumieć, jak pomóc miastom ograniczyć liczbę wypadków samochodowych w bardziej kompleksowy i skalowalny sposób. Jak wspomniałam, nikt nie wymagał wtedy używania AI. Przyglądaliśmy się różnym technologiom, zastanawiając się, czy wykorzystać AI, internet rzeczy czy analizę danych.

Nie wiedziałam. Ostatecznie zdecydowaliśmy się wykorzystać AI jako jedną z kluczowych technologii do stworzenia tego produktu, który później otrzymał nagrodę burmistrza za najlepszą praktykę. Został szybko wdrożony w około dziesięciu największych miastach w Stanach Zjednoczonych. Bardzo się cieszę, że mogłam zobaczyć, jak AI zmieniała życie ludzi wiele lat temu, jeszcze zanim stała się tak głośna jak dziś.

Hannah Clark: To idealne przejście do tematu tego, jak AI zmienia dziś życie ludzi — w naszym przypadku poprzez specjalizację w zarządzaniu produktami AI. Na początek: jakich konkretnych korzyści mogą spodziewać się menedżerowie produktu, jeśli zdecydują się na specjalizację w AI?

Nancy Li: Świetne pytanie.

Specjalizacja w AI zdecydowanie otwiera wiele nowych możliwości przed obecnymi menedżerami produktu, a także przed osobami, które chcą wejść do tej branży. Po pierwsze, wynagrodzenie jest wyższe. Menedżerowie produktów AI zarabiają zazwyczaj od 10% do 20% więcej niż przeciętny menedżer produktu.

Po drugie, daje to przyspieszenie kariery. Mam na przykład studentkę, która dołączyła do Amazona jako menedżerka produktu generatywnej AI. Dosłownie przeniosła swoją karierę na wyższy poziom. Nie tylko dołączyła do dużej firmy, lecz także mogła tworzyć dla Amazona bardzo wpływowe produkty używane przez wiele osób.

Trzecia kwestia to to, jak bardzo AI może przyspieszyć wejście do obszaru zarządzania produktami. Mam studentów, którzy zdecydowali się specjalizować w AI. Po dodaniu do CV odpowiednich słów kluczowych i opisaniu projektów obejmujących różne produkty AI zaczęli otrzymywać znacznie więcej zaproszeń na rozmowy kwalifikacyjne niż inni kandydaci.

Wszystkie firmy chcą obecnie umieścić AI na swojej mapie drogowej. Możemy później dyskutować, czy powinny to robić, ale taki jest obecny trend, więc zdecydowanie pomaga to kandydatom wejść na kolejny poziom. Jest też interesujące porównanie, podobne do amerykańskiego powiedzenia „strzelać do ryb w beczce”.

Jeśli dołączysz teraz do obszaru AI, możesz mieć wrażenie, że strzelasz do ryb w beczce, ponieważ w ciągu najbliższych pięciu, może dziesięciu, a może nawet dwóch lat AI naprawdę wystartuje. Niezależnie od tego, czy wykonujesz dobrą pracę — mam nadzieję, że wykonujesz wyjątkową — załóżmy, że w tym obszarze wykonujesz przeciętną pracę, a cała dziedzina rozwija się jak rakieta.

Jedziesz tą rakietą. Właśnie dlatego Twoja kariera może rozwijać się wraz z całym obszarem. Polecam wszystkim poważnie rozważyć AI jako kolejny krok zawodowy.

Hannah Clark: Czy mogłabyś przeprowadzić nas przez cykl życia menedżera produktu AI?

Nancy Li: Oczywiście. Posłużę się własnym produktem jako przykładem.

Cykl życia zarządzania produktem AI składa się z czterech etapów. Pierwszy to tworzenie pomysłu i zrozumienie, czy AI rzeczywiście może rozwiązać dany problem. Drugi to ustalenie, jakie dane należy zebrać i gdzie je znaleźć, ponieważ dane są nową dziedziną ery AI. Trzeci to budowa MVP, a czwarty — wprowadzenie produktu na rynek. Posłużę się teraz przykładem z życia, aby pokazać, jak dzięki tym ramom udało nam się stworzyć wyjątkowy, w moim przypadku nagradzany produkt AI.

Pierwszy krok polega na zrozumieniu, czy klienci rzeczywiście mają problem, czy może używamy AI do tworzenia problemu dla klientów. To inżynieria odwrotna. Dlatego tak ważna jest bardzo dokładna analiza rynku. Trzeba zrozumieć, jakie problemy rzeczywiście można rozwiązać za pomocą AI, a jakich nie można. Podam konkretny przykład — studium przypadku, które przeprowadziłam w PM Accelerator ze studentami.

Podczas burzy mózgów zastanawialiśmy się, co zrobiłby prezes Delta w ciągu najbliższych dziesięciu lat. Oczywiście moi studenci, w tym ja, mówili: „Można zrobić coś z AI”. Jedno z konkretnych rozwiązań zaproponowanych przez studenta polegało na wykorzystaniu AI do nawigacji lotniczej.

Powiedziałam: „Nie, to niewłaściwe zastosowanie”. Dzisiejsza AI, a szczególnie generatywna AI i wiele innych rodzajów AI, ma pewne prawdopodobieństwo błędu — powiedzmy 1% albo 0,001%. Jeśli zawiedzie, ludzie mogą zginąć, ponieważ chodzi o nawigację lotniczą. To zbyt duże ryzyko, aby od razu stosować ją w aplikacjach sterowania o znaczeniu krytycznym.

Dlatego musimy przeprowadzić bardzo dogłębne badania: czy naprawdę potrzebujemy AI i w jaki sposób może ona znacząco ulepszyć daną aplikację. Kiedy tworzyłam własny produkt Smart Cities, o którym wspomniałam wcześniej, był rok 2016 i nikt nie wywierał presji, aby używać AI. Nikt nawet o niej nie myślał. Prowadziliśmy autentyczne badania potrzeb klientów i dopiero wtedy odkryliśmy, że AI jest najlepszą metodą i narzędziem. Dlatego najpierw trzeba przeprowadzić dokładne rozpoznanie.

Druga faza cyklu życia zarządzania produktem AI obejmuje zbieranie danych i trenowanie modelu danych. Dane są nową dziedziną w obszarze AI. Dlatego firmy takie jak Scale AI są obecnie bardzo popularne i w tej erze AI powstało wiele różnych startupów.

Podczas trenowania dowolnego modelu najważniejsze jest znalezienie właściwego rodzaju danych. Czasami można wykorzystać istniejący model innej firmy. Istnieje wiele bardzo dobrych modeli AI, na przykład oczywiście ChatGPT. Są też inne rodzaje modeli AI.

Gemini ma własne modele, a Soplic ma swoje modele AI. Na rynku istnieje ich bardzo wiele. Musisz więc zdecydować: jeśli wykorzystam istniejący model danych, jak będzie wyglądał mój proces podejmowania decyzji? Który model jest lepszy? Możesz przeprowadzić integrację przez API. Jeśli tak, ile będzie mnie kosztować uruchomienie rozwiązania na modelu innej firmy? Czasami można wykorzystać cudzy model, a następnie zbudować na nim coś niewielkiego, aby ograniczyć całkowity koszt.

Istnieje więc wiele różnych decyzji dotyczących trenowania modelu, zbierania danych i wykorzystywania istniejącego modelu. Trzeci etap to budowa MVP. W przypadku produktów AI budowa MVP jest dość prosta i bardzo podobna do współczesnego zarządzania produktem. Budując MVP, trzeba przetestować je na rynku, ale w zarządzaniu produktami AI musimy szczególnie myśleć o bezpieczeństwie i zaufaniu. Nie każdy chce dziś korzystać z AI, a różne uprzedzenia mogą przedostać się do systemu. Kwestie zarządzania AI trzeba uwzględnić podczas tworzenia produktu.

Najlepiej rozważyć je tak wcześnie, jak to możliwe, w cyklu rozwoju produktu. Kiedy tworzyliśmy Smart Cities, sposób budowy MVP był niezwykle interesujący. Zaczęliśmy od współpracy z jednym miastem — Bostonem — a celem było wykorzystanie widzenia maszynowego do ograniczenia liczby wypadków samochodowych. Jednak podczas budowy MVP bardzo trudno było zweryfikować i wytrenować model danych przy użyciu ograniczonej liczby danych o wypadkach.

Pomyślcie o tym. Jeśli chcecie wytrenować model AI, potrzebujecie ogromnej ilości danych. W tym przypadku chcieliśmy ograniczyć liczbę wypadków. Ile takich danych istnieje? Po pierwsze, muszą one zostać zarejestrowane. Musieliśmy też oczyścić dane, a czasami chcieliśmy sprawdzić, czy model potrafi wykrywać wypadki w warunkach śniegowych, ponieważ w Bostonie przez sześć miesięcy pada śnieg — pozdrawiam mieszkańców Bostonu.

Czy w ciągu sześciu miesięcy sezonu śnieżnego w Bostonie można wykrywać wypadki? W takich warunkach bardzo trudno zbierać dane. Nie chcemy też ich zbierać. Mamy nadzieję, że takie dane nigdy nie będą potrzebne. Kiedy budowaliśmy MVP, przyjęliśmy więc zupełnie inne podejście. Zrobiliśmy dwie rzeczy. Po pierwsze, bezpośrednio kupiliśmy dane.

W tamtym czasie firma nazywała się Mint AI i mogliśmy kupić od niej różne rodzaje danych treningowych. Po drugie, stworzyliśmy różne środowiska symulowane. Mogliśmy na przykład pracować na parkingu, gdzie ludzie udawali, że zbliżają się do samochodów. Tworzyliśmy też scenki z zabawkami. To było bardzo zabawne.

Mieliśmy małe samochodziki, które uderzały w zabawkowe rowery — wszystko było zrobione z zabawek. W modelu AI oczywiście zmienialiśmy parametry, aby odzwierciedlić rozmiary prawdziwego samochodu. Mogliśmy sprawdzić, czy po zderzeniu jednej zabawki z drugą AI wykryje kolizję, a nawet przewidzi ją, zanim do niej dojdzie.

Podczas budowy MVP wykonaliśmy wiele różnych działań. Chciałabym również podziękować Jensenowi Huangowi z firmy NVIDIA. Byliśmy wczesnymi użytkownikami modeli treningowych NVIDIA. Już w 2016 roku jego zespół stworzył dla nas niesamowity model AI do wykrywania obiektów, na którym mogliśmy zbudować własne rozwiązanie.

Wszystkie te szczegóły składają się na budowę MVP. To było bardzo ekscytujące. To coś więcej niż tylko „wytrenujmy jakiś model”. Trzeba być inteligentnym i kreatywnym również podczas tworzenia MVP. Ostatni etap to oczywiście strategia wejścia na rynek. W przypadku produktu AI strategia wejścia na rynek obejmuje tradycyjny proces GTM, który prawdopodobnie już znasz.

Mam osobny film na YouTube dotyczący strategii GTM, więc możecie później zajrzeć na mój kanał. Oprócz tradycyjnego procesu GTM musimy pomyśleć o dodatkowych kwestiach, takich jak akceptacja ze strony klientów i wewnętrznych interesariuszy. Akceptacja klientów zależy od ich tolerancji ryzyka.

Niektórzy ludzie po prostu nie chcą wypróbować produktu AI. Inni mogli mieć złe doświadczenia i nigdy nie wrócić. Mogą też obawiać się, że ich dane zostaną na zawsze przejęte przez AI, albo czuć, że AI odbierze im pracę. Musimy odpowiednio zarządzać taką akceptacją użytkowników końcowych.

Druga kwestia dotyczy wewnętrznych interesariuszy. Na podstawie moich rozmów z menedżerami produktu tworzącymi udane produkty odkryliśmy, że nie wszyscy w firmie chcą używać AI. Mogą to być członkowie kadry kierowniczej, zespoły inżynieryjne albo dział prawny. Na pewno pojawią się sprzeciwy.

Musisz więc nauczyć się, jak promować produkty AI w różnych sytuacjach. To cztery etapy cyklu życia menedżera produktu AI.

Hannah Clark: To bardzo wyczerpujące wyjaśnienie i brzmi jak niezwykle ciekawa dziedzina do wypróbowania.

Jakie kroki mogą podjąć menedżerowie produktu, aby kwalifikować się do tych wszystkich interesujących ról związanych z AI?

Nancy Li: To zdecydowanie bardzo ekscytujące. Mówię o czterech sposobach zostania menedżerem produktu AI. Pierwszy dotyczy osób świeżo po ukończeniu szkoły i jest właściwie najłatwiejszy. Jeśli dopiero kończysz szkołę, zrób cokolwiek związanego z AI i najpierw zdobądź wejście do branży. Nie masz jeszcze doświadczenia, więc możesz od razu wykorzystać projekt końcowy na uczelni.

Możesz od razu pracować nad AI, na przykład podczas pierwszego stażu. Nie musi to być zarządzanie produktem AI, ponieważ jesteś świeżo po studiach i dopiero odbywasz praktyki. Możesz zostać inżynierem oprogramowania w startupie AI albo robić cokolwiek innego w takim startupie.

Mamy studentów, w tym studentkę drugiego roku, której pierwszy staż menedżerki produktu polegał na pracy w NVIDIA nad budową modeli podstawowych. Możesz więc bezpośrednio ubiegać się o staż w obszarze AI lub zarządzania produktami AI.

Druga grupa to obecni menedżerowie produktu. Załóżmy, że wcześniej pracujesz w internecie rzeczy albo w technologii finansowej i nie masz nic wspólnego z AI. Najłatwiejsza droga polega na zdobyciu wiedzy o AI. Dostępnych jest bardzo wiele kursów AI. W czasie nagrywania tego podcastu Google również uruchomił nowe kursy AI.

Zachęcam wszystkich obecnych menedżerów produktu, aby z wyprzedzeniem nauczyli się wszystkich umiejętności związanych z AI, poznali różne duże modele językowe i porównali je, aby zrozumieć, który jest dobry oraz jak podejmować decyzje techniczne. To kluczowe obszary, w których wszyscy menedżerowie produktu powinni dziś zacząć zdobywać doświadczenie.

Trzecią drogą zostania menedżerem produktu AI jest przejście z doświadczenia inżynieryjnego zdobytego w firmach AI. W PM Accelerator mam wielu inżynierów AI i naukowców zajmujących się danymi. Nie znają oni w ogóle zarządzania produktem, ale mają wyjątkową przewagę wynikającą z wcześniejszej pracy nad modelami AI.

Prawdopodobnie są podobni do moich inżynierów sprzed lat, kiedy budowałam Smart Cities. Wiedzą, jak trenować modele AI i jak budować MVP, ponieważ uczestniczyli w całym procesie. Nie pisali wymagań — robiłam to ja — ale doświadczenie w zarządzaniu produktem jest łatwiejsze do zdobycia niż nauka tego, czym jest duży model językowy i jak trenować model AI.

Inżynierom polecam natychmiast nauczyć się podstaw zarządzania produktem, strategii wejścia na rynek i przeprowadzania rozmów z klientami. Znacząco przyspieszy to cały proces. Ostatnia grupa to osoby bez doświadczenia inżynieryjnego i bez doświadczenia w zarządzaniu produktem.

W ich przypadku zdecydowanie polecam następujące podejście. Po pierwsze, najpierw naucz się, czym jest AI. To fundament. Po drugie, naucz się, czym jest zarządzanie produktem. Po trzecie, zbuduj własny projekt praktyczny. Taki projekt jest najlepszym sposobem, aby osoby z doświadczeniem w AI lub bez niego pokazały swoją pasję do tej dziedziny i swoją wiedzę. Możesz udowodnić, że nie tylko mówisz o AI, ale rzeczywiście stworzyłeś kilka różnych aplikacji AI jako menedżer produktu.

Chcę też podkreślić jedną rzecz. Jako menedżer produktu nie musisz uczyć się programowania. Możesz jednak poznać proste sposoby tworzenia aplikacji. Sama buduję obecnie własną aplikację na bazie ChatGPT i w ogóle nie umiem programować. Mam doktorat z inżynierii materiałowej i nawet dziś nadal nie wiem, jak kodować. Praktyczne doświadczenie zdobyte dzięki API, różnym wtyczkom i instrukcjom ChatGPT dotyczącym budowania aplikacji na jego bazie jest jednak bardzo cenne.

Wszystko to można wykorzystać do zdobycia praktycznego doświadczenia, a następnie zamienić w portfolio produktowe. Dzięki temu znacznie łatwiej przekonać menedżera ds. rekrutacji, że potrafisz wykonywać tę pracę. Istnieją więc różne kroki, które można podjąć, aby przyspieszyć rozwój kariery.

Hannah Clark: To naprawdę przydatne sekrety.

Wróćmy do samodzielnych kursów, materiałów i innych szkoleń, które można wykorzystać do rozwijania tych umiejętności. Czy masz konkretne rekomendacje dotyczące materiałów lub kursów?

Nancy Li: Tak, osobiście ukończyłam kilka kursów, które bardzo mi się podobały.

Moje podejście jest nieco inne. Nie tylko uczestniczę w kursach, lecz także czytam artykuły, zdobywam praktyczne doświadczenie i eksperymentuję z różnymi narzędziami. Podam kilka najlepszych propozycji, od których każdy może od razu zacząć. Pierwszym źródłem jest DeepLearning.AI — to podstawowe źródło wiedzy Andrew Ng.

Na swojej stronie udostępnia on wiele bezpłatnych materiałów. Jest jeden kurs, który szczególnie polecam. Zajmuje tylko godzinę, a znacząco poszerza rozumienie AI i zapewnia praktyczne doświadczenie. To inżynieria promptów. Kurs trwa tylko godzinę, więc jest szybki i krótki.

Po drugie, możesz skorzystać z Coursery i wziąć udział w zajęciach z uczenia maszynowego. Coursera współpracuje z różnymi firmami, między innymi z IBM i DeepLearning.AI, które tworzą kursy uczenia maszynowego. Polecam także kursy DeepLearning.AI, ponieważ zapewniają kompleksowe zrozumienie uczenia maszynowego. Warto również nauczyć się, czym jest uczenie głębokie.

Polecam też wszystkim artykuły publikowane przez NVIDIA. Jestem wielką fanką NVIDIA. Znam dyrektora generalnego od około ośmiu lat — to niesamowite. Jest bardzo inteligentny. Jason jest naprawdę niezwykle bystry. NVIDIA publikuje wiele artykułów opartych na podstawowych modelach opracowanych we własnym zakresie, a inni ludzie, tacy jak ja i mój zespół, mogą budować aplikacje na istniejących ramach.

Mój najlepszy przyjaciel, którego znam od około dwunastu lat i który nadal jest moim najlepszym przyjacielem, pracuje jako główny inżynier oprogramowania i tworzy takie ramy AI dla NVIDIA. Na wysokim poziomie każdy powinien nauczyć się, czym są te ramy. Jak wspomniałam wcześniej, podczas poznawania cyklu życia zarządzania produktem AI nie zawsze trzeba budować wszystko samemu. Często można wykorzystać pracę innych osób.

Polecam odwiedzić stronę NVIDIA, gdzie można znaleźć materiały edukacyjne i poznać istniejące ramy, z których można korzystać. Kolejnym źródłem, co może być zaskakujące, jest Google. Google również uruchomił produkt AI o nazwie BlackRock i dodaje wiele różnych aplikacji na bazie AWS.

Google oferuje również bardzo proste opisy tego, czym są ramy AI i jakie przypadki użycia aplikacji można na nich zbudować. Wszystko jest proste i krótkie, a czasami dostępne są też filmy. Możesz korzystać również z tych materiałów.

Oczywiście mam pełną listę różnych kursów AI. Umieściłam ją na stronie drnancyli.com/aicourses. Znajdują się tam wszystkie kursy AI, które osobiście ukończyłam i oceniłam. Uważam, że każdy powinien się z nimi zapoznać. Możesz wejść na drnancyli.com/aicourses, uzyskać dostęp do wszystkich kursów i zacząć uczyć się dla przyjemności. To polecane kursy AI pozwalające odświeżyć wiedzę.

W PM Accelerator prowadzę również własny kurs zarządzania produktami AI, który koncentruje się na tym, co menedżerowie produktu powinni robić na co dzień, na całym cyklu życia produktu oraz na podejmowaniu ważnych decyzji technicznych i wyborze różnych modeli.

Na mojej stronie można dowiedzieć się więcej o kursach związanych z zarządzaniem produktami. Mam też własną wersję kursu zarządzania produktami AI, specjalizującą się w zarządzaniu produktami dla menedżerów produktów AI. Omawiamy tam cały cykl życia zarządzania produktem, zdobywamy praktyczne doświadczenie i wspólnie budujemy rzeczywisty produkt AI, który można zaprezentować w portfolio.

Oferujemy również skróconą wersję wiedzy technicznej dotyczącej AI, aby przyspieszyć naukę. Każdy z dostępnych kursów AI trwa około dwóch miesięcy, a nauka zajmuje dziesięć godzin tygodniowo. Zapewniamy więc skrót, pokazując dokładnie, co menedżer produktu AI powinien opanować.

Hannah Clark: To obejmuje ogromny obszar kursów i materiałów dla osób zainteresowanych pogłębieniem wiedzy o AI.

Porozmawiajmy teraz o rynku pracy. Czy znasz konkretne firmy, które aktywnie rekrutują menedżerów produktu ze specjalizacją w AI?

Nancy Li: Tak, jest ich bardzo wiele. Co tydzień pojawiają się nowi pracodawcy i nowe oferty pracy. Na przykład Amazon intensywnie rekrutuje menedżerów produktów AI, szczególnie menedżerów produktów generatywnej AI w niektórych działach, o których nie mogę opowiedzieć szczegółowo.

Z informacji, które zdobyłam, wynika, że w niektórych działach Amazona zaczęto zmieniać przywództwo. Odszedł wiceprezes, odszedł dyrektor, a następnie zatrudniono nowe kierownictwo, które jest bardzo przychylne AI.

Poprzednie kierownictwo było przeciwne AI i chciało stosować tradycyjne metody, aby ustalić, czy rzeczywiście potrzebne jest wykorzystanie AI, zamiast od razu podążać za trendem. Nowe kierownictwo AI i nowi liderzy produktu chcą jednak rozwijać AI. Dlatego wymienili obecnych menedżerów produktu, którzy niewiele wiedzieli o AI, i zatrudnili nowych menedżerów produktów AI. Niektórzy starzy pracownicy otrzymali plan poprawy wyników, a nowi menedżerowie stopniowo przejmują ich obowiązki.

To smutne, ale taka jest kultura Amazona. Panuje tam kultura szybkiego rozwoju, więc nie jestem zaskoczona. Oznacza to jednak, że niektóre działy Amazona obecnie zatrudniają bardzo wielu menedżerów produktów AI. Netflix również podąża za tym trendem.

Netflix stale zatrudnia menedżerów produktów AI. W zeszłym roku, jak sądzę, wszyscy czytaliście wiadomości, że Netflix płaci 900 000 dolarów rocznie starszemu menedżerowi produktu AI, który ma tworzyć treści generowane przez AI.

Istnieją też inne czołowe startupy AI, o których być może nie słyszeliście, ale które bardzo szybko się rozwijają. Jednym z nich jest startup, który szczególnie lubię — Inkitt. Jedna z moich studentek ma obecnie rozmowę kwalifikacyjną w tej firmie. Jej pomysł jest rewolucyjny. To czytelniczy odpowiednik Netflixa.

Ludzie czytają powieści i uczestniczą w klubach czytelniczych, a dzięki tej firmie mogą czytać i jednocześnie wchodzić w interakcje z bohaterami książek za pomocą AI. Wyobraź sobie, że oglądasz Grę o tron albo czytasz o niej i możesz na żywo zadawać Daenerys pytania dzięki AI. Bohaterowie są rzeczywiście tworzeni przez AI.

Firma pozyskała już ogromne finansowanie, staje się coraz bardziej popularna i zdobywa wielu użytkowników dzięki nowemu produktowi AI dla klubów czytelniczych.

To tylko jeden przykład — istnieje bardzo wiele startupów AI, którym warto się uważnie przyglądać. Polecam wszystkim odwiedzać TechCrunch. Dużo mówi się tam o nowych pomysłach technologicznych, startupach i pozyskiwaniu przez nie finansowania. Wszystko to stanowi świetną okazję do odkrywania nowych możliwości w obszarze AI.

Hannah Clark: Zbliżamy się do końca. Wspomniałaś, że rozwijanie specjalizacji w AI zdecydowanie wiąże się z korzyściami finansowymi. Czy są jeszcze jakieś inne kwestie dotyczące wynagrodzeń, które mogą zachęcić osoby rozważające rozwój umiejętności AI do potraktowania tego jako kolejnego kroku w karierze?

Nancy Li: Tak. Na początku powiedziałam, że menedżerowie produktów AI zarabiają więcej, i to prawda. Chcę jednak pokazać drugą stronę wynagrodzenia oraz inne spojrzenie na tę kwestię. Po pierwsze, menedżerowie produktów AI rzeczywiście zarabiają więcej, ale warto też podkreślić wpływ, jaki można wywierać dzięki tworzeniu AI, poprawę codziennej efektywności oraz możliwość tworzenia aplikacji, które osobiście się lubi.

Bardzo lubię na przykład rozmawiać z postaciami z Gry o tron. Poza tym chcę, aby ludzie dokładnie analizowali wynagrodzenie. Jeśli dołączysz do spółki giełdowej, możesz otrzymać bardzo wysokie wynagrodzenie. Mam studentów pracujących zarówno w dużych firmach, jak i w firmach spoza tej grupy, takich jak Snowflake.

Takie firmy płaciły moim studentom ponad 400 000 dolarów rocznie za pracę jako menedżerowie produktów AI. Startupy mogą nie zaoferować 450 000 dolarów w gotówce. Te kwoty to oferty gotówkowe. Startup może natomiast zaproponować na przykład 160 000 dolarów wynagrodzenia podstawowego i dużą liczbę udziałów. Nie wiemy, ile te udziały będą warte w przyszłości — mogą stać się kolejnym milionem dolarów.

Dlatego radzę wszystkim bardzo mądrze wybierać startup. Trzeba utożsamiać się z misją firmy i tworzyć właściwy wpływ. Należy też wybrać właściwego konia. Nigdy nie wiadomo, może dołączysz do kolejnego Google. Wtedy następnym razem to Ty będziesz występować w tym podcaście i w moim programie. Zaproszę Cię, aby porozmawiać o tym, jaki produkt AI warto wybrać.

Bądź mądry podczas podejmowania kolejnej decyzji zawodowej. Nie wskakuj od razu do obszaru AI. Wybierz właściwego konia.

Hannah Clark: Na zakończenie jeszcze raz bardzo dziękuję za udział, dr Nancy Li. Wspomniałaś o kilku materiałach, które można znaleźć na Twojej stronie.

Czy jest jeszcze jakieś miejsce, w którym można śledzić Twoją działalność w internecie?

Nancy Li: Możecie odwiedzić mój podcast podcast Product Insider dr Nancy Li. Mój kanał na YouTube znajdziecie, wyszukując dr Nancy Li, dyrektorkę ds. produktu. Możecie też wysłać mi wiadomość na LinkedIn. Jestem tam bardzo aktywna i odpowiadam na wszystkie wiadomości. Wyszukajcie na LinkedIn dr Nancy Li — tam znajdziecie moją obecność w mediach społecznościowych. Możecie również odwiedzić moją stronę drnancyli.com/aicourses i sprawdzić bezpłatne materiały, które zebrałam dla Was wszystkich.

Hannah Clark: Wspaniale. Jeszcze raz bardzo dziękuję za udział. To było niezwykle interesujące i jest to bardzo ekscytujący obszar, o którym warto wiedzieć.

Nancy Li: Dziękuję za zaproszenie do programu, Hannah. Bądźmy w kontakcie. Wszyscy razem wkroczmy w erę AI.

Hannah Clark: Dziękujemy za wysłuchanie. Aby poznać więcej ciekawych spostrzeżeń, poradników i recenzji narzędzi, zapisz się do naszego newslettera pod adresem theproductmanager.com/subscribe. Więcej podobnych rozmów znajdziesz, subskrybując Klub CPO w dowolnym miejscu, w którym słuchasz podcastów.