Bir Yapay Zekâ Ürün Yöneticisi Olarak Nasıl Öne Çıkılır

Transkripti Okuyun:

Podcast’lerimizin transkripsiyonunu bir yazılım programı kullanarak deniyoruz. Bot her zaman yüzde 100 doğru olmadığı için lütfen yazım hatalarını mazur görün.

Hannah Clark: Açık konuşacağım—yapay zekâ ürün yönetiminde uzmanlaşmayı açık bir kariyer hedefi hâline getirip getirmediğinizden bağımsız olarak, bu artık her yazılım ürün yöneticisinin geliştirmesi gereken bir beceri seti. Teknoloji artık burada olduğuna göre daha iyi, daha akıllı ve daha yaygın hâle geleceğini söylemek güvenli; dolayısıyla yapay zekâyla çalışmayı öğrenmek, internetle çalışmayı öğrenmek kadar temel bir gereklilik. Hatta yapay zekâya ilişkin temel becerilerin, ürün yöneticiliği rollerine başvururken şimdiden asgari bir gereklilik olduğunu bile söyleyebilirsiniz. Peki bunu nasıl bir adım ileri taşıyıp yapay zekâ ürün yöneticisi iş piyasasında öne çıkabilirsiniz?

Bugünkü konuğum LinkedIn’de Ürün Direktörü olan Praveen Gujar. Ünvanının da işaret ettiği üzere Praveen, dijital ürün sektöründe yapay zekânın giderek artan kullanım alanlarını görmek için mükemmel bir konuma sahip; ayrıca ürün yöneticilerinin bu alanda gerçekten başarılı olmak için geliştirmesi gereken becerilerin kapsamını da yakından biliyor. Yapay zekâdan yararlanmanın hem teknik hem de teorik yönlerini ele aldık; ancak başka hiçbir şey hatırlamasanız bile bölümün yaklaşık ortalarında gündeme gelen veri temizliği hakkındaki konuşmamız, yalnızca bir yapay zekâ ürün yöneticisi rolü elde etmek değil, bu rolde başarılı olmak isteyen herkes için kritik bilgiler içeriyor. Hadi başlayalım.

The CPO Club podcast’ine tekrar hoş geldiniz sevgili dinleyiciler. Ben Hannah Clark; ürününüzü ölçeklendirmenin yükünü paylaşmak üzere bir araya gelen azimli ürün liderlerinden oluşan bir topluluğuz. Üyelerimiz, işlerini gerçekten seven ve başkalarının başarılı olmasına yardımcı olmak için motive olan, SaaS odaklı ürün yöneticileridir. Bunun hakkında daha fazla bilgi edinmek isterseniz theproductmanager.com/membership adresine gidebilirsiniz. Aramıza katılmanızdan mutluluk duyarız.

Bugün Praveen Gujar ile konuşuyoruz. Bize katıldığınız için çok teşekkürler.

Praveen Gujar: Burada olmaktan mutluyum. Beni davet ettiğiniz için teşekkürler Hannah.

Hannah Clark: Sizi ağırlamaktan memnuniyet duyuyoruz.

Bana geçmişinizden ve bugün LinkedIn’de bulunduğunuz noktaya nasıl geldiğinizden biraz bahsedebilir misiniz?

Praveen Gujar: Geçmişim mühendislik ve ürün yönetiminin bir karışımından oluşuyor. Kariyerime mühendislik programından yazılım geliştiricisi olarak başladım. Ancak kısa sürede, müşteriden geriye doğru hareket etmenin ve harika ürünler geliştirmenin benim uzmanlık alanım olduğunu fark ettim. Bu nedenle MBA yaptım ve Amazon’da ürün yöneticisi olarak çalışmaya başladım.

Kısaca özetlemek gerekirse deneyimim iki temel alanda. İlki dijital reklamcılık, ikincisi ise genel bulut. Bu iki segmentte geliştirdiğim tüm ürünler yapay zekâ destekliydi. Amazon, LinkedIn ve Twitter’da çalıştım; bu büyük kuruluşlarda bu ürünleri geliştirdim. Uzun zamandır yapay zekâ ürün yöneticiliği yapıyorum ve bu alandaki deneyimimi ve uzmanlığımı paylaşmaktan mutluluk duyuyorum.

Hannah Clark: Bu harika. Bu konuda daha fazla şey duymak için sabırsızlandığımızı biliyorum. Bugünkü konumuz yapay zekâ ürün yönetiminde uzmanlaşmak olacak. Bu, şu anda muazzam bir hızla büyüyen devasa bir alan.

Başlangıç olarak, harika bir yapay zekâ ürün yöneticisini geleneksel bir ürün yöneticisinden ayıran beceriler nelerdir?

Praveen Gujar: Bu harika bir soru. Her şeyden önce, harika bir yapay zekâ ürün yöneticisi olmak istiyorsanız, öncelikle iyi, hatta harika bir ürün yöneticisi olmanız gerekir, değil mi? Harika bir ürün yöneticisi olmak için gerekli becerilerin çoğu, harika bir yapay zekâ ürün yöneticisi olmak için de olmazsa olmazdır. Buna problemi gerçekten tanımlamak, müşterilerden geriye doğru çalışmak, doğru ürünü geliştirmek için güçlü bir ürün sezgisine sahip olmak ve ürünün yürütme aşamasının yanı sıra pazara çıkış aşamasını da yönetmek dâhildir.

Bunların hepsi temel gerekliliklerdir. Bunlara ek olarak, yapay zekâ ürün yöneticisi olmak konusunda üç temel unsurun çok kritik olduğunu söyleyebilirim. Birincisi, yapay zekâ alanını teknik olarak anlamaktır. Burada iyi bir ürün yöneticisi olmak için bunun son derece önemli olduğunu düşünüyorum. Makine öğrenimi ve yapay zekâ kavramlarının, modellerin, farklı model türlerinin ve temel olarak modellerin eğitiminin nasıl gerçekleştirildiğini anlamanız gerekir. Ayrıca yapay zekâ mühendislerinizle nasıl iletişim kuracağınızı bilmeniz de bu açıdan çok kritiktir.

İkinci unsur veri bilimi veya veri boyutudur. Bu alanda bir ürün yöneticisi olarak veriyi gerçekten iyi anlamanız gerekir. Veri akışının nasıl gerçekleştiğini, verinin modelleri eğitmek için nasıl kullanıldığını, temiz ve sağlıklı verinin ne anlama geldiğini ve verinin nasıl önyargılar oluşturabileceğini anlamalısınız. Harika bir ürün yöneticisi olabilmeniz için tüm bu anlayışlar kritiktir.

Üçüncü olarak, programlama da bir ürün yöneticisi için gerçekten değerli bir katkı sağlayabilir. Python, R veya diğer dillerde nasıl programlama yapılacağını biliyorsanız, bu alanda çalışan mühendisleri çok daha iyi anlayabilir ve ürün yöneticisi olarak çok daha etkili olabilirsiniz.

Dolayısıyla bunları yapay zekâ alanındaki teknik uzmanlığın parçaları olarak sınıflandırırım. Bu, işin bir yönünü kapsıyor, değil mi? İkinci yön ise bu yapay zekâ kavramlarını kendi alanınıza uygulamak. Sağlık sektöründe, finansal hizmetlerde veya başka bir alanda çalışıyorsanız, müşterileriniz için daha anlamlı ürünler oluşturmak amacıyla kullandığınız yapay zekâ ilkelerini ve aşina olduğunuz yapay zekâ teknolojisini nasıl uygulayabilirsiniz?

Yapay zekâ ürün yöneticisi olmanın çok önemli bir yönü de bu. Üçüncü sütun olarak, ürün yöneticiliği becerilerinizi bir üst seviyeye taşımanız gerektiğini söyleyebilirim. Temel konulardan biri açıklanabilirliktir. Yapay zekâya hazır veya yapay zekâ konusunda yetkin olup olmadıkları belli olmayan yöneticiler de dâhil olmak üzere çevrenizdeki insanlara bunu nasıl açıklarsınız? Bunu nasıl yaptığınız çok önemli bir unsurdur.

Ayrıca tüm model yaşam döngüsü yönetimini anlamak da çok önemlidir; çünkü mühendislerle birlikte çalışır, modelleri ince ayarlarsınız ve modellerin tüm yaşam döngüsünü takip edip anlarsınız. Onlarla çok daha yakın çalışmak da bu açıdan kritik hâle gelir.

Özetlemek gerekirse teknik uzmanlık, teknolojiyi alanınıza uygulamak ve ardından daha iyi açıklanabilirlik ile diğer unsurlar için ürün yöneticiliği becerilerinizi geliştirmek çok önemlidir. Harika bir yapay zekâ ürün yöneticisini ortaya çıkaran şey budur.

Hannah Clark: Evet, herkesin bu becerileri geliştirmek için can atacağından eminim; çünkü bu gerçekten çok büyük bir fırsat alanı.

Bundan söz etmişken, sizin bakış açınıza göre yapay zekâ becerilerine veya deneyimine sahip ürün yöneticileri için şu anki görünüm nasıl?

Praveen Gujar: Yapay zekâ artık herkesin bildiği bir kavram hâline geldi. Bunun büyük ölçüde ChatGPT’ye ve onun yaygınlaşmasına borçlu olduğumuzu düşünüyorum; ancak yapay zekâ yeni bir şey değil, değil mi? Teknoloji sektöründeki insanlar yapay zekâyı çeşitli şekillerde uzun zamandır kullanıyor.

Ben dijital reklamcılık geçmişinden geliyorum ve yapay zekâ on yılı aşkın süredir çeşitli sistemlere ve yeteneklere güç sağlıyor; diğer alanlarda ise daha da uzun süredir kullanılıyor. Son iki yılda yapay zekânın hem popülerliğinde hem de kullanımında üstel bir artış yaşandığına baktığınızda, bu durum yapay zekâ beceri setlerine sahip ürün yöneticileri için farklı alanlarda, farklı problemlerde ve farklı yaratıcı ya da yenilikçi çözümler üzerinde çalışma konusunda büyük fırsatlar yaratıyor. Bu patlama çok önemli ve yakın gelecekte de devam edecek. En azından bizim gördüğümüz tablo bu.

İkinci konu ise rolün genişlemesi. Son iki yılda giderek daha fazla ürün ve hizmet kuruluşu, ürünlerine bir şekilde yapay zekâ dokunuşu ekleyerek bir dönüşüm geçiriyor. Bu, deneyimlerini yapay zekâ ile geliştirmek veya ürünlerini yapay zekâ öncelikli ya da yapay zekâ entegreli bir yaklaşımla yeniden oluşturmak olabilir.

Bu da bu alanda çalışan tüm ürün yöneticileri için son teknoloji üzerinde çalışıp müşterilere gerçek değer katma konusunda büyük bir fırsat yaratıyor. Ayrıca günümüzde stratejik olarak da önemli, değil mi? Hatta bunun halkla ilişkiler açısından bile önemli olduğunu söyleyebilirsiniz.

Ürün yöneticisiyseniz profilinizi oluşturmanız açısından da önem taşıyor. Ancak giderek daha fazla şekilde, bu konu kuruluş açısından stratejik önem kazanıyor. Dolayısıyla bir yapay zekâ ürün yöneticisiyseniz kuruluş içinde daha iyi konumlanırsınız; çünkü beceri setleriniz vardır ve şirketin ihtiyaçlarıyla stratejik açıdan daha uyumlusunuz.

Son olarak, gördüğümüz patlama nedeniyle yapay zekâ ürün yöneticilerine ihtiyaç ve talep var. Bu nedenle beceri setlerinize daha fazla talep gelebilir. Bu da beceri geliştirme, harika ürünler oluşturma ve hatta maddi faydalar açısından yepyeni fırsatlar yaratır.

Hannah Clark: Çok sayıda fırsat ve çok sayıda fayda.

Becerilerden bahsetmeye ve bunları uygulamaya geri dönelim. Ürün yöneticileri yüksek büyüme sağlayan ürünler geliştirmek için yapay zekâdan yararlanırken hangi ipuçlarını kullanabilir?

Praveen Gujar: Bunun harika bir soru olduğunu düşünüyorum. Hatta mühendislik yönetimi incelemesinde, yapay zekâ alanında harika bir ürün geliştirmenin ne anlama geldiğini gerçekten ele alan bir makale yayımlıyoruz.

Mevcut eğilime baktığınızda herkesin bu akıma katıldığını görüyorsunuz. Birçok kuruluş ürün ve hizmetlerine yapay zekâ dokunuşu ekliyor. Bunların çoğu oldukça yüzeysel yapılıyor. Örneğin mevcut hizmetlerin üzerine bir sohbet botu yerleştirmek gibi.

Bu, mobil çağın bize öğrettiklerine çok benziyor, değil mi? Mobil kullanım bu kadar yaygınlaştığında kuruluşların ilk tepkisi mevcut ürünlerini mobil formata küçültmek oldu; ancak bu uzun sürmedi. Benzer şekilde, daha iyi bir fikir bulamadıkları için birçok kuruluşun mevcut ürün ve çözümlerinin üzerine yapay zekâ serpiştirdiğini görüyoruz.

Bu, kuruluşların sürdürülebilir biçimde ilerleyebileceği bir model değil. Sürdürülebilir avantajın, yapay zekâ öncelikli veya yapay zekâ entegreli kurumsal ürünler oluşturduğunuzda ortaya çıktığını görüyoruz. Bunun anlamı nedir? Temel olarak yapay zekâyı ürünün merkezine yerleştirmek ve yapay zekâ tarafından desteklenen, tamamen yapay zekâ ile otomatikleştirilen deneyimler oluşturmaktır.

Yapay zekâyı yalnızca belirli bir iş akışını otomatikleştirmeye bırakmak yerine, yapay zekâ modellerini optimizasyonlar yapacak şekilde güçlendirmek çok önemlidir. İkinci bölüm karar verme sürecidir. Son dönemde yapay zekâ, hızlı bir soruyu yanıtlamak için kullanılıyor.

Ancak temel optimizasyon ve karar verme süreçleri, ürünü gerçekten çok daha yetkin hâle getirecek unsurlardır. Son olarak, kuruluş yapısı da çok önemli. Yapay zekâ mühendislerinin ürün yöneticileriyle çok yakın çalıştığı, daha bütünleşik bir ekibiniz varsa, baştan sona düşünülmüş ve yapay zekâ ile entegre ürünler üretirsiniz. Bu da rekabetiniz karşısında daha iyi mücadele etmenizi ve gelecekte daha sürdürülebilir bir yapı kurmanızı sağlar. Bu nedenle ürün ve hizmetlerinizi yapay zekâ merkezli bir yaklaşımla nasıl yeniden tasarlayacağınızı düşünmenin çok önemli olduğunu söyleyebilirim.

Bunun yanında kullanıcı problemini çözmek, yani kullanıcı problemi ile çözümünü buluşturmak, her ürün için temel bir ihtiyaçtır. Burada bir kestirme yol yoktur. Ancak ürününüzü yapay zekânın karar verdiği, teknolojinin mevcut deneyimi geliştirmek için uygulandığı bir anlayışla yeniden düşünmeniz gerekir.

Hannah Clark: Şu anda alanda yapay zekâ tarafından desteklenen bazı kullanım alanlarını merak ediyorum. Yapay zekâ ile önemli ölçüde geliştirilmiş birçok ürün olduğunu, bazılarının ise o kadar başarılı olmadığını hepimizin kabul edebileceğini düşünüyorum. Şu ana kadar gördüğünüz en iyi kullanım alanlarından bazıları neler veya sizce genişletilmesi için büyük fırsat bulunan alanlar hangileri?

Praveen Gujar: Dijital reklamcılık alanından geliyorum. Oradan bir örnek verelim; isterseniz daha derinlemesine de inceleyebiliriz. Dijital reklamcılıktaki temel unsurlar nelerdir? Doğru kitleyi hedeflediğinizden, bu doğru kitle için doğru içeriğe sahip olduğunuzdan ve onlara doğru zamanda, doğru yerde ulaştığınızdan emin olmanız gerekir.

Geleneksel olarak bu yaklaşım şöyle uygulanıyordu: Yapay zekâ modelleriyle başlayıp ürününüz ve hizmetleriniz için en uygun kitlenin kim olduğunu anlamaya çalışıyorduk. Temel hedefinize bağlı olarak bu belirli kitleleri nasıl hedefleyeceğinizi belirliyorduk. Zaman içinde bunları geliştirdik ve birçok tahmine dayalı algoritma, hedefleyebileceğiniz kitleleri anlamamızı sağladı.

Bu bir kullanım alanı. Özellikle son iki yılda üretken yapay zekânın ortaya çıkmasıyla içerik üretimi de çok önemli hâle geldi. Örneğin bir markaysanız ve farklı kitlelere ulaşmak istiyorsanız, sahip olduğunuz içeriğin yüzde 80’ini, varyasyonların yüzde 80’ini çok daha hızlı ve çabuk nasıl oluşturabilirsiniz? Bu, yaratıcı ekibinizin daha hızlı hareket etmesini ve bu alanda daha üretken olmasını sağlıyor. Yapay zekâ alanında bu çok önemli bir faktör.

Ardından hedef kitleniz ve kullanacağınız içerik hazır olduğunda, bunu büyük ölçekte nasıl kişiselleştireceğiniz sorusu gelir. Küçük bir kitleyi herkes kişiselleştirebilir; ancak milyonlarca kullanıcıya kişiselleştirilmiş içerikle ulaşmaya çalışan büyük bir kuruluşsanız, yapay zekâ dinamik kitle segmentasyonu ve içerik üretimi sağlayarak mesajınızı büyük ölçekte kişiselleştirmenize olanak tanır.

Bunlar uzun süredir geliştirilen üç farklı parçaydı. Şimdi bunların hepsini bir araya getirerek farklı alanlarda tamamen otomatik ve optimize edilmiş hâle getirmeye ne dersiniz? Reklam platformlarının müşterilerine tek tıklamayla, uçtan uca tamamen otomatik çözümler sunduğunu bu noktada görüyoruz.

Google, LinkedIn veya Meta fark etmeksizin bu otomatik platformların ortaya çıktığını görüyoruz. Bu yalnızca dijital alandan bir örnek. Sağlık hizmetlerinde yapay zekâ kullanımından da sık sık söz ediyoruz. Google’da çalışan ve kanserli lezyonlara yol açabilecek anormallikleri belirlemek için röntgen görüntülerini tarama konusunda uzmanlaşmış bir arkadaşım var.

Yıllar içinde geliştirilen modeller, kötü huylu tümörlerdeki erken belirtileri veya diğer bulguları bir radyologdan ya da başka herhangi bir kişiden çok daha erken ve etkili biçimde belirlemeyi giderek daha iyi başarıyor. Bunlar, yapay zekânın yalnızca üretkenliği değil, yaptığımız işin etkililiğini de nasıl geliştirdiğine dair harika örnekler.

Bunlar muhtemelen yalnızca birkaç örnek; bunun gibi binlerce kullanım alanı olabilir.

Hannah Clark: Her sektörün muhtemelen buna benzer bir örneği vardır.

Veri temizliği hakkında biraz konuşalım. Yapay zekâ araçlarıyla çalışırken temiz veriyi korumak neden önemli?

Praveen Gujar: Büyük dil modellerinin veya diğer yapay zekâ modellerinin çok büyük miktarda veriyle eğitildiğini sık sık duyarsınız. Bu biraz “çöp girerse çöp çıkar” mekanizmasına benzer. Verileriniz yeterince kaliteli değilse veya önyargılar, yanlışlıklar açısından düzenlenmemişse, bu modellerden elde ettiğiniz çıktı da optimal olmayacaktır.

Bu nedenle veri temizliği kritik bir rol oynar. Daha önce yapay zekâ ürün yöneticisi olarak veriyi ve veri platformu boyutunu anlamanız gerektiğini söylemiştim. Buradaki en kritik noktalardan biri budur. Öncelikle üzerinde çalıştığınız modelin doğruluğunu artırmak çok önemlidir.

Önyargıları en aza indirmek yapay zekâ modeli için çok önemlidir; bu nedenle veri temizliği de büyük önem taşır. Modelin performansı, yani doğruluğu da önemlidir. Ayrıca modelin eğitilmesi hâlâ zahmetli bir iştir. Modeli eğitmek için haftalarca veya aylarca çalışabilirsiniz ve düşük kaliteli veriler süreci çok daha zahmetli hâle getirir.

Son olarak, bazı yapay zekâ modelleri ve ürettikleri çıktılar üzerinde düzenleyici kurumların incelemelerinin artmasını bekleyebiliriz. Bu verilerin kaynağı sağlıksız veya düzenlenmemiş verilerse, modelin çıktısı bu kurumların gelecekte uygulayabileceği düzenleyici standartları karşılamayabilir.

Çok basit bir örnek verelim: Finans sektöründe çalışıyor ve müşterilerinize yönelik reklamlar yayımlıyor olabilirsiniz. Bu reklam modelleri yüksek kaliteli verilerle eğitilmezse farkında olmadan önyargılar oluşturabilir. Bu da daha fazla düzenleyici incelemeye maruz kalabileceğiniz anlamına gelir; çünkü bu önyargılar, örneğin dezavantajlı bir topluluğa yönelik olabilir ve adil borç verme yasasını ihlal edebilir.

Bu, içinden geçtiğiniz döngüsel bir etkidir. Bu nedenle sağlıklı verilere sahip olmamanın etkisi, ilk başta fark edebileceğinizden çok daha büyüktür. Öncelikle verileri düzenlemek, verileri seçmek ve modellerin daha etkili biçimde eğitilebileceği hâle getirmek için sistem ve platformlar oluşturmak çok önemlidir.

Hannah Clark: Bu aslında yapay zekâ kullanımındaki etik konularla örtüşen bir alan.

Yapay zekâ alanındaki etik hakkında genel görüşünüzü ve bu alanda yeni olan ürün yöneticilerinin yapay zekâ çözümlerini uygularken sorumlu davrandıklarından nasıl emin olabileceklerini duymak istiyorum.

Praveen Gujar: Bunun harika bir soru olduğunu düşünüyorum. Bu, pek çok farklı kuruluş için son derece önemli bir konu. Hatta bu kuruluşların çoğu sorumlu yapay zekâ ekipleri adı verilen ekipler oluşturuyor.

Bu ekipler özellikle etik ve ahlaki standartların korunmasını sağlamaya odaklanıyor. Finans sektöründen bir örnek verdim. Bu, doğru uygulanmadığında özellikle toplumun belirli kesimleri üzerinde toplumsal ve ekonomik etkiler yaratabilecek bir konuya harika bir örnek.

Bir yapay zekâ ürün yöneticisiyseniz bu, her şeyden önce eğitimle, yani karşılaşabileceğiniz bazı eksiklikler hakkında kendinizi eğitmekle başlar. Örneğin sağlıksız veriler veya modellerinizin doğru şekilde eğitilmemesi gibi sorunlar hakkında kendinizi eğitmek ilk adımdır. Ardından, belirli bir verinin düzenlenmediğini veya önyargı oluşturabileceğini fark ettiğinizde, bunu temizlemek, modelleri yeniden eğitmek ve verileri yeniden eğittikten sonra modellerin doğruluğunu doğrulamak için hangi adımları atacağınızı belirlemeniz gerekir.

Üçüncü unsur ise doğru kuruluş yapısını oluşturma ilkesine geri dönüyor. Çeşitli bir ekibe sahip olmak da çok önemli. Hatta ekiplerde çeşitlilik rolünü üstlenebilecek ve etik standartların korunmasını sağlayacak özel bir sorumlu kişi bulunmasını tavsiye ederim.

Bu kişinin verileri temizlediğimizden ve verileri etik bir biçimde eğittiğimizden emin olmak için süreci izlemesini ve bu konuda öncülük etmesini sağlayabilirsiniz. Böylece modellerin doğruluğu ve uygunluğu korunur. Bunların tümü, bu alanda ürün yöneticisi olarak etik standartların korunmasını sağlamak için uygulayabileceğiniz en iyi uygulamalardır.

Hannah Clark: Biraz yön değiştirerek yapay zekânın daha verimli deneyler yürütmemize yardımcı olabileceği yöntemlerden bazıları neler?

Praveen Gujar: Harika bir soru. Deney yürütmenin geleneksel yöntemini düşünelim. Örneğin DoorDash olduğunuzu varsayalım; bir günde binlerce deney yürütüyor olabilirsiniz.

Ayrıca izlemeniz gereken birden fazla iş metriğiniz ve sistem metriğiniz vardır. Ürün yöneticisiyseniz, farklı özellikler için aynı anda iki veya üç deney yürütmeniz normaldir. Şimdi bu deneylerin sonuçlarını ve etkilerini anlamanız gerekir.

Size tahsis edilen veri bilimciyle çok yakın çalışarak deneyi ince ayarlarsınız, sonuçları alırsınız ve ardından deneyi yeniden ince ayarlamak için tekrar çalışırsınız. Sonra deneyi büyütüp büyütmeyeceğinize karar verir ve geliştirdiğiniz ürünün etkisini göstermek için gerekli sonuç raporunu hazırlarsınız.

Bunların çoğu insan merkezli yaklaşımlardır. Şimdi deney yapma yeteneklerinizi optimize edebilen bir yapay zekâ sistemi oluşturduğunuzu düşünün. Bu yalnızca bir ürün yöneticisi olarak işinizi çok daha verimli hâle getirmekle kalmaz; deneyleri yürütme, değerlendirme ve karar alma sürecini de çok daha kolaylaştırır.

Bu süreç, bir deney tasarlarken hangi optimal parametrelerin dikkate alınacağını ve hipotezlerin ne olduğunu belirlemekle başlar. Yapay zekâ algoritmaları hipotezler oluşturmanıza ve deneyi yürütmek için doğru parametreleri seçmenize yardımcı olabilir. Deneyi yürütürken de deneyi büyütme düzeyini veya farklı varyantlar arasındaki dağılımı dinamik olarak ayarlayarak deneyi yürütmek için en uygun dengeyi bulabilir.

İlk büyütme aşamasındaki riski azaltıp azaltmadığımıza karar verebilir ve daha fazla istatistiksel sinyal elde etmek için büyütmeyi artırabilirsiniz. Bu kararları daha özerk biçimde verebilirler. Son olarak, deneyin etkisi nedeniyle iş ve sistem metriklerinizdeki anormallikleri belirlemek de değerli bir özellik olabilir.

Etkisini çok daha erken belirleyebilir ve daha geniş bir iş etkisi oluşmadan önce modeli deneyi durdurmaya veya deneyi küçültmeye yönlendirebilirsiniz. Örneğin bir özellik yayımladığınızda bu özellik uygulamanızdaki bazı oturumları bozabilir ve gelirinizi doğrudan etkileyebilir. Modeller bunu insanlardan çok daha hızlı belirleyebilir ve sorunun giderilmesini sağlamak için deneyle ilgili gerekli işlemi gerçekleştirebilir.

Dolayısıyla yapay zekâ modelleri deneyleri daha iyi yürütmenize, daha üretken olmanıza ve zamanında kararlar almanıza kesinlikle yardımcı olabilir.

Hannah Clark: Kapanış yapmadan önce bu çok büyük miktarda ve son derece faydalı bilgiydi. Dinleyenlerin sonraki adımları arayacağından eminim; çünkü herkesin yapay zekâ alanında beceri setleri geliştirmeye yavaş da olsa başlamak için çok heyecanlı olduğunu biliyorum.

Bu beceri setlerini geliştirmek isteyen kişilere, hâlihazırda aktif olarak bir yapay zekâ ürünü üzerinde çalışmıyorlarsa, önerebileceğiniz kaynaklar veya kurslar var mı?

Praveen Gujar: Örneğin LinkedIn Learning’de veya Coursera’da çok sayıda kurs var. Favorilerimden biri DeepLearning.ai. Bu web sitesine giderseniz Andrew Ng’in kurslarını LinkedIn Learning ve Coursera’da da bulabilirsiniz. Yapay zekânın temellerini anlamanın çok önemli olduğunu düşünüyorum. Bunun önemini yeterince vurgulayamam. Çünkü sağlam bir temeliniz varsa bunun üzerine daha ileri teknolojileri ve bunları uygulamalarınızda nasıl kullanacağınızı inşa edebilirsiniz.

Dinleyicilerinize tavsiyem önce temelleri anlamaları, ardından daha ileri kurslarla bunun üzerine inşa etmeleridir. Podcast’ler öğrenmek ve sektörde olup bitenleri takip etmek için gerçekten iyi bir yöntem olabilir. Bu teknoloji çok hızlı gelişiyor; güncel kalmak zor ve podcast’ler bunun için gerçekten iyi bir araç olabilir.

Üçüncü olarak, yayımlanan çok sayıda blog yazısı var. Blog yazıları belirli bir konuya derinlemesine dalmak ve o konunun kendi alanınızdaki veya genel olarak herhangi bir alandaki pratik uygulamalarını anlamak için harika bir yöntem olabilir. Bu üç kaynak başlangıç için gerçekten iyi olabilir.

Örneğin üniversitelerin sunduğu kurslar da var. Dürüst olmak gerekirse bunların ne kadar etkili olduğundan emin değilim; ancak daha yapısal bir yaklaşım sağlayabilirler. Ayrıca bu alana giriş yapabilmeniz için size bir diploma sunarlar ve başlangıçta çok değerli bir avantaj olabilirler.

Yani becerilerinizi yenilemek veya yapay zekâyı daha iyi tanıyıp bu alana girmek için başvurabileceğiniz bazı alanlar bunlar. Bunların hepsi çok değerli olabilir. Bir şey daha eklemek isterim: Her şeyden çok, bu alanda çalışan bir ürün yöneticisi olarak meraklı olmanız gerekir. Böylece gerçekten zaman ayırabilir, konuyu anlayabilir ve derinlemesine inceleyebilirsiniz. Kavramları öğrenip ardından kendi alanınızda uyguladığınızdan emin olun.

Hannah Clark: Bu gerçekten harika bir tavsiye. Bugün bize katıldığınız için çok teşekkürler Praveen. İnsanlar çalışmalarınızı çevrim içi olarak nereden takip edebilir?

Praveen Gujar: İnsanlar beni LinkedIn’de takip edebilir. Ayrıca kendi web sitemi de oluşturmaya çalışıyorum. Adresi praveengujar.com. Henüz yapım aşamasında; ancak tüm yayınlarım ve yakında çıkacak kitabım da bu web sitesinde yayımlanacak.

Hannah Clark: Harika. Geldiğiniz için çok teşekkürler. Sizi ağırlamaktan büyük memnuniyet duyduk.

Praveen Gujar: Beni davet ettiğiniz için çok teşekkürler.

Hannah Clark: Bizi dinlediğiniz için teşekkürler. Daha fazla harika içgörü, nasıl yapılır rehberi ve araç incelemesi için theproductmanager.com/subscribe adresinden bültenimize abone olun. Bunun gibi daha fazla sohbeti, podcast’lerinizi dinlediğiniz her yerde The CPO Club’a abone olarak dinleyebilirsiniz.