Deneyim Olmadan Yapay Zekâ Ürün Yöneticisi Nasıl Olunur? (Dr. Nancy Li ile)
Transkripti okuyun:
Podcast bölümlerimizin transkripsiyonunu bir yazılım programı kullanarak deniyoruz. Bot her zaman yüzde 100 doğru olmadığı için lütfen olası yazım hatalarını mazur görün.
Hannah Clark: Uyaralım; bu, yapay zekâ hakkında bir başka bölüm daha. Şu anda dinleyicilerin iki gruba ayrıldığından şüpheleniyorum: Yapay zekâyla ilgili her konuda bilgiye aç olanlar ve “Yapay zekâ mı? Daha çok A, bu konu hakkında yeterince şey duydum” diyenler. Bu berbat kelime oyunundan sonra hâlâ dinliyorsanız ilk grupta olduğunuzu varsayacağım; yani yapay zekâ ürün yönetiminde uzmanlaşmak için mükemmel bir aday olabilirsiniz.
Bugün, mutlak anlamda dikkate alınması gereken biri olmasının yanı sıra Product Manager Accelerator’ın kurucusu, Product Insider Podcast’in sunucusu, Forbes’ta yer alan ve aynı zamanda yapay zekâ ürün yönetiminde deneyimli olan Dr. Nancy Li yine konuğumuz. Dr. Li, hem yapay zekâ ürün alanını hem de son birkaç yıldır ürün kariyeri dünyasını yakından gözlemleme konusunda gerçekten eşsiz bir bakış açısına sahip. Bu nedenle yapay zekâya duyduğunuz ilgiyi hayatınızı değiştirecek bir kariyer fırsatına nasıl dönüştürebileceğinize dair içeriden bilgiler paylaşmak için burada. Hemen başlayalım.
The CPO Club podcastine tekrar hoş geldiniz. Dr. Nancy, bugün yeniden aramıza katıldığınız için çok teşekkürler.
Nancy Li: Beni programınıza davet ettiğiniz için teşekkür ederim. Geçen sefer bölümleri çekerken çok güzel vakit geçirmiştim; bu nedenle tekrar dönüp daha fazla yapay zekâ içgörüsü paylaşabildiğim için mutluyum.
Hannah Clark: Evet, kesinlikle.
Sizi geçen sefer dinlemeyenler için geçmişinizden ve bugün bulunduğunuz noktaya nasıl geldiğinizden kısaca bahsedebilir misiniz?
Nancy Li: Elbette. Merhaba arkadaşlar, ben Dr. Nancy Li. Forbes’ta ürün direktörü olarak yer aldım. Binlerce kişinin önde gelen şirketlerde ve tek boynuzlu girişimlerde hayallerindeki ürün yöneticisi iş teklifini almasına ve ürün lideri olarak terfi etmeye devam etmesine yardımcı oldum. Şu anda ürün yönetimi kariyerlerini ilerletmelerine yardımcı olan kendi şirketim PM Accelerator’ı yönetiyorum. Ayrıca Product Insider adında kendi podcastim de var. Google’dan ürün başkan yardımcıları gibi ürün liderlerini konuk ediyor ve başarılı ürünler geliştirmenin içerideki tüm sırlarını anlatıyoruz.
Ben de cebimde 800 dolarla Amerika Birleşik Devletleri’ne taşınan bir göçmendim ve dört yıl içinde ürün direktörü oldum. Bu nedenle amacım, özellikle girişimcilik eğitimini orta gelirli ailelerden gelen insanlara ulaştırmak. YouTube’da birçok ücretsiz kaynağımı ve sırrımı paylaşıyorum.
YouTube kanalımın şu anda bir milyondan fazla görüntülenmesi var. Ayrıca geçen yıl PMA Kids adında, düşük gelirli ailelerin çocuklarına ücretsiz ürün yönetimi eğitimi sağlayan kendi kâr amacı gütmeyen kuruluşumuzu başarıyla kurduk. İnsanların benimle birlikte büyüdüğünü ve kişisel gelişim yaşadığını görmekten çok mutluyum.
Ayrıca topluluk, tüm sosyal erişim çalışmalarım sayesinde 100.000’den fazla ürün yöneticisine ulaştı.
Hannah Clark: Gerçekten etkileyici bir özgeçmiş. Üstelik çok başarılı ve ödüllü bir yapay zekâ ürünü de geliştirdiniz, değil mi?
Nancy Li: Evet.
Hannah Clark: Bundan biraz bahsedebilir misiniz?
Nancy Li: Elbette. Bu, yapay zekânın henüz çok popüler olmadığı bir dönemdi.
Geliştirdiğim ürün Akıllı Şehirler ürünü olarak adlandırılıyordu ve özellikle makine görüşü kullanarak araba kazalarını azaltıyordu. Bu ürün 2016 yılında geliştirilmişti. O dönemde farklı şehirlerde Vision Zero adı verilen çok ünlü bir hareket vardı; amaç trafik ölümlerini sıfıra indirmekti.
Bu nedenle ona Vision Zero adını verdim. O zamanlar şehirlerin araba kazalarını daha etkili ve ölçeklenebilir bir biçimde nasıl azaltabileceğini anlamaya çalışıyorduk. Daha önce de söylediğim gibi, kimse yapay zekâ kullanmamız gerektiğini söylemiyordu. Farklı teknolojilere bakıyor ve belki yapay zekâ, belki nesnelerin interneti, belki de veri analitiği kullanabileceğimizi değerlendiriyorduk.
Sonunda böyle bir ürün oluşturmak için temel teknolojilerden biri olarak yapay zekâyı kullanmaya karar verdik ve ürün daha sonra belediye başkanının en iyi uygulama ödülünü aldı. Ürün kısa sürede ABD’nin en büyük 10 şehrinin tamamına yakınında kullanıma sunuldu. Yapay zekânın, bugün bu kadar popüler olmadan yıllar önce insanların hayatını nasıl değiştirdiğini görmekten çok mutluyum.
Hannah Clark: Bu, yapay zekânın bugün insanların hayatını nasıl değiştirdiğine dair mükemmel bir geçiş oldu. Bizim örneğimizde bu değişim, yapay zekâ ürün yönetiminde uzmanlaşma yoluyla gerçekleşiyor. Başlangıç olarak, yapay zekâyı bir uzmanlık alanı olarak benimseyen ürün yöneticileri hangi somut faydaları bekleyebilir?
Nancy Li: Çok güzel bir soru.
Yapay zekâyı bir uzmanlık alanı olarak ele almak, mevcut ürün yöneticileri ve ürün yönetimine geçmek isteyen herkes için birçok yeni kapı açıyor. İlk olarak, yapay zekâ ürün yöneticileri genel olarak ortalama ürün yöneticilerinden yüzde 10 ila yüzde 20 daha yüksek ücret alıyor.
İkinci olarak, kariyerinizi hızlandırıyor. Örneğin bir öğrencim Amazon’a üretken yapay zekâ ürün yöneticisi olarak katıldı ve kariyerini gerçekten bir sonraki seviyeye taşıdı. Sadece önde gelen bir şirkete katılmakla kalmadı, aynı zamanda Amazon için çok sayıda insanın kullanabileceği etkili ürünler geliştirebildi.
Üçüncü olarak, ürün yönetimi alanına girişinizi ne kadar hızlandırabileceği önemli. Yapay zekâ konusunda uzmanlaşmaya karar veren, özgeçmişlerine farklı yapay zekâ ürünleri üzerinde proje olarak çalıştıklarını gösteren anahtar kelimeler ekleyen öğrencilerim, diğer adaylara kıyasla çok daha fazla mülakat fırsatı elde ediyor.
Bunun nedeni, artık bütün şirketlerin yol haritalarına yapay zekâyı eklemek istemesi. Bunun doğru olup olmadığını daha sonra tartışabiliriz; ancak bu bir trend ve kesinlikle insanları bir sonraki seviyeye taşıyor. Ayrıca çok ilginç bir benzetme var: Amerikan tarzı ifadeyle, bu durum namlunun içinde ateş etmeye benziyor.
Şu anda yapay zekâ alanına girerseniz, bu, namlunun içinde ateş etmek gibi hissettirebilir; çünkü önümüzdeki beş, belki on, hatta belki iki yıl içinde yapay zekâ “havalandığında”, yaptığınız iş orta düzeyde olsa bile, bütün alan roket gibi yükseliyor olacak.
Siz de o roketin üzerinde ilerliyorsunuz. Kariyeriniz kesinlikle tüm alanla birlikte büyüyecek. Bu yüzden herkese bir sonraki kariyer adımı olarak yapay zekâyı ciddi biçimde değerlendirmesini öneriyorum.
Hannah Clark: Yapay zekâ ürün yöneticisi yaşam döngüsünü adım adım anlatabilir misiniz?
Nancy Li: Elbette. Kendi ürünümü örnek olarak kullanayım.
Özellikle yapay zekâ ürün yönetimi yaşam döngüsünün dört adımı var. Birincisi fikir geliştirme ve yapay zekânın sorunu gerçekten çözüp çözemeyeceğini anlamaktır. İkincisi ne tür veri toplanacağını ve veriyi nerede bulacağımızı anlamaktır; çünkü veri, yeni yapay zekâ çağının yeni alanıdır. Üçüncüsü MVP oluşturmak, dördüncüsü ise ürünü piyasaya sunmaktır. Şimdi bu çerçeveyi kullanarak, kendi örneğimde ödüllü bir yapay zekâ ürününü nasıl geliştirdiğimizi anlatayım.
İlk adım, müşterilerin gerçekten bir sorun yaşayıp yaşamadığını veya yapay zekâyı kullanarak müşteriler için yapay sorunlar oluşturup oluşturmadığımızı anlamaktır. Bu, tersine mühendislik yapmaktır. Bu nedenle pazar alanını çok kapsamlı biçimde değerlendirmek önemlidir. Yapay zekânın gerçekten çözebileceği sorunları ve yapay zekâyla çözülemeyecek sorunları anlamamız gerekir.
Örneğin PM Accelerator’da öğrencilerimle yaptığım bir çalışmayı ele alalım. Bir beyin fırtınası oturumu yapıyorduk. Diyelim ki Delta’nın CEO’susunuz; önümüzdeki 10 yıl içinde ne yapardınız? Öğrencilerim, ben de dâhil olmak üzere, “Belki yapay zekâ kullanabiliriz” dedi. Ancak sınıfta öğrencimin geliştirdiği özel yapay zekâ çözümü uçuş navigasyonunda yapay zekâ kullanmaktı.
Bunun yanlış bir uygulama olduğunu söyledim. Çünkü günümüzde yapay zekâ, özellikle üretken yapay zekâ, yüzde 1 veya yüzde 0,001 oranında başarısız olma ihtimaline sahip olabilir. Uçuş navigasyonu söz konusu olduğunda başarısızlık insanların ölmesine neden olabilir. Bu nedenle kritik görev kontrolü gerektiren bir uygulamada insanların hemen bu kadar büyük bir risk alması doğru değildir.
Bu yüzden yapay zekâya gerçekten ihtiyacımız olup olmadığını ve yapay zekânın uygulamayı önemli ölçüde nasıl geliştireceğini derinlemesine araştırmalıyız. Akıllı Şehirler ürünümü geliştirirken, 2016 yılında yapay zekâ kullanmamız yönünde hiçbir baskı yoktu. Kimse yapay zekâyı düşünmüyordu; gerçek müşteri keşfi yaptık ve yapay zekânın kullanılacak en iyi yöntem ve araç olduğunu keşfettik. Bu nedenle önce mutlaka kapsamlı bir keşif çalışması yapmalısınız.
Yapay zekâ ürün yönetimi yaşam döngüsünün ikinci aşaması veri toplama ve veri modelini eğitmektir. Veri, yapay zekâ alanının yeni merkezidir. Bu nedenle Scale AI gibi şirketler bugün çok popüler ve bu yapay zekâ çağında birçok farklı şirket ve girişim kuruldu.
Herhangi bir modeli eğitirken doğru veri türünü bulmanız çok önemlidir. Bazen başkalarının mevcut modellerinden de yararlanabilirsiniz. ChatGPT gibi çok iyi yapay zekâ modelleri var. Farklı türlerde başka yapay zekâ modelleri de bulunuyor. Gemini’nin ve başka şirketlerin kendi yapay zekâ modelleri var. Piyasada çok sayıda model bulunuyor.
Mevcut bir veri modelinden yararlanacaksanız hangi karar sürecini izleyeceğinizi ve hangisinin daha iyi olduğunu belirlemelisiniz. API entegrasyonu yapabilirsiniz. Ancak başka birinin modelinin üzerinde doğrudan çalışmanın size maliyetinin ne olacağını anlamanız gerekir. Bazı modellerden yararlanıp bunların üzerine küçük bir şey inşa ederek toplam maliyetinizi azaltabilirsiniz.
Model eğitmek, veri toplamak ve mevcut modellerden yararlanmak için birçok farklı karar vermeniz gerekir. Üçüncü bölüm MVP oluşturmaktır. Yapay zekâ ürün yönetiminde MVP oluşturmak, geleneksel ürün yönetimindeki MVP oluşturmaya oldukça benzer. MVP’yi geliştirirken pazarda test etmelisiniz. Ancak yapay zekâ ürün yönetiminde güvenlik ve güven konularını da dikkate almanız gerekir.
Herkes yapay zekâyı benimsemek istemeyebilir. Farklı önyargılar yapay zekâya aktarılabilir ve yapay zekâ yönetişimi ürünleri geliştirirken dikkate alınmalıdır. İdeal olarak bunları ürün geliştirme yaşam döngüsünün mümkün olduğunca erken aşamasında ele almalısınız.
Akıllı Şehirler ürünümüzü geliştirirken MVP oluşturma biçimimiz oldukça ilginçti. Boston şehriyle çalıştık ve hedefimiz makine görüşü kullanarak araba kazalarını azaltmaktı. Ancak sınırlı sayıda araba kazası verisi kullanarak veri modelimizi eğitmek ve doğrulamak çok zordu.
Bir yapay zekâ modelini eğitmek için büyük miktarda veriye ihtiyaç duyarsınız. Araba kazalarını azaltmaya çalışıyorsak dışarıda kaç araba kazası verisi vardır? Öncelikle bu verilerin yakalanabilmesi gerekir. Ardından verileri temizlemeliyiz. Ayrıca modelimizin kar yağışı altında gerçekleşen araba kazalarını tespit edip edemeyeceğini de test etmek istiyorduk; Boston’da altı ay kar yağdığını unutmayın.
Boston’daki altı aylık kar mevsiminde araba kazalarını tespit edebilir misiniz? Böyle bir senaryoda veri toplamak çok zordur. Zaten böyle verileri toplamak da istemeyiz; böyle olayların hiç yaşanmamasını umarız. Bu nedenle MVP’yi geliştirirken farklı bir yaklaşım izledik. Birincisi, doğrudan bazı veriler satın aldık.
O dönemde Mint AI adlı bir şirketten farklı türlerde eğitim verileri satın alabiliyorduk. İkinci olarak, farklı simülasyon ortamları oluşturduk. Örneğin bunu bir otoparkta yapabilir, insanların arabaların yakınına yaklaşmasını canlandırabilirdik. Ayrıca oyuncak tabanlı senaryolar oluşturduk.
Oyuncak arabalarımız vardı ve oyuncak bisikletlere çarpıyorlardı. Her şey oyuncaklardan oluşuyordu. Yapay zekâ modelinde gerçek arabanın boyutunu anlamak için parametreleri değiştiriyorduk. Böylece yapay zekânın bir oyuncağın başka bir oyuncağa çarpmasını tespit edip edemeyeceğini ve çarpışmayı gerçekleşmeden önce tahmin edip edemeyeceğini görebiliyorduk.
MVP’yi geliştirirken birçok farklı faaliyet yürüttük. NVIDIA’dan Jensen Huang’a da teşekkür etmek isterim. O dönemde NVIDIA’nın eğitim modelini ilk kullananlar arasındaydık. 2016 yılında bile ekibi, üzerine inşa edebilmemiz için nesne tespiti yapan harika bir yapay zekâ modeli geliştirmişti.
Tüm bu ayrıntılar MVP oluşturma sürecinin parçasıdır. Bu çok heyecan vericiydi. Mesele yalnızca bir model eğitmek değildir; MVP oluştururken akıllı ve yaratıcı olmanız gerekir. Son aşama, elbette pazara giriş stratejisidir. Yapay zekâ ürünü için pazara giriş stratejisi, zaten bildiğiniz geleneksel bir sürece sahiptir.
Geleneksel sürece ek olarak müşterilerin ve iç paydaşların benimsemesini düşünmelisiniz. Müşterilerin benimsemesi risk toleransıyla ilgilidir. Bazı insanlar yapay zekâ ürününü denemek istemez. Bazıları daha önce kötü bir deneyim yaşamış olabilir ve bir daha geri dönmeyebilir. Bazıları verilerinin yapay zekâ tarafından sonsuza kadar alınmasından korkabilir. Bazıları da yapay zekânın işlerini ellerinden alacağını düşünebilir.
Son kullanıcıların benimsemesini gerçekten yönetmelisiniz. İkinci bölüm iç paydaşlardır. Başarılı ürünler geliştiren ürün yöneticileriyle yaptığım görüşmelerde, şirket içindeki herkesin yapay zekâ kullanmak istemediğini gördük. Yöneticiler, mühendislik ekipleri veya hukuk ekipleri buna karşı çıkabilir.
Bu nedenle farklı senaryolarda yapay zekâ ürünlerini nasıl savunacağınızı öğrenmelisiniz. Yapay zekâ ürün yöneticisi yaşam döngüsünün dört adımı bunlardır.
Hannah Clark: Bu oldukça kapsamlıydı ve aynı zamanda deneyim kazanmak için çok heyecan verici bir alan gibi görünüyor.
Peki ürün yöneticileri bu heyecan verici yapay zekâ ürün yöneticisi rollerine uygun olmak için hangi adımları atabilir?
Nancy Li: Kesinlikle çok heyecan verici. Yapay zekâ ürün yöneticisi olmanın dört temel yolundan bahsedebilirim. Birincisi, okuldan yeni mezun olanlar için aslında en kolay yol. Yeni mezunsanız yapay zekâ konusunda herhangi bir şey yapın ve önce sektöre girin. Henüz deneyiminiz yoksa okulunuzdaki bitirme projenizi yapay zekâ üzerine kurabilirsiniz.
İlk stajınızda doğrudan yapay zekâ üzerine çalışabilirsiniz. Bunun yapay zekâ ürün yönetimi olması şart değil; çünkü yeni mezunsunuz ve staj yapıyorsunuz. Bir yapay zekâ girişiminde yazılım mühendisi olabilir veya yapay zekâ girişimiyle ilgili herhangi bir iş yapabilirsiniz.
Öğrencilerimizden biri, NVIDIA’da NVIDIA için temel modeller geliştiren bir yapay zekâ ürün yöneticisi olarak ilk ürün yönetimi stajını yaptı. Doğrudan yapay zekâ stajına veya yapay zekâ ürün yönetimi stajına başvurabilirsiniz.
İkinci yol, mevcut ürün yöneticilerinin yapay zekâ ürün yönetimine geçmesidir. Daha önce nesnelerin interneti veya finansal teknoloji alanında çalışmış ve yapay zekâyla hiç ilgilenmemiş olabilirsiniz. En kolay yol yapay zekâ bilgisi edinmektir. Günümüzde çok sayıda yapay zekâ kursu var. Google da yapay zekâ kursları yayımlıyor.
Zaten ürün yöneticisiyseniz yapay zekâ becerilerini erkenden öğrenin. Farklı büyük dil modellerini öğrenin ve hangisinin iyi olduğunu, bunlarla ilgili teknik kararları nasıl vereceğinizi karşılaştırarak anlayın. Bugün bütün ürün yöneticilerinin deneyim kazanmaya başlaması gereken temel adımlar bunlardır.
Üçüncü yol, yapay zekâ şirketlerinde mühendislik deneyimine sahip olan kişilerin yapay zekâ ürün yöneticisi olmasıdır. PM Accelerator’da çok sayıda yapay zekâ mühendisi ve veri bilimcisi var. Ürün yönetimini hiç bilmiyor olabilirler; ancak daha önce yapay zekâ modelleri geliştirmiş olmaları onlara benzersiz bir avantaj sağlar.
Bu mühendislerin ürün yönetimini öğrenmesi, büyük dil modelinin ne olduğunu ve yapay zekâ modelinin nasıl eğitileceğini öğrenmelerinden daha kolay olabilir. Bu nedenle mühendislerin ürün yönetimiyle ilgili her şeyi, pazara giriş stratejisini ve müşteri görüşmelerini nasıl gerçekleştireceklerini öğrenmelerini öneriyorum.
Son yol ise mühendislik ve ürün yönetimi deneyimi olmayan kişilerdir. Bu kişiler için önerdiğim yaklaşım şudur: Önce yapay zekânın ne olduğunu öğrenin. Bu temeldir. İkinci olarak ürün yönetiminin ne olduğunu öğrenin. Üçüncü olarak kendi uygulamalı projenizi geliştirin.
Kendi uygulamalı projenizi geliştirmek, yapay zekâ deneyimi olan veya olmayan kişilerin yapay zekâ alanındaki ilgilerini ve bilgilerini göstermesinin en iyi yoludur. Sadece konuşmadığınızı, ürün yöneticisi olarak birkaç farklı yapay zekâ uygulaması geliştirdiğinizi gösterebilirsiniz.
Ürün yöneticisi olarak kod yazmayı öğrenmeniz gerekmez. Ancak bazı basit yöntemleri öğrenebilirsiniz. Ben şu anda ChatGPT üzerine kendi uygulamamı geliştiriyorum ve hiç kod yazmayı bilmiyorum. Malzeme bilimi hemşireliği alanında doktora yaptım. Bugün bile kod yazmayı bilmiyorum. Ancak API kullanarak uygulamalı deneyim kazanmak, farklı eklentiler kullanmak ve ChatGPT üzerine uygulama geliştirme talimatlarından yararlanmak mümkündür.
Bütün bunlar uygulamalı deneyim kazanmanızı sağlar. Bunları ürün portföyüne dönüştürdüğünüzde işe alım yöneticisini ikna etmeniz çok daha kolay olur. Bu adımlar kariyerinizi kesinlikle hızlandırır.
Hannah Clark: Bunlar gerçekten yararlı bilgiler.
Kendi kendine öğrenme kurslarına, kaynaklara ve beceri setini geliştirmek için kullanılabilecek diğer eğitimlere dönersek, önerebileceğiniz belirli kaynaklar veya kurslar var mı?
Nancy Li: Kişisel olarak aldığım ve çok beğendiğim birkaç kurs var.
Yaklaşımım yalnızca kurs almaktan biraz farklı. Makaleler de okuyorum, uygulamalı deneyim kazanıyor ve farklı araçlarla oynuyorum. Herkesin hemen başlayabileceği bazı seçenekler paylaşayım. Birinci kaynak DeepLearning.AI. Andrew Ng tarafından önerilen temel kaynak burasıdır.
Web sitesinde çeşitli ücretsiz kaynaklar bulunuyor. Özellikle bir kursu şiddetle öneriyorum. Yalnızca bir saat sürüyor ve yapay zekâ anlayışınızı ve uygulamalı deneyiminizi önemli ölçüde geliştiriyor: istem mühendisliği. Web sitesinde bulunan hızlı ve kısa bir kurs.
İkinci olarak Coursera’ya gidip makine öğrenimi dersleri alabilirsiniz. Coursera farklı şirketlerle çalışıyor; IBM, DeepLearning.AI ve birçok farklı şirketle birlikte makine öğrenimi dersleri hazırlıyor. DeepLearning.AI tarafından sunulan dersleri de öneriyorum. Bunlar makine öğrenimini uçtan uca anlamanızı sağlar. Ayrıca derin öğrenmenin ne olduğunu da öğrenmelisiniz.
NVIDIA tarafından yayımlanan farklı makalelere de göz atmanızı öneriyorum. NVIDIA’nın büyük bir hayranıyım. CEO’yu yaklaşık sekiz yıl önce tanıyordum. Çok zeki biri. NVIDIA, şirket içinde geliştirdiği temel modellere dayanan çok sayıda makale yayımlıyor. Benim gibi insanlar ve ekipler bu mevcut çerçevelerin üzerine uygulamalar geliştirebiliyor.
NVIDIA’nın web sitesinde eğitim içeriklerini ve kullanabileceğiniz mevcut çerçeveleri öğrenebilirsiniz. Google da yapay zekâ ürünleri ve uygulamaları hakkında basit açıklamalar yayımlıyor. Bu kaynakları da kullanabilirsiniz.
Ayrıca kişisel olarak aldığım ve değerlendirdiğim tüm yapay zekâ kurslarının listesini drnancyli.com/aicourses adresindeki web sitemde paylaşıyorum. Bu siteye giderek tüm kurslara erişebilir ve öğrenmeye başlayabilirsiniz.
PM Accelerator bünyesinde, ürün yöneticilerinin günlük olarak yapması gerekenlere, uçtan uca ürün yönetimi yaşam döngüsüne ve ürün yöneticisi olarak farklı modelleri seçmek gibi önemli teknik kararlara odaklanan kendi yapay zekâ ürün yönetimi kursum da var.
Bu kursta yapay zekâ ürün yönetimi yaşam döngüsünü, uygulamalı deneyimi ve birlikte gerçek yapay zekâ ürünleri geliştirmeyi ele alıyoruz. Böylece ürün portföyünüzde gösterebileceğiniz bir çalışmanız oluyor. Ayrıca farklı teknik yapay zekâ bilgilerini özetleyerek öğrenme sürecinizi hızlandırıyoruz.
Hannah Clark: Bu, yapay zekâ hakkında daha fazla bilgi edinmek isteyenler için mevcut olan geniş kurs ve kaynak alanını kapsıyor.
Şimdi biraz işverenlere bakalım. Yapay zekâ uzmanlığı olan ürün yöneticilerini işe alma konusunda özellikle istekli şirketler biliyor musunuz?
Nancy Li: Evet, çok sayıda şirket var. Her hafta yeni işverenler ve yeni iş fırsatları ortaya çıkıyor. Amazon, özellikle bazı departmanlarında üretken yapay zekâ ürün yöneticilerini agresif biçimde işe alıyor.
Amazon’un bazı departmanlarında liderlik değişiklikleri oldu. Eski liderlik yapay zekâya karşıydı ve geleneksel yöntemleri kullanmak istiyordu. Yeni liderlik ise yapay zekâ konusunda çok istekli. Bu nedenle yapay zekâ hakkında fazla bilgisi olmayan mevcut ürün yöneticilerini değiştirip yeni yapay zekâ ürün yöneticileri işe alıyorlar.
Bunun yanı sıra Netflix de yapay zekâ ürün yöneticilerini işe alıyor. Geçen yıl Netflix’in yapay zekâ tarafından oluşturulan içerikler üzerinde çalışacak kıdemli bir yapay zekâ ürün yöneticisine yılda 900.000 dolar maaş ödediğini haberlerde görmüş olabilirsiniz.
Ayrıca hızlı büyüyen birçok yapay zekâ girişimi var. Bunlardan biri benim özellikle beğendiğim Inkitt. Bu şirketin fikri oldukça yenilikçi. Netflix’in okuyucular için olan versiyonu gibi düşünebilirsiniz. İnsanlar roman okuyabiliyor ve yapay zekâ kullanarak kitaplardaki karakterlerle etkileşime geçebiliyor.
Game of Thrones’u izlediğinizi veya okuduğunuzu ve Daenerys’e yapay zekâ aracılığıyla canlı olarak sorular sorabildiğinizi düşünün. Bu karakterler gerçekten yapay zekâ tarafından oluşturuluyor. Şirket önemli ölçüde yatırım aldı ve giderek daha popüler hâle geliyor.
Bunun gibi çok sayıda yapay zekâ girişimi var. TechCrunch’ı takip etmenizi öneriyorum. Yeni teknoloji girişimi fikirlerini ve yeni yatırımları sık sık ele alıyorlar. Bunların hepsi yeni yapay zekâ fırsatları keşfetmeniz için harika kaynaklar.
Hannah Clark: Bölümü kapatmaya başlarken, yapay zekâ uzmanlığı geliştirmenin kesinlikle bazı maaş avantajları olduğunu söylemiştiniz. Kariyerinin bir sonraki adımı olarak yapay zekâ becerileri geliştirmeyi düşünenleri teşvik edebilecek başka ücret veya kazanç unsurları var mı?
Nancy Li: Yapay zekâ ürün yöneticilerinin daha fazla kazandığını söylemiştim ve bu doğru. Ancak maaşın diğer tarafını ve maaşa farklı bir açıdan nasıl bakabileceğinizi de paylaşmak istiyorum. Yapay zekâ ürün yöneticilerinin daha yüksek ücret aldığı doğru; fakat yapay zekâ oluşturarak yaratabileceğiniz etkiyi, günlük yaşamda sağlayabileceğiniz verimliliği ve kişisel olarak beğendiğiniz uygulamaları da düşünmelisiniz.
Ayrıca maaşı ayrıntılı biçimde değerlendirmelisiniz. Halka açık şirketlere katılırsanız, öğrencilerimden bazıları yapay zekâ ürün yöneticisi olarak yılda 400.000 doların üzerinde kazandı. Snowflake gibi şirketlerde de benzer ücretler söz konusu olabilir.
Girişimler size 450.000 dolarlık nakit ödeme yapmayabilir. Bunun yerine örneğin 160.000 dolar temel maaş ve yüksek miktarda hisse verebilirler. Bu hissenin gelecekte milyonlarca dolara dönüşüp dönüşmeyeceğini ise kimse bilemez.
Bu nedenle girişiminizi çok dikkatli seçin. Şirketin misyonuyla, yaratacağı etkiyle uyumlu olmalısınız. Doğru ata oynamalısınız. Belki de bir sonraki Google’a katılacaksınız. O zaman bir sonraki podcast bölümünde siz konuşuyor olabilirsiniz. Kariyerinizdeki bir sonraki adımı akıllıca seçin. Yapay zekâ alanına hemen atlamayın; doğru şirketi seçin.
Hannah Clark: Dr. Nancy Li, bize katıldığınız için tekrar çok teşekkürler. Web sitenizde insanların yararlanabileceği bazı kaynaklardan söz ettiniz.
İnsanlar çalışmalarınızı internette başka nereden takip edebilir?
Nancy Li: Podcastim olan Dr. Nancy Li ile Product Insider podcasti programına gidebilirsiniz. YouTube kanalımda Dr. Nancy Li, ürün direktörü şeklinde arama yapabilirsiniz. LinkedIn’den de bana mesaj gönderebilirsiniz. LinkedIn’de çok aktifim ve bana mesaj gönderen herkese yanıt veriyorum. Ayrıca web sitemdeki drnancyli.com/aicourses adresinden herkes için topladığım ücretsiz kaynaklara göz atabilirsiniz.
Hannah Clark: Harika. Bize tekrar katıldığınız için çok teşekkürler. Öğrenmesi çok ilginç ve insanların farkında olması gereken çok heyecan verici bir alan.
Nancy Li: Beni programa davet ettiğiniz için teşekkürler Hannah. İletişimde kalalım. Herkes, yapay zekâ çağına birlikte adım atalım.
Hannah Clark: Bizi dinlediğiniz için teşekkürler. Daha fazla içgörü, nasıl yapılır rehberi ve araç incelemesi için theproductmanager.com/subscribe adresindeki bültenimize abone olun. Bunun gibi daha fazla sohbeti, podcastlerinizi dinlediğiniz her yerde The CPO Club’a abone olarak dinleyebilirsiniz.




