Каждый год я ставлю перед собой цель освоить новый технический навык. Я не планирую становиться экспертом в этом новом навыке, по крайней мере, не сразу. Тем не менее, я люблю технологии и инженерную сторону вещей, и мне нравится узнавать о «технологических трендах», которые существуют по двум основным причинам. Во-первых, это держит меня в курсе того, что происходит в мире. Более того, это открывает мне глаза на новые возможности и то, как я могу применять их в своей повседневной работе в качестве менеджера по продукту. Во-вторых, это позволяет мне схватывать, понимать и лучше общаться по техническим вопросам. Эта секунда, в то же время, имеет для меня два преимущества. Во-первых, я могу общаться с командами разработчиков и инженерами на том же уровне, что и они. Во-вторых, я могу объяснить сложные технические концепции деловым людям, которые не совсем понимают всю эту сложность.
В этом году я решил изучить машинное обучение. Опять же, я не планирую становиться Data Scientist или ML-инженером. Тем не менее, это в тренде, и, на мой взгляд, в нем есть много возможностей, которые еще предстоит открыть и реализовать. В любой отрасли, которую вы можете себе представить, машинное обучение внедряется или будет внедрено в ближайшие годы. Поэтому мне нужно узнать об этом и погрузиться в это как можно глубже.
Несмотря на причудливое название, концепцию и цель машинного обучения можно упростить в нескольких предложениях. Представьте, что у вас есть проблема с кучей данных. Все эти данные могут быть связаны с проблемой или ошибочно считаться связанными с проблемой. Общий результат машинного обучения состоит в том, чтобы взять все данные, увидеть их корреляцию (или ее отсутствие) и на ее основе попытаться предсказать результат. Конечно, это упрощение всей концепции. «Обучение» машинного обучения заключается в том, что система (лучше называемая моделью) способна «запоминать» эту корреляцию, эти шаблоны и, следовательно, делать прогнозы.
Воспроизводя эту концепцию, машинное обучение может делать несколько сложных вещей. От предоставления автомобилям возможности автономного вождения до самостоятельного создания музыки. Все будет зависеть от того, сколько паттернов он «изучит» и насколько точны эти прогнозы.
Опять же, это чрезмерное упрощение машинного обучения, и в создании ML-модели задействовано множество сложных элементов: получение данных, понимание данных, идентификация и маркировка данных, обучение моделей и создание точного результата. . Специалисты по данным и инженеры по машинному обучению — ремесленники.
Как машинное обучение помогло мне стать лучшим менеджером по продукту?
Ну, для начала мне нужен был источник знаний о машинном обучении, и я получил эту замечательную книгу, написанную Орельеном Жероном:
С его помощью я узнал о шагах, которые необходимы для участия в проекте машинного обучения. Для меня эти шаги были очень похожи на любую «шпаргалку», которую вы могли бы создать, чтобы подготовиться к разработке продукта. Шаги следующие, и я объясню, чем они похожи на управление продуктом:
Посмотрите на большую картину
Первый шаг в рассмотрении общей картины направлен на то, чтобы человек осознал, что в стоящей перед ним проблеме есть много моментов, которые сразу не видны или, возможно, скрыты. Он направлен на то, чтобы попытаться найти все скрытые связи и понять реальную ситуацию с проблемой.
С точки зрения продукта: не все проблемы, которые мы пытаемся решить, настолько просты или «очевидны». как может показаться. Иногда нам нужно сделать шаг назад и понять, что существует более широкая картина со скрытыми последствиями и последствиями. Что проблема может выходить за пределы нашего поля зрения и что ее корни могут иметь происхождение, недоступное нашему пониманию. Это даст нам простор и понимание.
Получить данные
Довольно просто и добавить особо нечего. Для проекта машинного обучения вам нужны данные, и их много. И это тоже должны быть правильные данные. Для проекта машинного обучения это может означать определение конвейеров данных и источников для него.
С точки зрения продукта. Когда вы работаете с продуктом, важно иметь данные. Если у вас нет данных, получите их. Данные послужат надежной основой для измерения успеха вашего продукта. Данные также будут компасом, направляющим вас к тому, куда вы должны двигаться дальше, как объясняется в следующем пункте.
Открывайте и визуализируйте данные, чтобы получить представление
Одной из основных задач перед тем, как приступить к построению моделей машинного обучения и переходу к коду, является понимание собранных вами данных. Данные могут поступать в нескольких формах, и они необходимы для понимания их и того, как они соотносятся друг с другом. Данные могут быть изображениями, видео, звуками, числами или текстом. Наиболее важной частью этого является предварительное определение закономерностей и корреляций, которые помогут нам направить проект на правильный путь. Это покажет нам, какие сложные элементы нужно идентифицировать, и на чем сосредоточиться дальше. Это будет похоже на грубую карту ситуации.
С точки зрения продукта. Это одна из самых важных задач, которую менеджер по продукту должен выполнить в первую очередь. Видеть и понимать данные необходимо для выявления проблем, взаимосвязей и возможных решений. Понимание, которое продакт-менеджер получает от просмотра и понимания данных, поможет хорошему продакт-менеджеру двигаться в правильном направлении. Он может выявить источник проблемы и с самого начала наметить возможные решения. В обоих случаях этот шаг также позволит вам увидеть, есть ли у вас все необходимые данные или вам нужно сделать шаг назад и собрать некоторые дополнительные элементы. Визуализация данных также даст вам направление и понимание ваших следующих шагов.
Подготовьте данные для алгоритмов машинного обучения
Вы увидели общую картину, собрали данные и поняли их. Теперь пришло время запачкать руки. Этот шаг очень похож на очистку всех фруктов и приправу мяса перед приготовлением рецепта. Для машинного обучения данные должны быть в определенном «формате», чтобы машина могла их прочитать и понять. Кроме того, те корреляции, которые вы идентифицировали первыми, должны быть сгенерированы и переведены на машинный язык, чтобы система также могла идентифицировать эти корреляции. Это не означает, что система не найдет корреляции самостоятельно. Вам также необходимо разделить данные на данные обучения, данные проверки и данные тестирования. Эти сегменты данных позволят вам увидеть, являются ли ваши модели точными и реалистичными. С ним можно сравнить ваши результаты.
С точки зрения продукта: подготовьте свои ключевые показатели эффективности, определите свои информационные панели и задайте тестовые сегменты. Данные, как упоминалось ранее, не только помогут вам, но и подскажут, достигли ли вы своей цели или нет. Разделяя данные, вы, как менеджер по продукту, можете подготовиться к тестированию продукта и сопоставить его результаты с реальными незагрязненными данными.
Выберите модель и обучите ее
В машинном обучении есть несколько предопределенных моделей, которые ищут корреляции данных, делают расчеты относительно прогнозов или сходств и предоставляют результат. Эти модели также управляли несколькими элементами, такими как вариации, потери, скорость обучения, распределения и то, как в целом каждый из них находит наиболее оптимальный результат. В машинном обучении важно понимать, как работает каждый из них, где каждый из них работает лучше всего, а где нет, и каковы наилучшие подходы к их использованию. Все это позволит человеку выбрать лучшую модель для решения проблемы.
С точки зрения продукта: выберите лучшие платформы и лучшие решения. Управление продуктом не является линейным, поэтому этот шаг может происходить в разные моменты жизненного цикла продукта. Тем не менее, менеджер продукта должен знать и понимать инструменты продукта (так же, как специалисты по данным должны знать свои модели). Важно знать, когда что использовать и каков будет результат использования каждого инструмента. Аналогично этому, когда решения определены (еще не реализованы), менеджеру по продукту необходимо выбрать одно из них и приступить к реализации. Именно здесь данные и тестирование подкрепят решение и помогут менеджеру по продукту выбрать наилучшее решение.
Точная настройка вашей модели
Общая цель машинного обучения — получить наиболее точную модель, которая позволит вам повторно использовать ее и многократно решать вашу проблему. Если вы хотите идентифицировать типы деревьев, вам нужна модель, которая идентифицирует каждый тип дерева как можно точнее. Это достигается тонкой настройкой модели. Другими словами, добавление более конкретных данных или настройка некоторых параметров модели для лучшего обучения и более точного прогнозирования.
С точки зрения продукта: два слова: тестирование и итерации. Когда вы выбрали решение или иногда перед выбором окончательного решения, которое вы хотите протестировать. Тестируя предложенное решение, вы можете точно настроить его результаты, одновременно доказывая и тестируя, делает ли оно то, что вы от него ожидаете, и решает ли оно проблему ожидаемым образом. Достигает ли он ожидаемых целей? Порождает ли это новые проблемы? Влияет ли это на другие KPI? Это слишком сложно? Должен ли он быть более удобным для пользователя? Все эти ответы будут получены путем тестирования, и все результаты могут быть улучшены путем повторения вашего решения. Помните, что продукт никогда не бывает законченным.
Запустите монитор и поддерживайте свою систему
Это касается как машинного обучения, так и продукта. Как только все будет должным образом протестировано и разработано, оно выдержит самое большое испытание: выживание при развертывании. Запуск модели или продукта может быть захватывающим, наконец, люди смогут использовать его и увидеть, как он будет вести себя там «сам по себе». Но это только первый шаг реальной жизни модели/продукта. Модель машинного обучения, вероятно, должна развиваться и адаптироваться даже после развертывания. Новые и другие данные могут быть доступны через некоторое время после развертывания, и модель должна будет извлечь из них уроки, чтобы улучшить свои прогнозы. Точно так же продукт должен будет адаптироваться к пользовательскому опыту вокруг него и меняющимся потребностям пользователя. Здесь данные также будут необходимы для мониторинга эффективности вашей модели/продукта и помогут вам выбрать правильное направление улучшения, обслуживания и масштабируемости.
Итак… Что ML на самом деле сделал для меня?
В целом, машинное обучение помогло мне стать продакт-менеджером, подкрепляя, обрисовывая в общих чертах и размышляя об основных шагах и наилучшем подходе к пониманию и решению проблемы. От наблюдения за всеми элементами, чтобы понять настоящие причины чего-либо, до тестирования и настройки в поисках наилучшего результата (95% — это хорошо, но небольшие изменения могут привести к 98%). Машинное обучение также помогло мне лучше осознать опасность ложных срабатываний и важность правильного перевода и понимания данных.
Я стал лучше осознавать значение данных, поэтому я стал больше ориентироваться на данные, чем раньше.
Итак, вы можете задаться вопросом: нужно ли мне изучать машинное обучение, чтобы стать хорошим продакт-менеджером? Прямой ответ — «не совсем». Если только вы не стремитесь стать менеджером по продуктам машинного обучения или ваши продукты не связаны с машинным обучением, глубоким обучением или искусственным интеллектом. Нет четкой причины, по которой вам «следует» изучать машинное обучение.
Тем не менее, изучение машинного обучения — это весело и интересно, и вы откроете для себя все возможные возможности, которые появятся в ближайшем будущем благодаря его внедрению. Вы можете найти сходство между тем, что вы делаете, и ML, как и я с продуктом. И это, в конце концов, может вызвать улучшение для вас самих.
Хотите узнать больше о продукте и росте? Свяжитесь и забронируйте сеанс на любой из следующих платформ:
