SVENSKA

AI kommer att förvandla product management

118

Noll

Enligt World Economics forums Framtida Arbetstillfällen 2018 rapport, maskiner kommer att drabba människor i termer av att utföra fler arbetsuppgifter på arbetsplatsen 2025 — men det kan fortfarande finnas 58 miljoner nya arbetstillfällen skapas inom de närmaste fem åren. Rapporten konstaterar att den växande förmåga till 2022 kommer att omfatta analytisk tänkande, kreativitet, kritiskt tänkande, komplex problemlösning och analys.

Också: Kan människor få ett grepp om AI?

future-jobs-skills-ffc08449f169a75803815aa2bc0dcc88.png

Framtidens Jobb Rapport 2018 identifierade också 10 nya arbetstillfällen i 2022, inklusive data analytiker och forskare, AI och maskininlärning specialister och allmänhet och drift chefer som topp 3 jobb.

Dessutom: Hur Facebook skalor AI

AI och framsteg inom automation kan resultera i att 75 miljoner jobb förskjutningar, men på samma tid en annan 133 miljoner nya roller kommer att dyka upp där människor och maskiner kommer att samexistera, skapa en netto-58 miljoner nya jobb fram till 2022. 2018 sysselsättningsrapporten också prognoser som 42 procent av alla nuvarande uppgifter på arbetsplatsen kommer att utföras av maskiner i 2022, jämfört med 29 procent år 2018.

Också: Kommer AI behöver terapi i framtiden? CNET

Jag hade nyligen förmånen att få träffa Dr Kai-Fu Lee, Ordförande och VD för Sinovation Ventures och Vd för Sinovation företagets Artificiell Intelligens Institute, som han diskuterade sin nya bok ‘AI Supermakterna – Kina, Silicon Valley och New World Order” på mitt företag: s årliga konferens Dreamforce. Sinovation Ventures, som förvaltar US$2 miljarder dual valuta investment fund, är en ledande teknik-kunniga värdepappersföretag som fokuserar på att utveckla nästa generation av Kinesiska high-tech-företag. Dr. Lee: s bok är ett måste läsa för företagsledare som vill bättre förstå konsekvenserna av AI på framtida arbete. I sin bok, Dr. Lee identifierar olika typer av kognitiva arbete som är att vara på flykt av AI förväg och automation. Förskjutningen sannolikheten för jobb är katalogiserade i olika zoner. “Danger Zone” som innehåller jobb som översättare, telefonförsäljare, radiologer och skatt specialister och försäkring skaderegleraren. Den “Säkra Zonen” finns socialarbetare, chefer och PR-chefer.

Också: AI innebär en livstid av träning CNET

Jag har skrivit om min åsikt om den massiva påverkan av AI på framtida arbete. Spola fram till 2020, och jag tror att försäljning, marknadsföring och kundtjänst utan att AI inte längre är effektiva eller acceptabel försäljning, marknad eller kundservice. Vi är i den ålder som är ansluten intressenter — kunder, affärspartners, medarbetare och samhälle. Alla företag, stora och små, måste förvandlas till en AI-styrd verksamhet. På kort sikt, företag och anställda är mindre benägna att ersättas av robotar och mer benägna att störas av företag och anställda som är utbildade för att använda AI-tekniker för att tävla och vinna.

För att bättre förstå effekten av artificiell intelligens (AI) på kognitiva arbete, jag nått ut till en av mina AI domän expert kollegor som är ansvariga för att leverera AI-drivna produkter och tjänster. Mayukh Bhaowal är Chef för Product Management på Salesforce Einstein, som arbetar på en automatisk maskin lärande. Jag var nyfiken på hur han kände om effekterna av AI om framtiden för product management funktion.

Också: Bryggerier använder AI att förutsäga hur din nästa öl smakar CNET

Här är Mayukh tankar om framtiden ansvar för product management i en ålder av AI, och varför produkt-chefer behöver för att förbereda sig på olika sätt som de tillför marknaden AI-drivna produkter och tjänster:

På en massiv steg i Cambridge, MA, framför flera hundra entusiaster teknik, ex-Stanford professor Andrew Ng bort klotter på en whiteboard. Han talar om hur AI är att förändra världen, och hur traditionella arbetsbeskrivningar är att bryta ner. Ng ger ett exempel på en chatbot. “Traditionellt produktchef skulle ge produktspecifikationer genom tråd-ramar. För en chatbot, tråd-ramar är helt värdelösa till ingenjörer. De skulle vilja veta logik inuti, säger Ng, som grundade Coursera, en online-utbildning-företag, och som nu är VD i AI-konsult Landning AI.

Jeremy Karnowski, Chef för AI-Produkter finns på San Francisco-baserade Insikt Data Vetenskap, kör en 7-veckors intensivkurs fellowship program, som hjälper sjukvårdspersonal med olika bakgrund att byta karriär och komma in på området av programvara och teknik. Till exempel, Leah McGuire är en computational neuroscience som, efter att ha avslutat sin Ph D., gick Insikt och landat ett jobb på LinkedIn. Nyligen, Insikt Data Vetenskap infört en Data Product Management program. “Det är för den mer traditionella produkt-chefer (PMs) för att förvärva de kunskaper som behövs för att vara PMs i data-fokuserad roller, som att bygga produkter som använder sig av artificiell intelligens, säger Karnowski.

Marco Casalaina, vice vd för Produktutveckling på Salesforce Einstein, är att arbeta med ett team på att skapa en kurs i Vandringsled (Salesforce-online-lärande plattform) för att öka skicklighet uppsättningar av traditionella PMs och att förbereda dem för det fjärde industriell revolution av intelligens och maskininlärning. “Vi behöver utveckla en lukt test för vårt PMs, för att ge dem möjlighet att snabbt avgöra huruvida det är möjligt att tillämpa lärande för att lösa ett företags problem, säger Casalaina.

Teknik som ämne har funnits i tusentals år. Dess rötter kan spåras tillbaka till konstruktion av pyramiderna i Egypten, att byggandet av militära motorer på 1300-talet, till starten av maskinteknik med anledning av ångmaskin på 1800-talet. Detta gör att det är en gammal och väl etablerad disciplin.

Produktledning är relativt nya, mindre än 100 år gamla och därmed utvecklas fortfarande. Det var ursprungligen tänkt att vara runt hantering av varumärken (därav känd som Varumärke Män) som det utvecklats till att hantera system för produktion i tillverkningsindustrin. Födelse av mjukvara starkt påverkad av sin kurs och sedan kom agila metoder. Idag, som Artificiell Intelligens äter programvara, är det lugnt att omvandla produkten förvaltning roll igen.

Också: 61% av företagen har redan genomförts AI TechRepublic

Det är en förändring. AI produkt chefer ökar.

Tänk dig att bygga en ny rekommendation system. Med tanke på en produkt som köpts av en användare, detta system bör rekommendera liknande produkter. Traditionellt, ett PM skulle fungera med en user experience designer och komma upp med användaren och erfarenhet (UI/UX) specifikation runt layouten, när och var du vill visa de rekommendationer, vad är det för beteende på att interagera med dem, etc. Detta kan utvidgas till andra rekommendation motor användningsfall, som rekommendera vänner i sociala nätverk, anslutningar i ett professionellt nätverk, låtar i en musik-app, eller arbetssökande i en rekrytering system. Men en modern rekommendation system använder AI, och dessa typer av produktspecifikationer är av inget värde till en maskin lärande ingenjör eller en data scientist — de behöver uppgifterna. De system som de bygger inte är kodade, de är som lärs ut.

Låt oss säga att denna rekommendation systemet var avsett att rekommendera inlägg jobb för arbetssökande, och vice versa. Här en AI produktchef måste lämna uppgifter om den data som kunder kommer att ha. Vilken information kunderna har om jobb och kandidaterna? PM behov för att ange hur systemet fungerar i en “kallstart”, när det är en helt ny kund som har ännu inte samlat tillräckligt med data för systemet att lära sig. Och hur bedömer du att de rekommendationer som verkligen är bra? Detta är en helt ny typ av produkt specifikationer som inte fanns förrän den senaste tidens gryning av AI.

Förutom att arbeta med deras traditionella tvärfunktionella intressenter (design, marknadsföring, försäljning, konstruktion, dev ops), AI produktchefer nu måste inkludera data forskare och data ingenjörer i cirkeln. Här är de områden som en AI produktchef måste fokusera utöver de som finns i en traditionell PM:

Problemet Kartläggning

Ibland är det så nyligen som i brådskan att AI, PMs bli hänförd av den uppsjö av nya tekniker och försummar att mappa dem till konkreta användaren smärtpunkter. Det är viktigt för AI product manager för att påvisa värdet proposition av en AI-powered-funktionen. Detta innebär att en AI produktchef bör ta till AI metoder för att lösa ett affärsproblem bara efter att bestämma genom en noggrann utvärdering som traditionella metoder såsom regler motorer kommer inte på ett tillfredsställande sätt hantera användarens smärta led.

I kundservice domän, till exempel, problemet kan vara att påskynda upplösning av kundtjänst för biljetter. Ett vanligt problem som orsakar långa upplösning gånger i kundtjänst är felaktigt kategoriserade biljetter: mer en biljett studsar mellan avdelningar, desto längre tid tar det att lösa.

En AI som produkt chef bör göra en noggrann analys av detta problem. Kan det lösas på andra sätt som är snabbare och enklare att bygga än AI? I just detta exempel företag har länge använt regler motorer och arbetsflöde för att försöka kategorisera fall rätt på första försöket, men problemet kvarstår. Reglerna i dessa motorer ofta faller ut i datum, och även när de är aktuella, de kräver ofta stela ingångar som inte matchar utbud av mänskliga språk som ofta finns i service biljetter. När du gör denna analys, en AI som produktchef kan avslöja en möjlighet att använda artificiell intelligens för att bygga upp ett system för att kategorisera dessa biljetter genom att lära från tidigare lyckats lösa biljetter. Detta är ett bra exempel på en AI-product manager kartläggning hög nivå affärer problemet att en AI-lösning.

Även: Topp 5: Sätt AI kommer att förändra verksamheten TechRepublic

Data Läskunnighet

En av de mest betydelsefulla aspekter i utvecklingen av AI produktchef är behovet av data läs-och skrivkunnighet. En AI som produktchef behov att förstå de rätta frågorna att ställa om sina kunders uppgifter om de ska lyckas med AI initiativ. Är de relevanta uppgifterna lätt tillgängliga bland kunder? Är det tillräckligt med data, och det är den typ av data som AI kan lära sig? Är data ren eller högljudda? Gör användningen fall kräver en realtid lösning eller skulle ett parti lösning räcka? Med anknytning till det, är det tillräckligt av tidigare exempel eller prejudikat som kan användas för att undervisa i ett lärande system. Det är vanligtvis känd som en övervakad problem. Om det inte finns några tidigare exempel (även känd som resultat), att maskinen skulle ha att lära sig utan att någon tillsyn av prejudikat. Detta är känt som en oövervakad problem.

Till exempel, en generell bild prognos programvara kommer att fungera dåligt om den behöver för att upptäcka tumörer från medicinska bilder, men det skulle fungera bra för att klassificera katter jämfört med hundar. Detta eftersom det var aldrig tränat på (och därmed inte lära sig) historiska data för vissa typer av tumörer och deras resultat. Ofta finns det inte ens tillräckligt med sådana historiska data för att lära sig från.

Detta helt ny dimension av data läskunnighet är helt frånvarande i traditionella PM roller.

Kriterier för acceptans I Världen Av AI

När en AI-drivna funktionen är inbyggd, AI produkt-chefer behöver för att fastställa kriterier för att avgöra om du är redo att tjäna produktionen kunder. I traditionell produkt management, denna kriterier som kan omfatta har fullständighet, antalet öppna buggar och passform och finish, men i AI product management, den viktigaste variabeln AI noggrannhet. Data forskare har en bred uppsättning av maskininlärning statistik som hiss, precision och recall. Beroende på företagets mål, en AI som produktchef måste göra en bedömning av vilken maskin lärande statistik behöver optimeras, och vid vilken tidpunkt AI presterar tillräckligt bra för att lösa kundens problem. Detta kommer sedan att kopplas till den övre line-företag mått såsom fallet resolution tid, eller försäljning leder konvertering hiss.

Till exempel, i försäljningen domän, försäljningschefer är intresserade av att öka antalet inkommande leads konvertera till försäljning. AI-baserade leda poäng kan ge en prognos för varje inkommande leda till om det är sannolikt att omvandlas till en försäljning eller inte. Detta kan hjälpa säljare att fokusera sin tid på rätt kunder. AI produktchef således ett behov av att definiera ett gränsvärde för AI noggrannhet så att dess användning kommer att på ett tillförlitligt sätt lyfta konverteringsgrad av kunder försäljningstillfällen.

Också: 10 sätt AI kommer att påverka företaget i 2018 TechRepublic

Förklara-förmåga, Etik och Fördomar

“Varför denna AI bara fatta beslut som det gjorde?” är en vanlig fråga bland användare konsumerar AI. AI skiljer sig från traditionell programvara i den meningen att resultaten är inte baserad på en uppsättning hand-kodade regler; som sådana beslut som det gör ibland kan trotsa redo förklaring. Dessutom beteende AI förändringar över tid, eftersom den fortsätter att lära sig.

Att vara omtänksam om att förklara-förmåga och tillhandahålla mekanismer för att göra AI-drivna funktioner mer transparent är nyckeln till att låsa upp antagandet av sådana funktioner. En AI som product manager för att ange hur hans eller hennes produkter kommer att förklara sig för sina användare. Ibland innebär det en trade-off: vissa AI-algoritmer är mer svårförklarligt än andra. För problem i områden där det är hög förordning, som hälso-och sjukvård, förklara-förmåga slår noggrannhet. Det åligger AI produkt manager för att hitta rätt balans för användning fallet och industri som de tjänar.

AI produkt chefer behöver också utvärdera bias och tänka på de etiska konsekvenserna av AI-drivna applikationer. Är den data som samlats in representativ och mångsidig nog? Finns det uppgifter i data-set som kan introducera oönskade och oetiska fördomar, som ras eller kön? Detta är knappast en enkel tekniska beslut. Kön, till exempel, kan vara en viktig signal för AI i medicinsk diagnos-program, men det är troligen irrelevant i att förutsäga vilka arbetssökande är mer benägna att passa en arbetsbeskrivning. Det faller till AI produkt manager för att fatta beslut om vilka uppgifter som är etiskt passar för en given tillämpning.

Skalning Från Forskning Till Produktion

Attribut för en produktion AI-program levereras på skala är mycket annorlunda än “data science-projekt” som fortfarande är i utvecklingsstadiet. Ingenjörer som är med AI-program för att produktionen behöver specifikationer runt där uppgifter förväntas vara. Kommer det att vara online i molnet? Eller fördelade över många mobila enheter? De behöver förstå hur snabbt AI behov av att släppa ut sin output — realtid AI-utgång kan vara resurskrävande för både ingenjörer och maskiner. Det finns många andra överväganden kring hur ofta och när modeller för att omskola sig, vad mått måste beräknas för att förstå systemets fortsatta prestanda, vad har teknik som krävs, och mycket mer. Banbrytande metoder för att lösa många av de vanliga AI-problem finns i överflöd i akademiska publikationer, men mycket få av dem skala upp till verkliga tillämpningar. En AI PM behov att bygga upp en spidey känsla kring vilka problem att gå efter med den framsynthet, som om de faktiskt kommer att göra i produktionen.

Dessutom: Det är inte de jobb AI är förstört som stör mig, det är de som växer

Om du har ett PM som läser detta och har erfarenhet av att bygga webb och mobila applikationer, men har inte blöta fötterna i AI och ML (machine learning) produkter, du kanske undrar: “jag hade aldrig haft att göra med någon av dessa!” Det är just den punkten.

Även om AI nyligen fångats en hel del medvind, AI var förhärskande även två decennier tillbaka i området för marknadsföring och riktade annonser. Några av er som arbetade på de tidiga produkter med hävstångseffekt AI och ML kan vara ett leende nu. Som AI och ML äta programvara, mer och mer PMs behöver för att nivå upp sina kunskaper för att hantera dessa produkter och tillhandahålla krav och specifikationer som kommer att tillföra värde till den data teknik och data science team. Detta kommer att leda till att faktiskt lösa kundens smärta punkter och inte bara bygga en cool teknologi-funktion.

Denna artikel var co-skriven av Mayukh Bhaowal, chef för product management på Salesforce Einstein, som arbetar på en automatisk maskin lärande.

Tidigare och relaterade täckning:

Vad är AI? Allt du behöver veta

En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.

Vad är djupt lärande? Allt du behöver veta

Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.

Vad är lärande? Allt du behöver veta

Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.

Vad är cloud computing? Allt du behöver veta om

En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.

Relaterade artiklar:

Det finns ingen roll för AI eller data vetenskap: det här är ett lagarbete Start Släkt ger strimma av hopp för AI i robotik AI: vy från Chief Data Vetenskap Kontor Salesforce intron Einstein Röst, en AI röst assistent för företag

Relaterade Ämnen:

Framtida Arbete

Digital Omvandling

CXO

Sakernas Internet

Innovation

Affärssystem