Контрольный список для менеджеров по продуктам AI, чтобы получить максимальную отдачу от дизайнерских спринтов

Опубликовано: 26/01/2021 Время на прочтение: 9 минут

Иллюстрация с сайта Upslash

Превратить такие модные слова, как «дигитализация», «инновации» и «большие данные» в живой и прибыльный продукт, сложно. И обычно терпит неудачу не сама технология, а согласованность действий владельцев, менеджеров, клиентов, сотрудников, а иногда и общества. С продуктами искусственного интеллекта еще сложнее, потому что это относительно новая область, в которой преобладают:

  • либо универсальные консультанты, которые могут рассказать о блестящем будущем и экономических последствиях без конкретных цифр и дальнейших шагов;
  • или глубокие эксперты , которые знают потенциал и ограничения технологии, но им не хватает систематического делового и социального видения по этому поводу.

В этой статье я хочу поделиться подход т шляпу мы умыслом с партнерами в лаборатории нейронов, которая объединяет ориентированные на пользователя алгоритмы, экономический рост и социальное воздействие , которое выравнивает все заинтересованные стороны , участвующие в жизненном цикле продукта. По сути, он основан на идее дизайн-спринтов, однако основные этапы перестраиваются с нуля, чтобы соответствовать специфике отрасли.

Дизайн-спринты для ИИ?

Типичные шаги классического дизайн-спринта, изображение с https://medium.com/i-want-to-be-a-product-manager-when-i-grow-up/the-design-sprint-92f61b18fb72

Основная идея оригинальных дизайнерских спринтов заключается в быстрой проверке идей: понимание потребностей рынка, поиск новых способов решения проблемы, создание прототипов первых цифровых решений и их тестирование с клиентами. В идеале это можно сделать даже за 5 дней. Типичные результаты такого мероприятия:

  • Результаты мозговых штурмов (пользовательские истории, технологические приложения, приоритетные новые варианты использования)
  • Интерактивный прототип , демонстрирующий вариант использования и одобренный заинтересованными сторонами.
  • Стратегическая дорожная карта развития с необходимыми ресурсами и рисками

Вы можете узнать больше об истории и лучших практиках этих спринтов здесь. Эти результаты обычно удовлетворяют всех важных заинтересованных сторон, таких как владельцы, менеджеры и покупатели традиционных цифровых продуктов. В следующих разделах я опишу действия и методы, которые позволят создать вышеупомянутые результаты, которые объединят всех, кто участвует в разработке и использовании продукта, в основе которого лежит технология искусственного интеллекта.

Чего хотят клиенты

Пример визуализации работоспособности модели компьютерного зрения с помощью Streamlit. Разве не лучше продемонстрировать пользовательскую историю в интерактивном режиме, чем показывать презентацию PowerPoint или макеты шаблонов? Иллюстрация из Streamlit

Цитируя Daft Punk, ваши клиенты хотят решить свои проблемы:

Сложнее, лучше, быстрее, сильнее

Технологии, связанные с искусственным интеллектом, действительно могут сделать вещи более точными, быстрыми, убрать рутины или опасные задачи из нашей жизни. Но как формализовать, что именно мы можем здесь сделать для наших клиентов? Могу порекомендовать 2 фреймворка, которые используются в Google:

  • AI Canvas из книги «Машины предсказания». Это поможет вам превратить идеи клиентов в пользовательские истории с использованием ИИ.
  • Путеводитель по People + AI. Это поможет определить требования к данным, метрикам, объяснимости и поддержке вышеупомянутых пользовательских историй.

Вы также хотите показать демо и подготовить его за часы, а не за недели, верно?

  • Инструменты простого развертывания (BentoML, Flask, Streamlit)
  • Без кода (как Lobe) / управляемые решения (AWS, Azure, GCP и т. Д.)
  • Машинное обучение с открытым исходным кодом моделирует зоопарки как PapersWithCode, ModelZoo

В результате у вас будет список приоритетных вариантов использования с парочкой небольших демонстраций, демонстрирующих пользователям, как это будет выглядеть.

Что хочет бизнес

Образец расчета PnL для проекта автоматизации процессов с точками выпуска, началом заработка и поворотной точкой рентабельности, который мы готовим в Neurons Lab. Изображение автора

Конечно, ориентированный на пользователя подход является ключевым, но продукт также должен быть прибыльным и конкурентоспособным на рынке с точки зрения бизнес-модели. Это обычно упускается в дизайнерских спринтах, что, с моей точки зрения, является ужасным упущением. Эта часть чрезвычайно настраиваема, но вы хотите сузить ее до единичной экономики одного прогноза. Используя AI Canvas из упомянутых выше «машин прогнозирования», вы можете рассчитать экономический эффект от использования функции AI:

  • Сколько вы собираетесь сэкономить с каждым прогнозом благодаря ускорению / улучшению качества / снижению риска?
  • На какую точность вы можете рассчитывать и с какой уверенностью?

и вам нужно будет вычесть соответствующие затраты, которые могут включать, но не ограничиваются:

  • Затраты на разработку (внутренние / консультанты / аутсорсинг)
  • Затраты на обслуживание , человеческую поддержку и облачные вычисления с учетом рисков

Это сложный процесс, и я рекомендую работать над ним с экспертами, которые выполнили 10+ проектов в вашей области. В результате у вас будет черновик бизнес-модели и варианты использования с измененными приоритетами, основанными на экономике — возможно, ваш любимый вариант станет прибыльным через 5 лет, и вам понадобится второй, который быстрее выйдет на рынок!

Что хочет менеджер

Иллюстрации философии CRISP-DM, TDSP и Agile Data Science. Структурированный или гибкий подход — что вам больше подходит для вашего проекта? Изображения, соответственно, из Data Science Central, Microsoft и TheBurnDown

Хорошо, теперь мы согласовали потребности пользователей и бизнеса, но, тем не менее, некоторые люди будут нести ответственность за доставку этого на рынок. Как им следить за развитием? Какие показатели им следует использовать? Какая скорость сжигания ресурсов приемлема, а какая нет? Как управлять неопределенностью, связанной с исследованиями и разработками? Как обеспечить гибкость и гибкость доставки, чтобы клиент был доволен, а бизнес не сжигал дополнительный капитал?

Классические процессы НИОКР и науки о данных, такие как CRISP-DM или TDSP, рассматривают изолированную работу с данными, моделированием и развертыванием, и клиенту приходится ждать месяцами, пока

«Команда специалистов по анализу данных работает с данными и обучает модели, это крайне непредсказуемый процесс ©»

Звучит как отговорка, правда? Альтернативный подход Agile Data Science рассматривает каждую мельчайшую фазу НИОКР как побочный продукт (см. Пирамиду на рисунке выше), который должен немедленно принести пользу клиенту. Какие истории пользователей и соответствующие показатели мы можем разработать?

  • Сбор данных: если заказчик еще не собирает данные, вам необходимо определить, как сбор и организация данных немедленно упрощают жизнь и некоторые процессы (бизнес-метрики).
  • Исследование данных: примитивное статистическое понимание должно привести к примитивным прогнозным решениям и системам на основе правил, которые уже могут автоматизировать некоторую работу! Проверьте уже клиентские метрики из первого раздела
  • Моделирование: создавая все более совершенные модели, проверяя как бизнес-, так и клиентские метрики, вы должны прийти к точке рентабельности где-то на этом этапе с развернутой моделью.
  • Практические идеи: ну, в конце концов, этого все хотят 🙂

Чего хотят коллеги

Иллюстрация с сайта Upslash

Нам, менеджерам, нравятся прозрачные и предсказуемые процессы, но кто-то должен выполнять реальную работу по генеральному плану 🙂 Существуют разные мотивы для выполнения значимой работы, но в соответствии с этой структурой это автономия, мастерство и цель .

  • Автономия может быть достигнута путем делегирования большей ответственности и принятия решений и перехода от отслеживания задач к системам отслеживания результатов. Децентрализованные организационные структуры — это то, что вам нужно искать
  • Мастерство достигается за счет фундаментальных знаний и современных навыков и технологий. Вторую можно спланировать уже с помощью таких порталов, как PapersWithCode и AI Index, где можно найти последние разработки в большинстве областей.
  • Цель — немного более чувствительный вопрос, но обычно она связана с тем, чтобы дать миру то, что ему нужно. Следующий раздел посвящен этому в контексте ИИ, и ваша бизнес-стратегия и культура тоже должны быть ответственными 🙂

Это нетрадиционный подход к размышлению о коллегах в дизайнерском спринте, однако для современных человеко-ориентированных организаций он необходим.

Чего хочет мир

Изображение с https://www.uxai.design/design-strategy

Искусственный интеллект — это технология, которая имеет недостатки — так же, как и человеческий интеллект, она может быть предвзятой, расплывчатой и подверженной внешним атакам . Что мы можем сделать, чтобы внедрение ИИ было правильным и целенаправленным? На уровне дизайнерского спринта нам необходимо информировать заинтересованные стороны о таких проблемах, определять чувствительные моменты в продуктах и предлагать потенциальные решения :

  • Справедливый и беспристрастный ИИ: я рекомендую использовать «Что если-инструмент» от PAIR и более техническую библиотеку Themis-ML для проверки справедливости.
  • Объяснимый ИИ: для интерпретации прогнозов машинного обучения уже существует несколько стратегий и решений, таких как TCAV и SHAP.
  • Защищенный искусственный интеллект: вам определенно необходимо защитить данные обучения на уровне инфраструктуры и, возможно, с помощью федеративного обучения (TF, PyTorch). Кроме того, модели машинного обучения можно атаковать с помощью состязательных атак, заставляющих модели делать неверные прогнозы. Ознакомьтесь с этими библиотеками как с потенциальными решениями.

Выводы

В этой статье мы повторно оценили классическую структуру спринта дизайна и результаты для продуктов на основе ИИ. В качестве основной идеи мы рассмотрели, что каждая заинтересованная сторона проекта хочет, чтобы проект был удовлетворен во время разработки и при его использовании:

  • Конечные клиенты: решение, которое приносит ощутимые положительные изменения с помощью интерактивной демонстрации
  • Владельцы бизнеса: бизнес-модель с единым прогнозом экономики, скорости выгорания и связанных рисков
  • Менеджеры и сотрудники: четкие процессы и метрики для первых и выполнение работы для вторых
  • Общество: отличное приложение на основе технологии искусственного интеллекта, которое является честным, прозрачным и защищенным от злоупотреблений

Я не упомянул маркетинг и анализ конкурентов, который иногда проводится в рамках дизайнерских спринтов, поскольку я ожидаю, что заранее будет проведен обширный анализ конкурентов и рынка. Дизайн-спринты отлично подходят для мозгового штурма и тестирования различных идей технологических продуктов, но определение общего видения и стратегии компании — это немного другая тема. Дайте мне знать, если у вас есть какие-либо вопросы или если вы хотите поделиться своим опытом выполнения таких дизайнерских спринтов. Удачи с вашими продуктами AI!

PS
Следуйте за мной также в Facebook, чтобы найти статьи об ИИ, которые слишком короткие для Medium, Instagram для личных материалов и Linkedin! Свяжитесь со мной, если вы хотите совместно работать над дизайн-спринтами или другими проектами машинного обучения.


Метки:


прокрутка вверх