KI wird das Produktmanagement verändern

Nach Angaben des Weltwirtschaftsforums Die Zukunft der Arbeitsplätze 2018 Bericht, Maschinen werden den Menschen überholen im Hinblick auf die Erfüllung von mehr Aufgaben am Arbeitsplatz bis 2025 – aber es könnten in den nächsten fünf Jahren immer noch 58 Millionen neue Arbeitsplätze geschaffen werden. Der Bericht stellt fest, dass die wachsenden Fähigkeiten im Jahr 2022 analytisches Denken, Kreativität, kritisches Denken, komplexe Problemlösung und Systemanalyse umfassen werden.

Auch: Können Menschen die KI in den Griff bekommen?

Der Bericht zur Zukunft der Arbeitsplätze 2018

Außerdem wurden im Jahr 2022 zehn aufstrebende Jobs identifiziert, darunter Datenanalysten und Wissenschaftler, Spezialisten für KI und maschinelles Lernen sowie General- und Betriebsleiter als die Top-3-Jobs.

Auch: Wie Facebook KI skaliert

KI und Fortschritte in der Automatisierung Dies kann zu 75 Millionen Arbeitsplatzverlagerungen führen, aber gleichzeitig werden weitere 133 Millionen neue Arbeitsplätze entstehen, bei denen Menschen und Maschinen nebeneinander existieren, wodurch bis 2022 netto 58 Millionen neue Arbeitsplätze entstehen. Auch der Stellenbericht 2018 prognostiziert, dass 42 Prozent davon Alle aktuellen Aufgaben am Arbeitsplatz werden von Maschinen erledigt im Jahr 2022, verglichen mit 29 Prozent im Jahr 2018.

Auch: Braucht KI in Zukunft eine Therapie? CNET

Ich hatte kürzlich das Privileg, mich kennenzulernen Dr. Kai-Fu Lee, der Vorsitzende und CEO von Sinovation Ventures und Präsident des Artificial Intelligence Institute von Sinovation Venture, als er sein neues Buch besprach.KI-Supermächte – China, Silicon Valley und die neue Weltordnung' auf der Jahreskonferenz meines Unternehmens Dreamforce. Sinovation Ventures verwaltet einen Investmentfonds mit zwei Währungen im Wert von 2 Milliarden US-Dollar und ist ein führendes technologieorientiertes Investmentunternehmen, das sich auf die Entwicklung der nächsten Generation chinesischer High-Tech-Unternehmen konzentriert. Dr. Lees Buch ist eine Pflichtlektüre für Wirtschaftsführer, die die Auswirkungen von KI auf die Zukunft der Arbeit besser verstehen möchten. In seinem Buch identifiziert Dr. Lee Arten kognitiver Arbeit, die durch KI und fortschreitende Automatisierung verdrängt werden könnten. Die Verdrängungswahrscheinlichkeit von Arbeitsplätzen wird in verschiedenen Zonen katalogisiert. Die „Gefahrenzone“, zu der Berufe wie Sprachübersetzer, Telemarketer, Radiologen, Steuerspezialisten und Versicherungssachbearbeiter gehören. Zur „Safe Zone“ gehören Sozialarbeiter, CEOs und PR-Direktoren.

Auch: KI bedeutet ein lebenslanges Training CNET

Ich habe darüber geschrieben aus meiner Sicht über den massiven Einfluss von KI auf die Zukunft der Arbeit. Spulen wir vor ins Jahr 2020 und ich glaube, dass Vertrieb, Marketing und Kundenservice ohne KI nicht mehr effektiv oder akzeptabel sind. Wir befinden uns im Zeitalter der vernetzten Stakeholder – Kunden, Geschäftspartner, Mitarbeiter und Gemeinschaften. Jedes Unternehmen, ob groß oder klein, muss sich zu einem KI-gesteuerten Unternehmen entwickeln. Kurzfristig ist es weniger wahrscheinlich, dass Unternehmen und Arbeitskräfte durch Roboter ersetzt werden, sondern eher durch Unternehmen und Arbeitskräfte, die darin geschult sind, KI-Technologien zu nutzen, um im Wettbewerb zu bestehen und zu gewinnen.

Um die Auswirkungen der künstlichen Intelligenz (KI) auf die kognitive Arbeit besser zu verstehen, habe ich mich an Folgendes gewandt: einer meiner KI-Expertenkollegen, der für die Bereitstellung KI-gestützter Produkte verantwortlich ist Dienstleistungen. Mayukh Bhaowal ist Director of Product Management bei Salesforce Einstein, arbeitet am automatisierten maschinellen Lernen. Ich war neugierig, was er über die Auswirkungen von KI auf die Zukunft der Produktmanagementfunktion denkt.

Auch: Brauer nutzen KI, um vorherzusagen, wie Ihr nächstes Bier schmecken wird CNET

Hier sind Mayukhs Gedanken zu den zukünftigen Aufgaben des Produktmanagements im Zeitalter der KI warum Produktmanager sich anders vorbereiten müssen, wenn sie KI-gestützte Produkte auf den Markt bringen und Dienstleistungen:

Auf einer riesigen Bühne in Cambridge, MA, vor mehreren hundert Technikbegeisterten, ehemaliger Stanford-Professor Andrew Ng kritzelt auf ein Whiteboard. Er spricht darüber, wie KI die Welt verändert und wie traditionelle Berufsbeschreibungen ins Wanken geraten. Ng gibt ein Beispiel für einen Chatbot. „Traditionell stellte ein Produktmanager Produktspezifikationen über Wireframes bereit. Bei einem Chatbot sind Wireframes für die Ingenieure völlig nutzlos. Sie würden gerne die Logik im Inneren kennen lernen“, sagt Ng, der Gründer Coursera, einem Online-Bildungsunternehmen, und der jetzt CEO der KI-Beratung ist Landungs-KI.

Jeremy Karnowski, Direktor für KI-Produkte bei San Francisco Insight Data Science, führt ein 7-wöchiges Intensivstipendienprogramm durch, das Fachkräften mit unterschiedlichem Hintergrund dabei hilft, ihre Karriere zu ändern und in den Bereich Software und Technologie einzusteigen. Leah McGuire beispielsweise ist eine Computational Neuroscience, die nach Abschluss ihrer Doktorarbeit zu Insight kam und einen Job bei LinkedIn bekam. Kürzlich hat Insight Data Science eine eingeführt Datenproduktmanagement Programm. „Es ist Aufgabe der traditionelleren Produktmanager (PMs), sich die Fähigkeiten anzueignen, die erforderlich sind, um PMs in datenorientierten Rollen zu sein, beispielsweise bei der Entwicklung von Produkten, die künstliche Intelligenz nutzen“, sagt Karnowski.

Marco Casalaina, VP of Product bei Zwangsversteigerung Einstein arbeitet mit einem Team an der Erstellung eines Kurses in Ausgangspunkt (Salesforces Online-Lernplattform), um die Fähigkeiten traditioneller PMs zu erweitern und sie auf die vierte industrielle Revolution von KI und maschinellem Lernen vorzubereiten. „Wir müssen einen Geruchstest für unsere PMs entwickeln, um ihnen die Möglichkeit zu geben, schnell festzustellen, ob die Anwendung von maschinellem Lernen zur Lösung eines Geschäftsproblems machbar ist“, sagt Casalaina.

Ingenieurwissenschaften als Disziplin gibt es schon seit Tausenden von Jahren. Seine Wurzeln lassen sich auf die zurückführen Maschinenbau der Pyramiden Ägyptens, über den Bau von Militärmaschinen im 13. Jahrhundert bis hin zu den Anfängen des Maschinenbaus mit dem Aufkommen der Dampfmaschine im 19. Jahrhundert. Dies macht es zu einer ausgereiften und etablierten Disziplin.

Das Produktmanagement ist relativ neu, weniger als 100 Jahre alt und befindet sich daher noch in der Entwicklung. Ursprünglich war es für die Verwaltung von Marken gedacht (daher bekannt als: Markenmänner), als es sich zur Verwaltung von Produktionssystemen in der Fertigung entwickelte. Die Geburt der Softwaretechnologie hatte großen Einfluss auf deren Verlauf und brachte dann die Entwicklung agiler Methoden mit sich. Heute, da künstliche Intelligenz Software frisst, verändert sie still und leise die Rolle des Produktmanagements erneut.

Auch: 61 % der Unternehmen haben bereits KI implementiert TechRepublic

Es gibt eine Verschiebung. Die Zahl der KI-Produktmanager steigt.

Stellen Sie sich vor, Sie bauen ein neues Empfehlungssystem auf. Bei einem von einem Benutzer gekauften Produkt sollte dieses System ähnliche Produkte empfehlen. Traditionell arbeitete ein PM mit einem User Experience Designer zusammen und entwickelte die Benutzerinteraktion und -erfahrung (UI/UX). Spezifikation rund um das Layout, wann und wo die Empfehlungen angezeigt werden sollen, wie das Verhalten bei der Interaktion mit ihnen ist, usw. Dies kann auf andere Anwendungsfälle der Empfehlungsmaschine ausgeweitet werden, beispielsweise auf die Empfehlung von Freunden in sozialen Netzwerken Netzwerk, Verbindungen in einem beruflichen Netzwerk, Songs in einer Musik-App oder Jobkandidaten in einem Recruiting System. Ein modernes Empfehlungssystem verwendet jedoch KI, und diese Art von Produktspezifikationen sind für einen Ingenieur für maschinelles Lernen oder einen Datenwissenschaftler wertlos – sie benötigen Daten. Die von ihnen erstellten Systeme sind nicht codiert; sie werden unterrichtet.

Nehmen wir an, dieses Empfehlungssystem wäre dazu bestimmt, Stellenausschreibungen für Arbeitssuchende zu empfehlen und umgekehrt. Hier ein KI-Produktmanager muss Einzelheiten zu den Daten bereitstellen, über die Kunden verfügen werden. Welche Informationen haben Kunden über die Stellen und die Kandidaten? Der PM muss angeben, wie das System bei einem „Kaltstart“ funktioniert, wenn es einen brandneuen Kunden gibt, der noch nicht genügend Daten gesammelt hat, damit das System lernen kann. Und wie beurteilen Sie, dass die Empfehlungen tatsächlich gut sind? Hierbei handelt es sich um eine völlig neue Art von Produktspezifikationen, die es bis zum Beginn der KI noch nicht gab.

Zusätzlich zur Zusammenarbeit mit ihren traditionellen funktionsübergreifenden Stakeholdern (Design, Marketing, Vertrieb, Engineering, Dev Ops), KI-Produktmanager müssen jetzt Datenwissenschaftler und Dateningenieure in die integrieren Kreis. Hier sind die wichtigsten Bereiche, auf die sich ein KI-Produktmanager über die eines herkömmlichen PM hinaus konzentrieren muss:

Problemzuordnung

In letzter Zeit kommt es manchmal vor, dass PMs im Ansturm auf KI von der Vielzahl neuer Technologien fasziniert sind und es versäumen, sie konkreten Benutzerproblemen zuzuordnen. Für den KI-Produktmanager ist es wichtig, das Wertversprechen einer KI-gestützten Funktion zu artikulieren. Das bedeutet, dass ein KI-Produktmanager auf KI-Methoden zurückgreifen sollte ein Geschäftsproblem lösen erst nachdem durch sorgfältige Bewertung festgestellt wurde, dass herkömmliche Methoden wie Regel-Engines das Problem des Benutzers nicht ausreichend lösen.

Im Kundendienstbereich könnte das Geschäftsproblem beispielsweise darin bestehen, die Lösung von Kundendiensttickets zu beschleunigen. Ein häufiges Problem, das im Kundenservice zu langen Lösungszeiten führt, sind falsch kategorisierte Tickets: Je häufiger ein Ticket zwischen den Abteilungen hin- und herwechselt, desto länger dauert die Lösung.

Ein KI-Produktmanager sollte dieses Problem sorgfältig analysieren. Könnte es mit anderen Mitteln gelöst werden, die schneller und einfacher zu erstellen sind als KI? In diesem speziellen Beispiel verwenden Unternehmen seit langem Regel-Engines und Workflow-Systeme, um Fälle beim ersten Versuch korrekt zu kategorisieren, und dennoch besteht dieses Problem weiterhin. Die Regeln in diesen Engines sind häufig veraltet, und selbst wenn sie aktuell sind, sind sie häufig veraltet erfordern starre Eingaben, die nicht der Bandbreite der menschlichen Sprache entsprechen, die im Dienst häufig anzutreffen ist Tickets. Bei der Durchführung dieser Analyse könnte ein KI-Produktmanager eine Möglichkeit entdecken, künstliche Intelligenz einzusetzen Intelligenz, um ein System zur Kategorisierung dieser Tickets aufzubauen, indem aus zuvor erfolgreich gelösten Tickets gelernt wird Tickets. Dies ist ein gutes Beispiel dafür, wie ein KI-Produktmanager das übergeordnete Geschäftsproblem einer KI-Lösung zuordnet.

Auch: Top 5: Wie KI das Geschäft verändern wird TechRepublic

Datenkompetenz

Einer der wichtigsten Aspekte in der Entwicklung des KI-Produktmanagers ist der Bedarf an Datenkompetenz. Ein KI-Produktmanager muss die richtigen Fragen zu den Daten seiner Kunden verstehen, wenn er mit einer KI-Initiative erfolgreich sein will. Sind die relevanten Daten bei den Kunden leicht verfügbar? Gibt es genügend Daten und ist es die Art von Daten, aus denen KI lernen kann? Sind die Daten sauber oder verrauscht? Erfordert der Anwendungsfall eine Echtzeitlösung oder würde eine Batch-Lösung ausreichen? Gibt es in diesem Zusammenhang genügend frühere Beispiele oder Präzedenzfälle, die zum Unterrichten eines maschinellen Lernsystems verwendet werden können? Dies wird normalerweise als überwachtes Problem bezeichnet. Wenn es keine vorherigen Beispiele (auch Ergebnisse genannt) gibt, müsste die Maschine ohne jegliche Überwachung von Präzedenzfällen lernen. Dies ist als bekannt unbeaufsichtigtes Problem.

Beispielsweise wird eine allgemeine Bildvorhersagesoftware schlecht funktionieren, wenn sie Tumore anhand medizinischer Bilder erkennen muss, aber sie eignet sich gut für die Klassifizierung von Katzen und Hunden. Dies liegt daran, dass es nie anhand historischer Daten zu bestimmten Tumorarten und deren Folgen trainiert wurde (und daher auch nicht gelernt hat). Oft gibt es nicht einmal genügend historische Daten, aus denen man lernen könnte.

Diese völlig neue Dimension der Datenkompetenz fehlt in traditionellen PM-Rollen völlig.

Akzeptanzkriterien in der Welt der KI

Sobald ein KI-gestütztes Feature erstellt ist, müssen KI-Produktmanager die Kriterien definieren, um zu bestimmen, ob es bereit ist, Produktionskunden zu bedienen. Im traditionellen Produktmanagement könnten diese Kriterien die Vollständigkeit der Funktionen, die Anzahl offener Fehler sowie Passform und Verarbeitung umfassen. Aber im KI-Produktmanagement ist die KI-Genauigkeit die wichtigste Messgröße. Datenwissenschaftler verfügen über eine breite Palette an Metriken für maschinelles Lernen wie Lift, Präzision und Erinnerung. Abhängig vom Geschäftsziel muss ein KI-Produktmanager beurteilen, welches maschinelles Lernen eingesetzt werden soll Metriken müssen optimiert werden und an welchem ​​Punkt die KI ausreichend gut funktioniert, um die Probleme des Kunden zu lösen Problem. Dies wird dann der obersten Geschäftsmetrik zugeordnet, z. B. der Falllösungszeit oder der Steigerung der Vertriebs-Lead-Conversion.

Im Vertriebsbereich sind Vertriebsleiter beispielsweise daran interessiert, die Anzahl der eingehenden Leads zu erhöhen, die in Verkäufe umgewandelt werden. KI-basiertes Lead-Scoring kann für jeden eingehenden Lead eine Vorhersage darüber liefern, ob er wahrscheinlich in einen Verkauf umgewandelt wird oder nicht. Dies kann den Vertriebsmitarbeitern helfen, ihre Zeit auf die richtigen Leads zu konzentrieren. Der KI-Produktmanager muss daher einen Schwellenwert für die KI-Genauigkeit definieren, damit sein Einsatz die Konversionsrate der Vertriebsleads der Kunden zuverlässig steigert.

Auch: 10 Möglichkeiten, wie sich KI im Jahr 2018 auf das Unternehmen auswirken wird TechRepublic

Erklärfähigkeit, Ethik und Voreingenommenheit

„Warum hat diese KI gerade die Entscheidung getroffen, die sie getroffen hat?“ ist eine häufige Frage unter Benutzern, die KI nutzen. KI unterscheidet sich von herkömmlicher Software insofern, als die Ergebnisse nicht auf einer Reihe handcodierter Regeln basieren; Daher können sich die Entscheidungen, die es trifft, manchmal einer einfachen Erklärung entziehen. Darüber hinaus ändert sich das Verhalten der KI im Laufe der Zeit, wenn sie weiter lernt.

Der Schlüssel zur Förderung der Akzeptanz solcher Funktionen liegt darin, über die Erklärbarkeit nachzudenken und Mechanismen bereitzustellen, um KI-gestützte Funktionen transparenter zu machen. Ein KI-Produktmanager muss festlegen, wie sich seine Produkte den Benutzern erklären. Manchmal ist dies mit einem Kompromiss verbunden: Einige KI-Algorithmen sind besser erklärbar als andere. Bei Problemen in Bereichen mit hoher Regulierung, wie dem Gesundheitswesen, ist die Erklärbarkeit wichtiger als die Genauigkeit. Es obliegt dem KI-Produktmanager, die richtige Balance für den Anwendungsfall und die Branche zu finden, die er bedient.

KI-Produktmanager müssen auch Voreingenommenheit bewerten und die ethischen Auswirkungen KI-gestützter Anwendungen berücksichtigen. Sind die erhobenen Daten repräsentativ und vielfältig genug? Enthält der Datensatz Daten, die zu unerwünschten und unethischen Vorurteilen wie Rasse oder Geschlecht führen können? Dies ist keine einfache technische Entscheidung. Das Geschlecht kann beispielsweise bei medizinischen Diagnoseanwendungen ein entscheidendes Signal für KI sein, ist aber für die Vorhersage, welcher Stellenbewerber eher zu einer Stellenbeschreibung passt, wahrscheinlich irrelevant. Es liegt beim KI-Produktmanager, Entscheidungen darüber zu treffen, welche Daten für eine bestimmte Anwendung ethisch geeignet sind.

Skalierung von der Forschung zur Produktion

Die Eigenschaften einer in großem Maßstab bereitgestellten Produktions-KI-Anwendung unterscheiden sich stark von „Data-Science-Projekten“, die sich noch im Forschungsstadium befinden. Ingenieure, die KI-Anwendungen in die Produktion überführen, benötigen Spezifikationen darüber, wo sich die Daten voraussichtlich befinden. Wird es online in einer Cloud-Umgebung verfügbar sein? Oder auf viele mobile Geräte verteilt? Sie müssen verstehen, wie schnell die KI ihre Ausgabe ausgeben muss – KI-Ausgaben in Echtzeit können sowohl für die Ingenieure als auch für die Maschinen ressourcenintensiv sein. Es gibt zahlreiche weitere Überlegungen dazu, wie oft und wann Modelle für maschinelles Lernen neu trainiert werden und welche Metriken benötigt werden berechnet werden, um die kontinuierliche Leistung des Systems zu verstehen, welche Feature-Engineering erforderlich ist und vieles mehr mehr. In wissenschaftlichen Veröffentlichungen gibt es zahlreiche hochmoderne Methoden zur Lösung vieler häufiger KI-Probleme, aber nur sehr wenige davon lassen sich auf reale Anwendungen übertragen. Ein KI-PM muss ein feines Gespür dafür entwickeln, welche Probleme er mit der Vorausschau angehen muss und welche davon tatsächlich in die Produktion übergehen.

Auch: Es sind nicht die Arbeitsplätze, die KI zerstört, die mich stören, sondern die, die wachsen

Wenn Sie ein PM sind und dies lesen und Erfahrung im Erstellen von Web- und mobilen Anwendungen haben, sich aber noch nicht mit KI und ML beschäftigt haben (Machine-Learning-)Produkte, fragen Sie sich vielleicht: „Ich hatte noch nie mit so etwas zu tun gehabt!“ Genau das ist es Punkt.

Obwohl KI in letzter Zeit viel Rückenwind bekam, war KI bereits vor zwei Jahrzehnten im Bereich der Suche und des Anzeigen-Targetings vorherrschend. Einige von Ihnen, die an diesen frühen Produkten gearbeitet haben, die KI und ML nutzen, werden jetzt vielleicht lächeln. Da KI und ML Software fressen, müssen immer mehr PMs ihre Fähigkeiten verbessern, um diese Produkte zu verwalten Bereitstellung von Anforderungen und Spezifikationen, die einen Mehrwert für Data Engineering und Data Science bieten Mannschaften. Dies wird dazu führen, dass Kundenprobleme tatsächlich gelöst werden und nicht nur eine coole Technologiefunktion entwickelt wird.

---

Dieser Artikel wurde mitverfasst von Mayukh Bhaowal, Leiter Produktmanagement bei Salesforce Einstein, arbeitet am automatisierten maschinellen Lernen.

Bisherige und verwandte Berichterstattung:

Was ist KI? Alles, was Sie wissen müssen

Ein Leitfaden für Führungskräfte zur künstlichen Intelligenz, vom maschinellen Lernen und allgemeiner KI bis hin zu neuronalen Netzen.

Was ist Deep Learning? Alles, was Sie wissen müssen

Die Fakten zum Thema Deep Learning: von der Beziehung zum weiteren Bereich des maschinellen Lernens bis hin zu den ersten Schritten.

Was ist maschinelles Lernen? Alles, was Sie wissen müssen

Dieser Leitfaden erklärt, was maschinelles Lernen ist, wie es mit künstlicher Intelligenz zusammenhängt, wie es funktioniert und warum es wichtig ist.

Was ist Cloud Computing? Alles, was Sie wissen müssen

Eine Einführung in Cloud Computing von den Grundlagen bis hin zu IaaS und PaaS, Hybrid, Public und Private Cloud.

Ähnliche Beiträge:

• Es gibt keine einheitliche Rolle für KI oder Datenwissenschaft: Dies ist eine Teamleistung
• Das Startup Kindred bringt einen Hoffnungsschimmer für KI in der Robotik
• KI: Die Sicht des Chief Data Science Office
• Salesforce stellt Einstein Voice vor, einen KI-Sprachassistenten für Unternehmen