A medida que la Inteligencia Artificial se vuelve cada vez más popular, más empresas y equipos quieren comenzar a aprovecharla o aumentarla. Por eso, muchos puestos de trabajo están apareciendo o ganando importancia en el mercado. Un buen ejemplo es la figura del Product Manager de Machine Learning/Inteligencia Artificial.
En mi caso, pasé de un rol de científico de datos a un rol de gerente de productos de aprendizaje automático hace más de dos años. Durante este tiempo, he podido ver un aumento constante de ofertas de trabajo relacionadas con este puesto, publicaciones en blogs y charlas sobre el mismo, y muchas personas considerando una transición o ganando interés en ella. También he podido confirmar mi pasión por este puesto y lo mucho que disfruto de mi trabajo diario, mis responsabilidades y el valor que puedo aportar al equipo y a la empresa.
El papel del PM de IA/ML sigue siendo bastante vago y evoluciona casi tan rápido como la IA de última generación. Aunque muchos equipos de productos se están volviendo relativamente autónomos utilizando la IA gracias a las soluciones complementarias y las API GenAI, me centraré en el papel de los PM de IA/ML que trabajan en los equipos centrales de ML. Estos equipos generalmente están formados por científicos de datos, ingenieros de aprendizaje automático y científicos de investigación, y junto con otros roles están involucrados en soluciones donde GenAI a través de una API podría no ser suficiente (casos de uso de ML tradicional, necesidad de ajuste fino de LLM, información específica). casos de uso doméstico, productos de ML como servicio…). Para ver un ejemplo ilustrativo de dicho equipo, puedes consultar una de mis publicaciones anteriores. “Trabajar en un equipo multidisciplinar de Machine Learning para aportar valor a nuestros usuarios”.
En esta publicación de blog, cubriremos las principales habilidades y conocimientos que se necesitan para este puesto, cómo llegar allí y aprendizajes y consejos basados en lo que funcionó para mí en esta transición.
Hay muchas habilidades y conocimientos necesarios para tener éxito como PM de ML/AI, pero los más importantes se pueden dividir en 4 grupos: estrategia de producto, entrega de producto, influencia y fluidez tecnológica. Profundicemos en cada grupo para comprender mejor qué significa cada conjunto de habilidades y cómo adquirirlas.
Estrategia de producto
La estrategia de producto consiste en comprender a los usuarios y sus dificultades, identificar los problemas y oportunidades adecuados y priorizarlos basándose en evidencia cuantitativa y cualitativa.
Como ex científico de datos, para mí esto significó enamorarme del problema y del dolor que el usuario debe resolver y no tanto de la solución específica, y pensar en dónde podemos aportar más valor a nuestros usuarios en lugar de dónde aplicar esta nueva e interesante. Modelo de IA. He encontrado que es clave tener una comprensión clara de los OKR (Resultados clave objetivos) y preocuparse por el impacto final de las iniciativas (obtener resultados en lugar de productos).
Los gerentes de producto necesitan priorizar tareas e iniciativas, por lo que he aprendido la importancia de equilibrar el esfuerzo y la recompensa por cada iniciativa y garantizar que esto influya en las decisiones sobre qué y cómo crear soluciones (por ejemplo, considerar el triángulo de gestión de proyectos – alcance, calidad, tiempo). Las iniciativas tienen éxito si son capaces de abordar los cuatro grandes riesgos del producto: valor, usabilidad, viabilidad y viabilidad empresarial.
Los recursos más importantes que utilicé para aprender sobre estrategia de producto son:
- Gerente de producto bueno versus malode Ben Horowitz.
- El libro de referencia que todos me recomendaron y que ahora recomiendo a cualquier aspirante a primer ministro es “Inspirado: cómo crear productos tecnológicos que aman a los clientes”, de Marty Cagan.
- Otro libro y autor que me ayudó a acercarme al espacio del usuario y a los problemas de los usuarios es “Hábitos de descubrimiento continuo: descubra productos que creen valor para el cliente y valor comercial”, de Teresa Torres.
Entrega del producto
La entrega de productos se trata de poder gestionar la iniciativa de un equipo para ofrecer valor a los usuarios de manera eficiente.
Comencé por comprender las fases de las características del producto (descubrimiento, planificación, diseño, implementación, prueba, lanzamiento e iteraciones) y lo que cada una de ellas significaba para mí como científico de datos. Luego siguió con cómo se puede aportar valor. “eficientemente”: empezando poco a poco (hasta Productos mínimos viables y prototipos), entregando valor rápidamente mediante pequeños pasos e iteraciones. Para garantizar que las iniciativas avancen en la dirección correcta, también he descubierto que es clave medir continuamente el impacto (por ejemplo, a través de paneles) y aprender de datos cuantitativos y cualitativos, adaptando los próximos pasos con conocimientos y nuevos aprendizajes.
Para obtener información sobre la entrega de productos, recomendaría:
- Algunos de los recursos compartidos anteriormente (por ejemplo, el libro Inspired) también cubren la importancia del MVP, la creación de prototipos y la agilidad aplicada a la gestión de productos. También escribí una publicación de blog sobre cómo pensar en los MVP y los prototipos en el contexto de las iniciativas de ML: Cuando el aprendizaje automático se encuentra con el producto: a menudo, menos es más.
- Aprender sobre gestión ágil y de proyectos (por ejemplo, a través de este curso intensivo), y sobre Jira o la herramienta de gestión de proyectos utilizada por su empresa actual (con vídeos como este curso intensivo).
Influir
Influir es la capacidad de ganar confianza, alinearse con las partes interesadas y guiar al equipo.
En comparación con el rol del Data Scientist, el trabajo diario como PM cambia completamente: ya no se trata de codificar, sino de comunicar, alinear y (¡muchas!) reuniones. Una excelente comunicación y narración se vuelven clave para este rol, especialmente la capacidad de explicar temas complejos de ML a personas sin conocimientos técnicos. También resulta importante mantener informadas a las partes interesadas, dar visibilidad al arduo trabajo del equipo y garantizar la alineación y la compra de la dirección futura del equipo (demostrando cómo ayudará a abordar los mayores desafíos y oportunidades, ganando confianza). Por último, también es importante aprender a desafiar, decir no, actuar como paraguas para el equipo y, en ocasiones, ofrecer malos resultados o malas noticias.
Los recursos que recomendaría para este tema:
- La guía completa de mapeo de partes interesadasMiró
- Un libro de lectura obligada para cualquier científico de datos y también para cualquier gerente de producto de ML es “Contar historias con datos: una guía de visualización de datos para profesionales de negocios”, de Cole Nussbaumer Knaflic.
- Para obtener más información sobre cómo, como gerente de producto, puede influir y empoderar al equipo, “EMPODERADO: Gente común y corriente, productos extraordinarios”, de Marty Cagan y Chris Jones.
fluidez tecnológica
La fluidez tecnológica para un PM de ML / AI significa conocimiento y sensibilidad en Machine Learning, IA responsable, datos en general, MLOP e ingeniería back-end.
Su Ciencia de datos/aprendizaje automático / Inteligencia artificial La experiencia es probablemente su activo más fuerte, ¡asegúrese de aprovecharlo! Este conocimiento le permitirá hablar en el mismo idioma que los científicos de datos, comprender profundamente y desafiar los proyectos, tener sensibilidad sobre lo que es posible o fácil y lo que no, riesgos potenciales, dependencias, casos extremos y limitaciones.
Como vas a liderar productos con impacto en los usuarios, incluyendo IA responsable la conciencia se vuelve primordial. Los riesgos relacionados con no tener esto en cuenta incluyen dilemas éticos, reputación de la empresa y cuestiones legales (por ejemplo, leyes específicas de la UE como GDPR o AI Act). En mi caso comencé con el curso. Ética práctica de los datosde Fast.ai.
General fluidez de datos También es necesario (probablemente usted también lo tenga cubierto): pensamiento analítico, tener curiosidad por los datos, comprender dónde se almacenan los datos, cómo acceder a ellos, la importancia de los datos históricos… Además de eso, también es importante saber cómo medir el impacto. , la relación con las métricas de negocio y los OKR, y la experimentación (pruebas a/b).
Como probablemente sea necesario implementar sus modelos de aprendizaje automático para lograr un impacto final en los usuarios, puede trabajar con ingenieros de aprendizaje automático dentro del equipo (o DS capacitados con conocimientos de implementación de modelos). Necesitarás ganar sensibilidad sobre MLOP: qué significa poner un modelo en producción, monitorearlo y mantenerlo. En deeplearning.ai, puede encontrar un excelente curso sobre MLOP (Ingeniería de Aprendizaje Automático para la Especialización en Producción).
Finalmente, puede suceder que tu equipo también tenga Parte trasera Ingenieros (normalmente se ocupan de la integración del modelo implementado con el resto de la plataforma). En mi caso, este era el campo técnico que estaba más alejado de mi especialidad, por lo que tuve que invertir algo de tiempo en aprender y sensibilizarme sobre BE. En muchas empresas, la entrevista técnica para PM incluye algunas preguntas relacionadas con BE. Asegúrese de obtener una descripción general de varios temas de ingeniería, como: CICD, entornos de ensayo versus producción, arquitecturas Monolith versus MicroServices (y PRO y CONT de cada configuración), solicitudes de extracción, API, arquitecturas impulsadas por eventos….
Hemos cubierto las 4 áreas de conocimiento más importantes para un PM de ML/AI (estrategia de producto, entrega de producto, influencia y fluidez tecnológica), por qué son importantes y algunas ideas sobre recursos que pueden ayudarlo a lograrlas.
Al igual que en cualquier progreso profesional, encontré clave definir un plan y compartir mis deseos y expectativas a corto y mediano plazo con gerentes y colegas. Gracias a esto, pude hacer la transición a un puesto de PM en la misma empresa donde trabajaba como científico de datos. Esto hizo que la transición fuera mucho más fácil: ya conocía el negocio, el producto, la tecnología, las formas de trabajar, los compañeros… También busqué mentores y compañeros dentro de la empresa a quienes pudiera hacer preguntas, aprender temas específicos e incluso practicar para el PM. entrevistas.
Para prepararme para las entrevistas, me concentré en cambiar mi forma de pensar: desarrollar versus pensar si construir algo o no, si lanzar algo o no. Lo descubrí AUTOBÚS (Negocio, Usuario, Solución) es una excelente manera de estructurar las respuestas durante las entrevistas y hacer cumplir esta nueva mentalidad allí.
Lo que compartí en esta publicación de blog puede parecer mucho, pero en realidad es mucho más fácil que aprender Python o comprender cómo funciona la retropropagación. Si aún no estás seguro de si este rol es para ti o no, debes saber que siempre puedes intentarlo, experimentar y decidir volver a tu rol anterior. O tal vez, quién sabe, ¡terminas amando ser un PM de ML / AI como a mí!