Zarządzanie produktami AI staje się zatem kluczową kompetencją dla managerów działających w branży IT, właścicieli startupów i przedsiębiorczych innowatorów. Jak jednak zarządzanie produktem AI różni się od zarządzania w innych sferach biznesu? Co charakteryzuje produkt wykorzystujący sztuczną inteligencję i jego cykl życia?
Produkty AI wymagają ciągłego rozwoju i dostosowania, co różni je od tradycyjnych rozwiązań technologicznych.
- AI, sztuczna inteligencja — ogólna nazwa określająca zdolność maszyn do wykonywania zadań naśladujących działanie ludzkiego rozumu i kreatywności, na przykład rozpoznawanie obrazów, rozumienie języka pisanego oraz mówionego, czy podejmowanie decyzji na podstawie dostępnych danych,
- ML, uczenie maszynowe — poddziedzina AI obejmująca procesy, w których maszyny uczą się z danych i doświadczenia, jak lepiej wykonywać zadania. Wyjątkowość produktów bazujących na rozwiązaniach z dziedziny uczenia maszynowego (Machine Learning, ML) wynika z tego, że nie są one zaprogramowane z góry, lecz są wyposażone w możliwości uczenia się i adaptacji. W branżach takich jak opieka zdrowotna, AI przyczynia się do bardziej precyzyjnej diagnostyki, podczas gdy w finansach umożliwia bardziej zaawansowaną analizę ryzyka,
- GenAI, generatywna sztuczna inteligencja — nowa dziedzina ML obejmująca systemy, które potrafią tworzyć nowe treści, takie jak teksty, obrazy, wideo, modele 3D czy muzykę, na podstawie własnej inwencji lub celu określonego przez użytkownika oraz danych wejściowych, takich jak słowa kluczowe, zapytania, czyli prompty, lub szkice czy zdjęcia.
Planowanie produktu AI — od pomysłu do realizacji
Planowanie produktu AI wymaga na wstępie zadania sobie kluczowego pytania: Czy ten produkt naprawdę zyska, gdy dodamy do niego możliwości, jakie daje sztuczna inteligencja?
Wdrażanie produktu AI jest ryzykowne i kosztowne, w związku z czym dobrze zacząć od zdefiniowania problemu, który ma zostać rozwiązany przez implementację AI, a następnie spróbować rozwiązać go w optymalny sposób. Być może posługując się w tym celu burzą mózgów z ChatemGPT lub Google Bard, które mogą zaskakująco trafnie doradzić optymalną ścieżkę rozwoju produktu — niekoniecznie opartą na AI.
Jeśli jednak zdecydujemy się na dodanie sztucznej inteligencji do oferty firmy, musimy uwzględnić specyfikę cyklu życia projektu AI. Z danych Gartnera wynika bowiem, że jedynie 54% projektów AI przechodzi od fazy pilotażowej do produkcji.
Jest to często związane z bardzo obiecującymi prototypami, które można tworzyć za pomocą dostępnych dziś narzędzi AI. Bardzo trudno jest natomiast uzyskać „produkcyjną jakość” oraz wymaganą przez interesariuszy powtarzalność i trafność rezultatów.
Cykl życia produktu AI różni się jednak od innych nie tylko tym, że nieco rzadziej wychodzi poza fazę koncepcyjną. Tam, gdzie cykl życia tradycyjnych produktów zmierza ku stopniowemu spadkowi zainteresowania po osiągnięciu szczytu sprzedaży, w produktach AI występuje tak zwany „efekt flywheel”. Jest to zjawisko, w którym produkt oparty na uczeniu maszynowym poprawia się wraz z jego użytkowaniem i zbieraniem nowych danych od użytkowników. Im lepszy jest produkt, tym więcej użytkowników go wybiera, co z kolei generuje więcej danych do ulepszania algorytmu. Efekt ten tworzy pętlę sprzężenia zwrotnego, która umożliwia ciągłe doskonalenie i skalowanie rozwiązań opartych na AI.
Źródło: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Dzięki temu są to produkty o odnawiającym się cyklu życia. Innymi słowy, efekt flywheel w AI oznacza, że ciągłe ulepszenia prowadzą do stopniowej poprawy wydajności produktu. Przykładowo:
- iteracyjny trening modeli AI — na przykład, model do prognozowania sprzedaży może wymagać wielokrotnie ponawianego treningu, aby osiągnąć optymalną dokładność, jednak staje się z czasem coraz doskonalszy,
- zarządzanie backlogiem danych — w przypadku aplikacji do personalizacji treści, priorytetem może być gromadzenie i analiza danych użytkowników, co stopniowo będzie prowadziło do coraz trafniejszych wyników.
Podsumowując, zarządzanie projektami AI wymaga elastyczności i gotowości do ciągłego ulepszania. Dlatego menedżerowie projektów AI muszą być przygotowani na zmieniające się wymagania i ciągłe dostosowywanie strategii. Sprawdź również, czy AI w procesie tworzenia produktu to zawsze dobry pomysł i przeczytaj ten artykuł.
Rozumienie danych i ich roli w tworzeniu produktu AI
Rola danych w tworzeniu produktu AI jest kluczowa. McKinsey szacuje, że generatywne modele AI mogą przynieść korzyści ekonomiczne w wysokości do 4,4 biliona dolarów rocznie. Jednak sięgnięcie po kawałek tego tortu wymaga zarządzania danymi wysokiej jakości.
Przykładowo, aby system rekomendacji produktów w e-commerce działał dobrze, jakość danych dotyczących zachowań klientów jest kluczowa. Potrzebna będzie nie tylko odpowiednia ilość danych, ale także ich właściwa segmentacja i aktualizacja, a co najważniejsze, umiejętne wyciąganie wniosków ze zbieranych informacji.
Przy tworzeniu opartego na danych produktu AI równie ważne jest zachowanie bezstronności w danych. Na przykład w algorytmach AI stosowanych w rekrutacji czy ubezpieczeniach, ważne jest, aby dane nie zawierały ukrytych uprzedzeń — ze względu na płeć czy miejsce zamieszkania, które mogłyby prowadzić do dyskryminacji.
Warto podkreślić, że odpowiednie zarządzanie danymi wymaga nie tylko technicznej wiedzy, ale również świadomości ich wpływu na wyniki działania produktów AI.
Najczęściej spotykane problemy przy zarządzaniu produktami bazującymi na AI
Zarządzanie produktami AI wiąże się z wyzwaniami, które wymagają specyficznych umiejętności i świadomości etycznej. Wśród najważniejszych problemów warto wymienić:
- rozwój umiejętności w zakresie AI — przykładowo, menedżer produktu w branży AI musi zrozumieć podstawy uczenia maszynowego, aby skutecznie współpracować z zespołem technicznym,
- bieżąca orientacja w wymogach prawnych — regulacje dotyczące produktów AI dopiero powstają, w związku z czym trzeba orientować się w ich kształcie, aby na bieżąco dopasowywać politykę firmy i regulamin korzystania z produktu AI,
- integracja AI z istniejącymi systemami — włączenie zaawansowanej sztucznej inteligencji do istniejących systemów IT może stanowić wyzwanie technologiczne i organizacyjne,
- skalowanie rozwiązań AI — w przypadku start-upów technologicznych, rozwijanie prototypu AI do pełnoskalowego produktu wymaga zasobów, czasu i specjalistycznej wiedzy, co może stanowić problem także ze względu na stosunkowo małą podaż i duże zapotrzebowanie na specjalistów,
- utrzymanie zaangażowania użytkowników — dla aplikacji wykorzystującej AI do personalizacji treści, ciągłe dostosowywanie się do zmieniających preferencji użytkowników jest kluczowe dla utrzymania ich zaangażowania,
- adresowanie etycznych dylematów — na przykład w aplikacji AI do monitorowania zdrowia, priorytetem jest zachowanie prywatności i bezpieczeństwo danych użytkowników.
Podsumowując, skuteczne zarządzanie produktami AI wymaga nie tylko wiedzy technicznej, ale również etycznej wrażliwości i zdolności do przewidywania potencjalnych problemów.