Что такое Data/ AI Product Management и почему у компаниях сейчас такой спрос на это?
Всем хорошего дня!
Читая моё описание канала, а также часть постов, возможно, у некоторых формируется один вопрос: что такое Data/AI продакт менеджмент, и кому это нужно?
Давайте разберемся!
В отличие от «обычных» продакт менеджеров, Data/AI ПМ-ы фокусируются на разработке «data products». Data product — это сервис или приложение, которое фундаментально полагается на обработку данных и/или машинное обучение, чтобы решить определенную бизнес-проблему или облегчить принятие решений. Примеры таких «data products» могут включать, например, динамические дашборды для стейкхолдеров, приложения на базе больших языковых моделей (LLM) или статистических моделе. Data products отличаются от «обычных» софтверных продуктов с точки зрения разработки и требуют других специалистов для их создания и управления ими. Одним из таких специалистов является именно Data/AI ПМ. От Data/AI ПМ-ов требуется глубокое понимание сферы ИИ с техническим бэкграундом, а также глубокие знания в сфере бизнеса и монетизации.
➡️ Кому это нужно?
На самом деле, специалисты, которые умеют монетизировать ИИ, нужны абсолютно всем фирмам, которые строят продукты с использованием данных. Спрос на таких специалистов сейчас растет быстрее, чем на рядовых инженеров. На данный момент в LinkedIn в США больше открытых вакансий на AI Product Manager, чем на Data Engineer, Data Scientist или Data Analyst. Интеграция ИИ в продакт менеджмент и девелопмент — это не временное явление. Важно подчеркнуть, что сейчас происходит фундаментальный сдвиг в том, как строятся продукты. Есть огромная разница между обладанием данными или продвинутыми моделями и способностью их монетизировать. В конце 2023 года MIT Sloan Management Review выпустил статью про восходящую роль «коннекторов в Data Science» — роль, которая соединяет команды в бизнесе и ИИ, обеспечивая прибыль.
➡️ Почему именно сейчас?
При подробном взгляде становится понятно, что последние десятилетия полны провалами ИИ юз-кейсов, как у legacy, так и у AI-first компаний. Например John Deer решили выпустить полу-автономные тракторы с кучей сенсоров на базе AI. Но клиентам это было не нужно и мгновенно вспыхнул спрос на б/у тракторы без искуственного интеллекта.
Считается, что около 87% всех Data Science проектов не доходят до продакшена, а даже те, что доходят, слишком медленны и дороги. Долгое время в бизнесе это считалось ОК. Также понадобилось время, чтобы понять, что механизм, при котором DS команда сама ищет для бизнеса ценные возможности использования данных и ИИ, не работает. Об этом я тоже скоро напишу отдельный пост!
Но времена поменялись, технология созрела, и инвесторы требуют результатов — и требуют их быстро. Это, конечно, в частности связано с экономическими факторами: деньги уже не раздают так легко, как в «лихие времена» на протяжении 10 лет до 2021 года. Факторы, такие как повышенная инфляция, ужесточение монетарной политики и повышение процентных ставок, жестко поменяли инвестиционный климат среди инвесторов и акционеров. Теперь за пару слайдов с заглавными буквами «AI-powered» никто свои деньги не понесет — нужно показать рабочую монетизацию. Именно на этом фокусируется Data/AI Product Management.
Кому интересно погрузиться глубже в сферу, где бизнес и ИИ соединяются, скоро будет пост со списком книг, которые стоит прочитать, если хочется разобраться в Data Products.
#datapm #aipm
@ainastia
Всем хорошего дня!
Читая моё описание канала, а также часть постов, возможно, у некоторых формируется один вопрос: что такое Data/AI продакт менеджмент, и кому это нужно?
Давайте разберемся!
В отличие от «обычных» продакт менеджеров, Data/AI ПМ-ы фокусируются на разработке «data products». Data product — это сервис или приложение, которое фундаментально полагается на обработку данных и/или машинное обучение, чтобы решить определенную бизнес-проблему или облегчить принятие решений. Примеры таких «data products» могут включать, например, динамические дашборды для стейкхолдеров, приложения на базе больших языковых моделей (LLM) или статистических моделе. Data products отличаются от «обычных» софтверных продуктов с точки зрения разработки и требуют других специалистов для их создания и управления ими. Одним из таких специалистов является именно Data/AI ПМ. От Data/AI ПМ-ов требуется глубокое понимание сферы ИИ с техническим бэкграундом, а также глубокие знания в сфере бизнеса и монетизации.
На самом деле, специалисты, которые умеют монетизировать ИИ, нужны абсолютно всем фирмам, которые строят продукты с использованием данных. Спрос на таких специалистов сейчас растет быстрее, чем на рядовых инженеров. На данный момент в LinkedIn в США больше открытых вакансий на AI Product Manager, чем на Data Engineer, Data Scientist или Data Analyst. Интеграция ИИ в продакт менеджмент и девелопмент — это не временное явление. Важно подчеркнуть, что сейчас происходит фундаментальный сдвиг в том, как строятся продукты. Есть огромная разница между обладанием данными или продвинутыми моделями и способностью их монетизировать. В конце 2023 года MIT Sloan Management Review выпустил статью про восходящую роль «коннекторов в Data Science» — роль, которая соединяет команды в бизнесе и ИИ, обеспечивая прибыль.
При подробном взгляде становится понятно, что последние десятилетия полны провалами ИИ юз-кейсов, как у legacy, так и у AI-first компаний. Например John Deer решили выпустить полу-автономные тракторы с кучей сенсоров на базе AI. Но клиентам это было не нужно и мгновенно вспыхнул спрос на б/у тракторы без искуственного интеллекта.
Считается, что около 87% всех Data Science проектов не доходят до продакшена, а даже те, что доходят, слишком медленны и дороги. Долгое время в бизнесе это считалось ОК. Также понадобилось время, чтобы понять, что механизм, при котором DS команда сама ищет для бизнеса ценные возможности использования данных и ИИ, не работает. Об этом я тоже скоро напишу отдельный пост!
Но времена поменялись, технология созрела, и инвесторы требуют результатов — и требуют их быстро. Это, конечно, в частности связано с экономическими факторами: деньги уже не раздают так легко, как в «лихие времена» на протяжении 10 лет до 2021 года. Факторы, такие как повышенная инфляция, ужесточение монетарной политики и повышение процентных ставок, жестко поменяли инвестиционный климат среди инвесторов и акционеров. Теперь за пару слайдов с заглавными буквами «AI-powered» никто свои деньги не понесет — нужно показать рабочую монетизацию. Именно на этом фокусируется Data/AI Product Management.
#datapm #aipm
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Топ 11 книг для начинающих Data/AI продакт менеджеров
Как я уже писала в предыдущем посте, сфера Data/AI продакт менеджмента на данный момент очень востребована и состоит из четырех областей: данные/ИИ, юзер-дизайн, технологии (софт) и бизнес.
Чтобы уверенно общаться с техническими стейкхолдерами, понимать AI потенциал определенных индустрий, оценивать способы монетизации, а также строить продукты, которые действительно нужны пользователю, стоит хорошо разбираться во всем этом. Можно бесконечно глубоко погружаться в кроличью нору, но есть хорошие материалы, с которых можно начать и которые помогут вам освоить фундаментальные знания. Погнали!
➡️ Data/AI:
1. Fundamentals of Data Engineering: Plan and Build Robust Data Systems (Joe Reis & Matt Housley)
2. Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications (Chip Huyen)
3. Developing Apps with GPT-4 and ChatGPT (Olivier Caelen & Marie-Alice Blet)
➡️ Юзер-дизайн:
4. Inspired: How to Create Tech Products Customers Love (Marty Cagan)
5. Hooked: How to Build Habit-Forming Products (Nir Eyal)
6. Contagious: How to Build Word of Mouth in the Digital Age (Jonah Berger)
➡️ Технологии (ближе к Software Eng)
7. Building Microservices: Designing Fine-Grained Systems (Sam Newman)
8. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems (Martin Kleppmann)
➡️ Бизнес:
9. Your AI Survival Guide: Scraped Knees, Bruised Elbows, and Lessons Learned from Real-World AI Deployments (Sol Rashidi)
10. Swipe to Unlock: The Primer on Technology and Business Strategy (Mehta, Agashe, Detroja)
11. The Business Model Navigator: 55 Business Models Responsible for 90% of the World’s Most Successful Companies (Grassmann, Frankenberger, Csik)
На самом деле, я уже подготовила более подробные посты о том, почему вообще стоит читать именно эти книги и какие инсайты вы там получите. В ближайшее время буду ими делиться!
Стоит подчеркнуть, что этот список далеко не исчерпывающий, однако при безмерном количестве материала в интернете всегда нужно с чего-то начинать.
#книги #datapm #aipm
@ainastia
Как я уже писала в предыдущем посте, сфера Data/AI продакт менеджмента на данный момент очень востребована и состоит из четырех областей: данные/ИИ, юзер-дизайн, технологии (софт) и бизнес.
Чтобы уверенно общаться с техническими стейкхолдерами, понимать AI потенциал определенных индустрий, оценивать способы монетизации, а также строить продукты, которые действительно нужны пользователю, стоит хорошо разбираться во всем этом. Можно бесконечно глубоко погружаться в кроличью нору, но есть хорошие материалы, с которых можно начать и которые помогут вам освоить фундаментальные знания. Погнали!
1. Fundamentals of Data Engineering: Plan and Build Robust Data Systems (Joe Reis & Matt Housley)
2. Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications (Chip Huyen)
3. Developing Apps with GPT-4 and ChatGPT (Olivier Caelen & Marie-Alice Blet)
4. Inspired: How to Create Tech Products Customers Love (Marty Cagan)
5. Hooked: How to Build Habit-Forming Products (Nir Eyal)
6. Contagious: How to Build Word of Mouth in the Digital Age (Jonah Berger)
7. Building Microservices: Designing Fine-Grained Systems (Sam Newman)
8. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems (Martin Kleppmann)
9. Your AI Survival Guide: Scraped Knees, Bruised Elbows, and Lessons Learned from Real-World AI Deployments (Sol Rashidi)
10. Swipe to Unlock: The Primer on Technology and Business Strategy (Mehta, Agashe, Detroja)
11. The Business Model Navigator: 55 Business Models Responsible for 90% of the World’s Most Successful Companies (Grassmann, Frankenberger, Csik)
На самом деле, я уже подготовила более подробные посты о том, почему вообще стоит читать именно эти книги и какие инсайты вы там получите. В ближайшее время буду ими делиться!
Стоит подчеркнуть, что этот список далеко не исчерпывающий, однако при безмерном количестве материала в интернете всегда нужно с чего-то начинать.
#книги #datapm #aipm
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
С чего начать, если планируете внедрять ИИ в компании, и почему ключевой аспект здесь - Data/AI maturity? 📊
Давайте для начала решим вопрос: почему для компаний почти всех индустрий тема данных и ИИ сейчас так важны?
Технология прогрессирует всё быстрее и быстрее. Технологические трансформации приходят волнами, и несмотря на то, что в данный момент между каждой волной проходит 3-5 лет, это расстояние в будущем будет сильно сокращаться. Каждая волна предоставляет компаниям возможность выстроить конкурентное преимущество или рискнуть возможно невозвратно отстать от конкурентов. CEO Databricks, Али Годси, предсказал, что в долгосрочной перспективе (~10 лет) во всех индустриях лидеры с конкурентным преимуществом будут ориентированы на данные и AI. Считается, что Data/AI-driven компании способны увеличить доход на 15-25%.
[Как мы обсудим в одном из будущих постов, сами по себе данные и ИИ не являются гарантией успеха - есть определенные условия, от наличия которых зависит, принесет ли ваш проект на основе данных и ИИ прибыль или будет провалом!]
Зная, зачем нужна AI-трансформация, появляется следующий вопрос – с чего начать этот процесс? Первые шаги к AI-трансформации всегда должны быть следующими:
1️⃣ оценка Data/AI maturity (где компания сейчас?) и
2️⃣ формирование стратегических целей C-level лидеров (до куда компания хочет дойти?).
Каждый бизнес, продукт или проект проходят через разные стадии Data/AI зрелости. Это значит, что в начинающих уровнях данные собираются ещё не системно и без особой отдачи - но со временем через вклад инженеров инфраструктура и сбор данных становятся более «зрелыми» и обеспечивают более продвинутые ML модели.
Большинство legacy компаний в данный момент находятся на уровне 1 или уровне 2 (AI interest & experimentation), как подчеркивает статистика от Accenture на скриншоте. Кроме этого legacy компании часто сильно переоценивают количество и качество своих данных, а также возможности своей инфраструктуры. Большинство компаний сегодня вообще не в состоянии продвинуться дальше уровня 3 (AI частично в проде). [Как взяться за инфраструктуру и какие аспекты важны, чтобы обеспечить эффективные продукты на основе данных и ИИ, я буду освещать в отдельном посте.]
Суть модели Data/AI maturity заключается в оценке текущих способностей компании в области данных/ИИ и обозначении потенциального дальнейшего пути в процессе ИИ-трансформации.
При этом важно понимать, что далеко не каждая компания обязана проходить все стадии Data/AI зрелости. Фундаментально важно, чтобы руководство компании формулировало vision и конкретные бизнес-цели чтобы потом в коллаборации с техническими стратегами обеспечить связь между технологической цепью и бизнес-value. Этот элемент как раз часто не присутствует в многих компаниях и приводит к разочаровывающим результатам. Целевая Data/AI maturity всегда должна быть оправдана отдачей!
В ближайшем посте я поделюсь с вами оценкой, которая поможет вам оценить зрелость данных/ИИ в вашей компании - stay tuned!
Если компания решила продвигаться по оси Data/AI maturity и инвестировать в развитие ИИ на основе стратегических решений, инвесторы и руководство фирмы будут ожидать быстрых и постепенных результатов от инициативы. Это значит, что правление компании, которая условно в первом квартале проинвестировало в Data/AI проекты, требует быть в состоянии показывать отдачу уже во втором или третьем квартале. Таковы правила игры в нынешних реалиях.
Как обеспечить это и почему в прошлом около 87% Data Science проектов в компаниях были провалом, мы обсудим также скоро!
#datapm #aipm #strategy
@ainastia
Давайте для начала решим вопрос: почему для компаний почти всех индустрий тема данных и ИИ сейчас так важны?
Технология прогрессирует всё быстрее и быстрее. Технологические трансформации приходят волнами, и несмотря на то, что в данный момент между каждой волной проходит 3-5 лет, это расстояние в будущем будет сильно сокращаться. Каждая волна предоставляет компаниям возможность выстроить конкурентное преимущество или рискнуть возможно невозвратно отстать от конкурентов. CEO Databricks, Али Годси, предсказал, что в долгосрочной перспективе (~10 лет) во всех индустриях лидеры с конкурентным преимуществом будут ориентированы на данные и AI. Считается, что Data/AI-driven компании способны увеличить доход на 15-25%.
[Как мы обсудим в одном из будущих постов, сами по себе данные и ИИ не являются гарантией успеха - есть определенные условия, от наличия которых зависит, принесет ли ваш проект на основе данных и ИИ прибыль или будет провалом!]
Зная, зачем нужна AI-трансформация, появляется следующий вопрос – с чего начать этот процесс? Первые шаги к AI-трансформации всегда должны быть следующими:
Каждый бизнес, продукт или проект проходят через разные стадии Data/AI зрелости. Это значит, что в начинающих уровнях данные собираются ещё не системно и без особой отдачи - но со временем через вклад инженеров инфраструктура и сбор данных становятся более «зрелыми» и обеспечивают более продвинутые ML модели.
Большинство legacy компаний в данный момент находятся на уровне 1 или уровне 2 (AI interest & experimentation), как подчеркивает статистика от Accenture на скриншоте. Кроме этого legacy компании часто сильно переоценивают количество и качество своих данных, а также возможности своей инфраструктуры. Большинство компаний сегодня вообще не в состоянии продвинуться дальше уровня 3 (AI частично в проде). [Как взяться за инфраструктуру и какие аспекты важны, чтобы обеспечить эффективные продукты на основе данных и ИИ, я буду освещать в отдельном посте.]
Суть модели Data/AI maturity заключается в оценке текущих способностей компании в области данных/ИИ и обозначении потенциального дальнейшего пути в процессе ИИ-трансформации.
При этом важно понимать, что далеко не каждая компания обязана проходить все стадии Data/AI зрелости. Фундаментально важно, чтобы руководство компании формулировало vision и конкретные бизнес-цели чтобы потом в коллаборации с техническими стратегами обеспечить связь между технологической цепью и бизнес-value. Этот элемент как раз часто не присутствует в многих компаниях и приводит к разочаровывающим результатам. Целевая Data/AI maturity всегда должна быть оправдана отдачей!
В ближайшем посте я поделюсь с вами оценкой, которая поможет вам оценить зрелость данных/ИИ в вашей компании - stay tuned!
Если компания решила продвигаться по оси Data/AI maturity и инвестировать в развитие ИИ на основе стратегических решений, инвесторы и руководство фирмы будут ожидать быстрых и постепенных результатов от инициативы. Это значит, что правление компании, которая условно в первом квартале проинвестировало в Data/AI проекты, требует быть в состоянии показывать отдачу уже во втором или третьем квартале. Таковы правила игры в нынешних реалиях.
Как обеспечить это и почему в прошлом около 87% Data Science проектов в компаниях были провалом, мы обсудим также скоро!
#datapm #aipm #strategy
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Почему в прошлом 87% Data Science проектов не доходило до продакшена и как обеспечить ROI?
Всем привет! В прошлом посте мы уточнили, что data-инициативы должны строиться в соответствии с уровнем data maturity в компании. Также я уже упомянула важность и сложности быстрого и значительного ROI проектов, связанных с данными и ИИ (тут и тут). C-level лидеры последние 5+ лет активно инвестировали огромные деньги в развитие инфраструктуры данных и команд в сфере машинного обучения. При этом есть множество доказательств, что return получили не все проекты. Сегодня хочу поделиться с вами интересными мыслями о том, почему так много Data Science проектов проваливаются и как это исправить.
Что нужно сделать или изменить, чтобы избежать замкнутого круга неуспешных data проектов? Есть технические, а есть бизнесовые требования. Сегодня я хочу начать серию постов, которая раскроет бизнесовые компоненты и необходимые условия для успешных data проектов, которые генерируют отдачу. Самые важные компоненты:
*️⃣ Динамическая техническая стратегия
*️⃣ Continuous transformation через innovation mix,
*️⃣ Внедрение data-driven culture & literacy
*️⃣ Сollaborative opportunity discovery
Wait what? – Давайте по порядку!
▶️ Продолжение в следующим посте.
#datapm
@ainastia
Всем привет! В прошлом посте мы уточнили, что data-инициативы должны строиться в соответствии с уровнем data maturity в компании. Также я уже упомянула важность и сложности быстрого и значительного ROI проектов, связанных с данными и ИИ (тут и тут). C-level лидеры последние 5+ лет активно инвестировали огромные деньги в развитие инфраструктуры данных и команд в сфере машинного обучения. При этом есть множество доказательств, что return получили не все проекты. Сегодня хочу поделиться с вами интересными мыслями о том, почему так много Data Science проектов проваливаются и как это исправить.
Что нужно сделать или изменить, чтобы избежать замкнутого круга неуспешных data проектов? Есть технические, а есть бизнесовые требования. Сегодня я хочу начать серию постов, которая раскроет бизнесовые компоненты и необходимые условия для успешных data проектов, которые генерируют отдачу. Самые важные компоненты:
Wait what? – Давайте по порядку!
#datapm
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Начнем с Сollaborative opportunity discovery - что это такое?
Это процесс, с которого каждая data инициатива обязательно должна начинаться. В нем дата-специалисты совместно с C-level лидерами и обычными сотрудниками находят те юз-кейсы, где данные и AI могут решить значительную бизнес-проблему или предоставить компании возможность для роста.
В прошлом главная проблема была в том, что дата-сайентисты часто брались за проекты, которые на самом деле не особо нужны бизнесу. Не редко это происходило из-за shiny-object синдрома, который вспыхивает когда релизелась новая SOTA (state-of-the-art) модель и хочется с ней поэкспериментировать, независимо от того, подходит ли модель для решения важных бизнес-проблем или нет. Типа, выходит новая крутая модель, и все такие: "Ооо, давайте ее попробуем!" (Кто из ML-инженеров такое никогда не испытывал, тот пусть первый бросит в меня камень! 🥸).
Раньше opportunity discovery было (и до сих пор часто является) обязанностью только data команды. Но это неправильный подход, потому что эти команды чаще всего близки только к data science workflow, а для бизнеса и клиентов они часто как чужие. Особенно опасно, если специалисты этого не осознают – это происходит когда дата-специалисты собрали такое огромное количество данных, что сами начинают чувствовать себя экспертами в бизнесе. Частый результат – это так называемые инсайты от Капитана Очевидности, которые не имеют никакой бизнес-ценности, но добыча которых требовала большого количество времени. Общая картина получалась такой: ещё в 2020 году MIT Sloan Management Review и BCG сообщали, что, хоть 60% компаний и внедрили какую-то форму AI, только 10% достигли значительной финансовой отдачи.
Как правильно проводить opportunity discovery? Opportunity discovery состоит из двух частей: Top-down и Bottom-up.
Мы будем, конечно, продолжать эту серию.
Но чтобы не зацикливаться на одной и той же теме и время от времени «переключаться», в следующем посте я хочу открыть новую рубрику:
разбор AI-продуктов с обеих сторон - технической (какие модели и технологии используются) и бизнесовой (как это монетизируется, кто целевая аудитория и т.д.).
Думаю, будет очень интересно пообсуждать это вместе! До скорого!
#datapm #aipm
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Про нетерпеливость 🔥
Во многих компаниях руководство резко загорелось продвигать AI с момента запуска ChatGPT и стало требовать как можно быстрее создавать AI-продукты. Желательно ещё вчера, ведь «все делают GenAI, и мы тоже хотим!» Однако тушить такой энтузиазм особенно сложно, когда приходится объяснять, что, увы, всё не так уж просто. И что, к сожалению, попытки перескочить важные этапы на пути к цели ни к чему хорошему не приведут.
Я уже писала в одном из предыдущих постов, что процесс внедрения AI в любой компании должен начинаться с оценки data/AI maturity. Это уровень прогресса компании в использовании данных, развитии соответствующих юзкейсов и их интеграции в процессы организации. Каждой компании нужно индивидуально решать, до какого уровня стоит развиваться. Нет универсального решения, подходящего для всех!
После того как вы поняли, на каком уровне зрелости находится ваша компания и до какого уровня стоит развиваться, следующий шаг — работа над data architecture. Архитектура данных должна отражать текущие и будущие потребности, которые позволят реализовать юзкейсы и вписаться в долгосрочную стратегию компании. Здесь для начала нужно понять сам бизнес и его потребности для развития. Затем эти требования необходимо отобразить в технические requirements. Это включает, например, методы сбора, хранения и обработки данных, а также аспекты безопасности. Как всегда, нет единственного правильного решения — придется взвешивать cost-benefit каждой компоненты и функциональности. Например, вы хотите real-time везде? А реально везде оно вам нужно смотря на то что это обойдется вам дороже? Ценность для бизнеса оправдывает цену?
❗️ При решениях, не впадайте в shiny-objects-syndrome. Это когда чисто смотришь только на самые хайповые технологии - ведь круто же и state-of-the-art! С высокой вероятностью вы примете слишком дорогие решения, которые не соответствуют ценности для компании, а в data community хайп уже сменился на что-то другое. Никогда не ведитесь на хайп!
Все хотят AI, но компании часто слишком рано ныряют в этот пруд. Прежде чем вкладывать огромные ресурсы в AI, необходимо заложить надёжный фундамент. Это включает и не самые «sexy» темы, как data governance: обеспечение качественных данных, плавную интеграцию различных источников и понимание, какие данные где вообще находятся. Многие компании столкнулись с неудачами, начав проекты без этой основы.
Ещё на практике часто слишком рано нанимают Data Scientists для создания модных AI-решений. При этом данные разбросаны по всей инфраструктуре, нет стандартов, и их работа сводится к data engineering, используя большое количество «изоленты», чтобы хоть как-то реализовать юзкейсы на старых системах. В итоге ни ROI от юзкейса не оправдывает ожиданий, ни Data Scientist не удовлетворён своей работой.
▶️ Итог: попытка перескочить все этапы и якобы ускорить процесс создания AI-продуктов обеспечит вам прямое попадание в список провальных проектов с данными. Не ведитесь на этот путь. Всем успехов!
#datapm #aitransformation
@ainastia
Во многих компаниях руководство резко загорелось продвигать AI с момента запуска ChatGPT и стало требовать как можно быстрее создавать AI-продукты. Желательно ещё вчера, ведь «все делают GenAI, и мы тоже хотим!» Однако тушить такой энтузиазм особенно сложно, когда приходится объяснять, что, увы, всё не так уж просто. И что, к сожалению, попытки перескочить важные этапы на пути к цели ни к чему хорошему не приведут.
Я уже писала в одном из предыдущих постов, что процесс внедрения AI в любой компании должен начинаться с оценки data/AI maturity. Это уровень прогресса компании в использовании данных, развитии соответствующих юзкейсов и их интеграции в процессы организации. Каждой компании нужно индивидуально решать, до какого уровня стоит развиваться. Нет универсального решения, подходящего для всех!
После того как вы поняли, на каком уровне зрелости находится ваша компания и до какого уровня стоит развиваться, следующий шаг — работа над data architecture. Архитектура данных должна отражать текущие и будущие потребности, которые позволят реализовать юзкейсы и вписаться в долгосрочную стратегию компании. Здесь для начала нужно понять сам бизнес и его потребности для развития. Затем эти требования необходимо отобразить в технические requirements. Это включает, например, методы сбора, хранения и обработки данных, а также аспекты безопасности. Как всегда, нет единственного правильного решения — придется взвешивать cost-benefit каждой компоненты и функциональности. Например, вы хотите real-time везде? А реально везде оно вам нужно смотря на то что это обойдется вам дороже? Ценность для бизнеса оправдывает цену?
Все хотят AI, но компании часто слишком рано ныряют в этот пруд. Прежде чем вкладывать огромные ресурсы в AI, необходимо заложить надёжный фундамент. Это включает и не самые «sexy» темы, как data governance: обеспечение качественных данных, плавную интеграцию различных источников и понимание, какие данные где вообще находятся. Многие компании столкнулись с неудачами, начав проекты без этой основы.
Ещё на практике часто слишком рано нанимают Data Scientists для создания модных AI-решений. При этом данные разбросаны по всей инфраструктуре, нет стандартов, и их работа сводится к data engineering, используя большое количество «изоленты», чтобы хоть как-то реализовать юзкейсы на старых системах. В итоге ни ROI от юзкейса не оправдывает ожиданий, ни Data Scientist не удовлетворён своей работой.
#datapm #aitransformation
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM