¿En qué deberían centrarse los gerentes de productos de software que son nuevos en AI / Machine Learning? Los cursos en línea son extremadamente técnicos. ¿Es eso lo que se necesita?

Esta es una pregunta muy interesante y debo decir que me he enfrentado a este desafío en diferentes organizaciones que trabajan con líderes empresariales con respecto a los requisitos. He estado reflexionando sobre esto si hay cosas específicas que ayudarán a los PM a saber para que sean claras con sus definiciones de requisitos. Los cursos en línea o cualquier lugar donde no hay muchos recursos en mi humilde opinión.

Esto es lo que creo que los gerentes de producto (PM) pueden enfocarse

1. Estrategia de datos : esta es una pieza muy crítica e impulsa su producto que agrega un gran valor en términos de negocios.
1. Los PM deben pensar en diferentes puntos de datos que se pueden descargar, rastrear o comprar, o mediante datos abiertos o cualquier otro medio que agregue valor al producto. Esto ayudará a los científicos de datos o ingenieros a resolver los problemas.
2. Defina los atributos o variables importantes que definirán el producto, por ejemplo, en el sitio de comercio electrónico, será popularidad, primero el más nuevo, precio, etc.
2. UI: Otra pieza importante para informar a los ingenieros para resolver el problema.
1. Entrada y salida del problema de datos : solo presente una interfaz de usuario que pueda ayudar a los científicos de datos o al desarrollador a centrarse en cuál sería la entrada o salida del problema.
2. Trabajar con la gerencia sobre si esto ayudará al negocio y recibir comentarios para continuar con el enfoque.
3. Dominio del producto
1. Es muy importante saber en qué dominio del producto está trabajando, por ejemplo, finanzas, medicina, comercio electrónico. Saber esto es muy crítico y estudiar a diferentes competidores o trabajar en el área es imprescindible.
2. Los diferentes dominios se comportan de manera diferente en términos de soluciones, en general, el problema subyacente puede permanecer igual, pero hay ciertos matices que cambian la dirección del producto.
3. Si es un dominio como Medicina / Farmacia / Finanzas, etc., entonces debe necesitar la ayuda de expertos en el dominio.
4. Tecnologia y Herramientas
1. Una vez que haya entendido el dominio, el desafío clave es identificar las herramientas que lo ayudarán a lograr la solución para el producto.
2. Digamos, por ejemplo: si está construyendo un sitio de comercio electrónico, básicamente está construyendo un motor de recomendaciones, entonces la pila de tecnología de fondo sería Solr o Elastic Search, Spark, Python, HDFS, AWS, Base de datos como Cassandra para hacer búsquedas o series de tiempo problema En el frente de la interfaz de usuario general, será Spring, Java o Angular JS.
3. El general sabe cómo son las pilas, dónde y cuándo usar lo que será útil.
5. Algoritmos
1. Nuevamente, dependiendo del dominio del producto, por ejemplo, el motor de recomendación, sabrá qué características se requieren, como corrección ortográfica, agrupación de nombres de productos, categorización de clientes en diferentes categorías, los clientes que compraron esto también compraron este tipo de características.
2. Una vez que se conocen estas características, un científico de datos puede ayudarlo a comprender qué podría resolverse utilizando qué algoritmos. Estos no son como el tipo de algoritmos de Clasificación y pueden comportarse de manera diferente bajo diferentes conjuntos de datos. El científico de datos puede ayudarlo a saber cuál podría usarse primero y, de manera iterativa, ayudarlo a resolver el problema de manera continua.
3. En una vista de alto nivel, es posible que solo desee saber que hay problemas de agrupación, problemas de clasificación, problemas de pronóstico, recomendaciones basadas en el usuario, recomendaciones basadas en elementos, extracción de relaciones, relaciones de entidades nombradas, etiquetado de roles semánticos, etc., sin siquiera saber los detalles de Los algoritmos. Solo tiene que saber que este tipo de cosas existen y que podrían aprovecharse bajo ciertas circunstancias. El aporte de los científicos de datos es crítico aquí y creo que los científicos de datos pueden ser mejores gerentes de productos en términos de productos de datos.

Estas son las cosas que ayudarán de acuerdo a mí, si alguien tiene mejores ideas, por favor comparta o corríjame.

• ¿Cuál es su visión de cómo la clase media de los EE. UU. Puede hacer frente al auge de la robótica, la automatización, etc.?
• ¿Se puede dividir un modelo de regresión logística multinomial en modelos de regresión logística binarios separados?
• ¿Cuál es una buena manera de entender esta optimización mediante el uso de un multiplicador lagrangiano?
• Si pudieras elegir cinco miembros perfectos para un equipo de desarrollo de aprendizaje automático y en la nube, ¿qué habilidades requerirías que tuvieran?
• ¿Cuáles son algunos proyectos de investigación interesantes relacionados con el aprendizaje automático?

Espero que esto ayude.