Профессия AI Product Manager [Skillfactory]

Складчина: Профессия AI Product Manager [Skillfactory]

Если вы тоже хотите запустить проект-легенду, выделиться на рынке труда, стать инновационным лидером в новой нише — присоединяйтесь! Сегодня ИИ-технологии востребованы как никогда, растет и значимость навыков управления этими продуктами, в том числе и на международном рынке.


После курса вы научитесь управлять созданием продуктов с применением AI/DS-инструментов и коммуницировать с командой разработчиков.
Карьерный рост и новые возможности не заставят себя ждать!

Раздел 1.
Введение в профессию менеджера Al-продукта


Программа состоит из модулей:

1. Новые запросы рынка: в чем необходимость и ценность Data Science-продактов
2. Профессия: AI продакт-менеджер
3. Движущие факторы искусственного интеллекта
4. Нехватка лидерства в ИИ-решениях
5. Data Science-инструменты для создания механизмов рекомендаций
6. AI-решения и бизнес

Вы научитесь:

• Определять задачи для Data Science-продактов
• Осознавать тренды Data Driven-управления
• Определять необходимость и выгоду внедрения AI-решений
• Разрабатывать стратегию по внедрению AI/ML решений
• Определять возможности DS-инструментов в выполнении реальных бизнес-задач

Для того, чтобы:

• Понимать принципы Data Science-управления в AI/ML-продуктах
• Помогать бизнесу заработать на внедрении технологии
• Эффективно строить процесс разработки и коммуникации в команде
• Понимать необходимость AI/ML в том или ином случае
• Ориентироваться в реальных бизнес-задачах

Раздел 2.
Управление продуктом на базе AI/ML разработки


Программа состоит из модулей:

1. Введение: AI в бизнесе. Бизнес-цели в эпоху ИИ
2. AI ноу-хау для менеджеров по продукту
3. Факап-сессия "Примеры неудачного внедрения AI-решений"
4. Управление командой ML/AI-специалистов: чеклист внедрения ML/AI-задач и лучшие практики управления AI/ML-командой

Вы научитесь:

• Разрабатывать экономические обоснования и стратегию по внедрению ИИ
• Разбираться в терминологии AI и подходах машинного обучения
• Разрабатывать стратегию данных в AI
• Использовать ML-фреймворки в управлении DS-продуктом
• Разбираться в общих технологических аспектах Data Science based-решений (AI/ML)
• Разбираться в особенностях коммуникации с AI-командой
• Ставить технические задания для ML-команды
• Разбираться в кейсах DS-продуктов
• Понимать, где AI/ML-решения нужны, а где их внедрять не стоит

Для того, чтобы:

• Оптимизировать экономику продукта, основанного на данных
• Разговаривать с разработчиками и заказчиками на одном языке
• Составлять план по введению технологии для бизнеса
• Раскрывать существующие решения, изучая и внедряя лучшие практики

Раздел 3.
AI-инструментарий


Программа состоит из модулей:

1. Архитектура AI-систем
2. Возможные перспективы продуктового использования AI/ML
3. Воркшоп: "Разработка и управление DS-продукта для FinTech"

Вы научитесь:

• Различать области применения различных ML, включая классификаторы и регрессоры
• Различать возможности естественного языка: обработка голоса/речи и компьютерное зрение
• Строить архитектуру систем машинного обучения для цифрового channel chatbot, механизма переговоров и визуального классификатора
• Использовать ML-фреймворки в управлении DS-продуктом
• Уметь внедрять AI в производственной деятельности и сервисном бизнесе
• Пользоваться технологиями AIaaS — Amazon AWS Machine Learning, Google Cloud AI, IBM Watson

Для того, чтобы:

• Уметь составить прототип для оперативных валидаций гипотез
• Четко описывать требования к архитектуре
• Понять прикладное использование возможностей NLP, CV
• Ориентироваться в популярных AI-решениях и основных поставщиках услуг
• Рассчитывать эффективность и необходимость использования Amazon AWS ML, Google CloudAI, IBM Watson в продуктовых бизнес-задачах

Раздел 4.
Данные и управление Data Science-решениями


Программа состоит из модулей:

1. Работа с данными
2. Работа с датасетами: Big Data, модели и выбор фичей
3. Работа с датасетами: построение моделей
4. Воркшоп: собираем датасеты, создаем модель с Google Auto ML
5. Data в UX: как улучшать CX/UX, принимая решения на данных
6. Data Science-инструменты как средство рекомендаций, а не предсказаний

Вы научитесь:

• Понимать требования к инфраструктуре искусственного интеллекта и способы преодоления общих препятствий при ее внедрении
• Оценивать готовность данных к реализации конкретных возможностей ML/ИИ в бизнес-контексте и использовать это для оценки целесообразности вариантов использования
• Выбирать DS-модели
• Работать с Google Auto ML: собирать, размечать и проверять данные
• Измерять воздействия и усовершенствование моделей с учетом данных
• Избегать нежелательного смещения, обеспечивать безопасность и соответствие нормативным требованиям, масштабировать продукт
• Разбираться с моделью AUR-ROC

Для того, чтобы:

• Эффективно ставить задачи DS-специалистам и ML-инженерам
• Разрабатывать общую архитектуру дата-флоу
• Оценивать экономический эффект для бизнеса
• Повышать качество данных, на основе которых принимаются решения
• Повышать качество предиктивных и NLP/Chatbot-решений
• Улучшать коммуникацию и взаимодействие с техническими командами
• Понимать специфику “начинки” продукта
• Ставить команде качественные технические задания

Источник: Скрытая ссылка