Представление концепций продуктов для данных и машинного обучения заинтересованным сторонам и руководству
Все любят данные. Все любят говорить, как будто понимают данные. Всем нравится использовать модные словечки машинного обучения и искусственного интеллекта, но часто они просто говорят, надеясь, что используют их в правильном контексте, но при этом обычно просто бросают их в открытую. Что, конечно, тоже важно. Вот как вы продаете свой продукт. Так можно показать, что их компания является лидером в своей области, что у них есть выдающиеся способности и, конечно же, что они лучшие в том, что они делают.
По ходу дела я понял, что научиться делиться и объяснять «историю данных» - это тяжелая работа.
В рамках моей предыдущей должности менеджера по продуктам данных и машинного обучения одной из моих задач была ежеквартальная презентация глобального председателя, который также был нашим основным инвестором. Эти презентации было особенно сложно создать для всех менеджеров по продвижению в компании, поскольку мы прыгали от концепций высокого уровня и плановых планов на квартал к конкретным функциям, которые будут представлены в ближайшие недели. С одной стороны, мы попытаемся объяснить нашу повседневную структуру, а с другой стороны, представить ее последовательно, объясняя, как она вписывается в общую картину и бизнес-стратегию компании. Несмотря на то, что презентация повторялась регулярно, я считаю, что идеи, полученные в ходе их подготовки, могут быть актуальны для любого из нас при презентации инвесторам и заинтересованным сторонам, когда они не всегда знают технологию, но имеют общее представление о продукте.
Так что в дополнение к этим сложностям, как единственный менеджер по Data ML в компании, я чувствовал, что моя задача по представлению была еще более сложной.
И почему так?
Хорошие функции данных невидимы. Они тривиальны как для постороннего, так и для пользователя. Единственный раз, когда пользователь действительно увидит алгоритм, - это когда что-то не так, когда что-то не так и пользователь получает неверный вывод. Но проблема не только в этом. Мир данных не очень хорошо объясняется с помощью приятного пользовательского интерфейса, который помогает заинтересованным сторонам лучше понять, о чем вы говорите. Там много-много текста, кода и, конечно же, множество диаграмм и диаграмм. В мире B2C преобразование этой информации во что-то, что может объяснить более широкую картину, а также показать визуальное воздействие, является довольно сложной задачей. Как вы можете показать, над чем работаете, когда представляете группе, которая видит только верхушку айсберга?
Вот как я решил решить эту проблему.
Одним из первых вещей, которые я сделал, было немного нестандартно для наших презентаций. Вместо того, чтобы сразу приступить к делу, я решил добавить расширенные пояснения в одну из своих первых презентаций. Идея заключалась в том, чтобы подробно описать процесс и основы машинного обучения, а также то, как наша команда реализует эти алгоритмы.
Для последующих презентаций я бы начал с небольшого обзора, проделав тот же процесс и объяснив, на каких областях мы будем сосредоточивать внимание во время данной презентации.
Я думаю, что эта концепция актуальна даже для разовых презентаций, выстраивая структуру, которая делает всю презентацию более связной и понятной.
Это один из постов, который я нашел актуальным и помог мне создать структуру и обзор для моих презентаций: https://hackernoon.com/the-ai-hierarchy-of-needs-18f111fcc007
Отзывы, полученные мной по поводу этих нескольких руководящих слайдов (то есть структуры презентации), были удивительно положительными. Люди, наконец, смогли понять структуру наших данных, возможности, которыми мы обладаем как часть нашей платформы, и, наконец, что не менее важно, процесс создания новых способностей - как мы определяем гипотезы для новых функций и алгоритмов, а затем перейти к расстановке приоритетов, тестированию и внедрению.
В конечном итоге я обнаружил, что эти слайды с инструкциями помогли мне не только в этих презентациях председателю, но и в других, требующих объяснения работы наших команд.
Помимо этих руководящих слайдов, я создавал новые презентации, используя следующие дополнительные рекомендации, которые помогли мне сосредоточиться на текущей задаче:
1- Не влюбляйтесь в свой математический дизайн
Данные обычно отображаются в виде блок-схем, схем, таблиц и т. Д., Но всегда (по крайней мере, должен быть) функция, ожидающая в очереди, чтобы использовать эту новую возможность. Это мы и хотим продемонстрировать. Что дает бизнесу ценность? Что приносит пользу нашим клиентам? В мире B2C мы показываем визуальные компоненты пользовательского интерфейса. Конечно, это может быть не единственный алгоритм, заполняющий компонент / функцию пользовательского интерфейса. Но при демонстрации в контексте это может быть объяснено как часть того же потока, объясняя, почему каждая часть исходной диаграммы необходима.
2 - Объясните с точки зрения пользователя
Помните, что каждая таблица данных или логика должны включать функцию, которая, в свою очередь, позволяет пользователю лучше конвертировать. Не всегда это понятно при объяснении внутреннего алгоритма функции. Однако, если мы сосредоточимся на объяснении воздействия на пользователя, это может быть ключом к созданию конкретных слайдов - или даже всей презентации, чтобы понять наши заинтересованные стороны.
3 - Использование наглядных диаграмм (и как можно меньше текста)
Невозможно уйти от объяснения нового удивительного алгоритма машинного обучения, над которым вы работаете, и того, как работает система, - но даже они должны быть представлены в визуальной форме. Помните, что эти слайды - те, которые заинтересованные стороны, вероятно, собираются показать всем своим друзьям, хвастаясь тем, что у них «лучший ИИ» - поэтому у них должны быть правильные модные словечки, но не быть слишком сложными. Вы не хотите терять их, пока они чувствуют, что должны читать каждое слово, в каждом квадрате, на каждой диаграмме.
4 - Данные, данные, данные
Мы объяснили процесс и показали его в виде диаграмм и блок-схем. Но поскольку работа с данными - это большая часть нашей работы, она также должна быть частью нашей презентации. Доступность качественных данных - ключевой компонент создания ценности. Вот почему «затраты» и инвестиции в эти области велики, но, тем не менее, имеют решающее значение. К сожалению, иногда это не очевидно для всех, поскольку такие презентации представляют собой упущенные возможности привлечь всех к участию.
Подводя итог, пока ML не станет мировым (и этот день наступит :)), пока не станет очевидным, что мы настолько атомизированы и оптимизированы, насколько это возможно, описывая данные, ML а элементы ИИ останутся сложными. Таким образом, PM для Data ML остаются критически важными для общей картины. Они предоставляют возможность полностью понимать и анализировать потребности пользователей, определять функции и алгоритмы данных более низкого уровня, а также «переводить» и упрощать, чтобы собрать всю команду на одной странице.
