Продакт-менеджерам, которые хотят развиваться как специалисты, нужно постоянно совершенствоваться. Можно научиться применять в работе машинное обучение — например, на онлайн-курсах. Это удобно, потому что вы сможете получить необходимые знания не выходя из дома.
Так какие же знания нужны менеджеру продукта, который решил научиться мяашинному обучению?
Машинное обучение и математика
Когда речь заходит о машинном обучении, многие думают, что это тесно связано с математикой. В обычном программировании вы прописываете каждый шаг работы программы. В машинном обучении вы создаёте алгоритм и загружаете в него набор данных с примерами, на которых алгоритм должен учиться.
Вам не нужно знать математические тонкости, чтобы работать с такими алгоритмами. Главное — понимать концепцию ошибок, так как алгоритмы пытаются минимизировать их количество. Существует также деление на контролируемое и неконтролируемое обучение.
Неконтролируемое обучение заключается в выявлении закономерностей. Примеры, которые «скармливаются» алгоритму, характеризуются тем, что «правильного» ответа не существует. Например, алгоритм анализирует, какие места пользователи туристического сервиса чаще всего посещали на этой неделе, а затем на основе этих данных выводит топ самых популярных мест.
Контролируемое обучение, напротив, имеет предсказуемый результат. Алгоритмы должны попытаться предсказать его. Простой пример — спам. Алгоритм берет в качестве примеров те письма, которые являются и не являются спамом. А когда вы получаете новое письмо, программа, основываясь на имеющихся примерах, должна понять, является это письмо спамом или нет.
Таким образом, вам нужно научиться понимать, какой метод обучения будет наиболее эффективен в конкретной ситуации.
Разновидности МО
Если ваш продукт призван помочь пользователям найти нужный результат при поиске, то это ранжирование. Предлагаете клиентам то, что им понравится, но при этом без активного поиска? Это рекомендательная система.
Если же пользователь ищет предмет по фотографии, это классификация. А если вам нужно предсказать стоимость какого-либо товара через определенный промежуток времени, то это регрессия.
Существует также кластеризация, которая помогает собрать похожие продукты или товары вместе. А если нужно найти, например, необычную активность, то тут вам поможет обнаружение аномалии.
А что же дальше?
Несмотря на то, что основная работа в создании продукта, в котором используется МО, лежит на технической группе (именно они будут заниматься разработкой, анализом, разработкой функций и проч.), менеджеру продукта не придётся сидеть без дела: нужно позаботиться ещё о некоторых моментах.
Решает ли machine learning необходимые задачи? Как продукт работает?
Вам нужно убедиться, что продукт соответствует требованиям и выполняет необходимые задачи, а не решает другие. К примеру, в 2006 году компания Netflix запустила конкурс с большим призовым фондом, суть которого была в разработке алгоритма, который мог бы предсказать рейтинг фильмов. Это было нужно для наиболее эффективной работы рекомендательной системы.
Однако, точное прогнозирование рейтинга было не так важно, а упор нужно было сделать на ранжирование с использованием сторонних источников данных. Алгоритм решал не ту проблему, которую должен был.
Кроме того, стоит протестировать продукт и посмотреть, как он работает. Если это рекомендательная система или обновляющийся плейлист, то стоит разобраться, как он обновляется, какие изменения происходят, отвечает ли продукт всем необходимым требованиям и правильно ли их выполняет.
А нужно ли МО?
Иногда можно обойтись без машинного обучения и создать полезный и хороший продукт, используя другие инструменты. Если получится решить задачу более простым способом, не прибегая к МО, то может так и нужно поступить? В противном случае вы рискуете своими силами и временем.
Однако есть ещё один фактор. Машинное обучение направлено на то, чтобы минимизировать количество ошибок, поэтому в продукте без подобной технологии устранять все баги придётся вручную.
Если же machine learning вам подходит, уделите внимание тому, какие же задачи должен решать продукт и как он должен работать. От этого напрямую зависит скорость работы.
Например, если вы разрабатываете сервис автоматической рассылки писем, то алгоритм будет простой и быстрый, потому что не нужно учитывать много параметров. Но если вам необходимо составить рейтинг ближайших мест в определенном радиусе от пользователя, здесь будет сложнее: придётся учитывать локацию, отзывы и другие требования. Следовательно, скорость работы будет ниже.
Если вы уже задумались, где научиться всем тонкостям работы с машинным обучением, то обратите внимание на наш курс по machine learning. Курс длится три месяца и позволяет полноценно погрузиться в новую сферу и понять её. Опытные преподаватели, удобная система онлайн-обучения и понятное объяснение материала — всё это поможет максимально быстро разобраться, как работает машинное обучение.
