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: Новые запросы рынка: в чем необходимость и ценность Data Science-продактов Профессия: AI продакт-менеджер Движущие факторы искусственного интеллекта Нехватка лидерства в ИИ-решениях Data Science-инструменты для создания механизмов рекомендаций 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: Введение: AI в бизнесе. Бизнес-цели в эпоху ИИ AI ноу-хау для менеджеров по продукту Факап-сессия "Примеры неудачного внедрения AI-решений" 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: Архитектура AI-систем Возможные перспективы продуктового использования AI/ML 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: Работа с данными Работа с датасетами: Big Data, модели и выбор фичей Работа с датасетами: построение моделей Воркшоп: собираем датасеты, создаем модель с Google Auto ML Data в UX: как улучшать CX/UX, принимая решения на данных 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: