Профессия AI Product Manager

16 участников

О чём курс

О чём курс

Читатель освоит профессию специалиста по управлению продуктами на базе Data Science и искусственного интеллекта и пройдет полный цикл их создания: от формирования бизнес-стратегии и оценки экономической выгоды до практического взаимодействия с инженерами и вывода на рынок.

Что внутри

Обучение разделено на четыре ключевых тематических блока:

  • Введение в профессию: специфика рынка Data Science, ключевые драйверы развития сферы и особенности лидерства в проектах на базе искусственного интеллекта.
  • Управление разработкой: методики экономической оценки, правила постановки технических заданий, разбор типичных ошибок внедрения и управление ML-командой.
  • Инструментарий: архитектура решений, практическое применение технологий компьютерного зрения и обработки естественного языка, а также использование сервисов AIaaS (Amazon AWS ML, Google Cloud AI, IBM Watson).
  • Работа с данными: подготовка датасетов, прототипирование с помощью Google AutoML, выбор фичей, обеспечение безопасности и работа с метриками качества моделей.

Приобретаемые навыки

В процессе обучения слушатели осваивают прикладные компетенции, необходимые AI продакт-менеджеру:

  • Формулирование задач для Data Science-команд и выстраивание Data Driven-управления в компании.
  • Разработка архитектуры систем машинного обучения, включая чат-боты, рекомендательные системы и визуальные классификаторы.
  • Оценка качества моделей и рисков смещения данных, а также расчет экономической эффективности внедряемых технологий.

Программа обучения

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
Складчина создана 28 марта 2021 г.

Запишитесь бесплатно — цена упадёт для всех

У автора этот материал стоит 51 000 ₽. В складчине сумму делят на всех: чем больше участников, тем меньше взнос каждого.

  1. 1 Оставляете email

    Без оплаты и без карты. Пришлём, как занять место в складчине на нашем основном сайте.

  2. 2 Складчина набирает людей

    Сейчас 16 участников и взнос 3 754 ₽. Ещё 45 человек — и он опустится до 990 ₽.

  3. 3 Открывается сбор

    Присылаем итоговую цену. Устроит — платите и получаете материалы. Нет — просто не платите.

  • 15 016 ₽ 4 уч.
  • 7 508 ₽ 8 уч.
  • 3 754 ₽ 16 уч. сейчас
  • 990 ₽ 61 уч. цель

Запись ни к чему не обязывает: платите, только если итоговый взнос вас устроит.

Теги курса

Другие материалы школы 12

Skillfactory Все материалы
990 ₽ Записаться бесплатно