С чего начать, если планируете внедрять ИИ в компании, и почему ключевой аспект здесь - Data/AI maturity? 📊
Давайте для начала решим вопрос: почему для компаний почти всех индустрий тема данных и ИИ сейчас так важны?
Технология прогрессирует всё быстрее и быстрее. Технологические трансформации приходят волнами, и несмотря на то, что в данный момент между каждой волной проходит 3-5 лет, это расстояние в будущем будет сильно сокращаться. Каждая волна предоставляет компаниям возможность выстроить конкурентное преимущество или рискнуть возможно невозвратно отстать от конкурентов. CEO Databricks, Али Годси, предсказал, что в долгосрочной перспективе (~10 лет) во всех индустриях лидеры с конкурентным преимуществом будут ориентированы на данные и AI. Считается, что Data/AI-driven компании способны увеличить доход на 15-25%.
[Как мы обсудим в одном из будущих постов, сами по себе данные и ИИ не являются гарантией успеха - есть определенные условия, от наличия которых зависит, принесет ли ваш проект на основе данных и ИИ прибыль или будет провалом!]
Зная, зачем нужна AI-трансформация, появляется следующий вопрос – с чего начать этот процесс? Первые шаги к AI-трансформации всегда должны быть следующими:
1️⃣ оценка Data/AI maturity (где компания сейчас?) и
2️⃣ формирование стратегических целей C-level лидеров (до куда компания хочет дойти?).
Каждый бизнес, продукт или проект проходят через разные стадии Data/AI зрелости. Это значит, что в начинающих уровнях данные собираются ещё не системно и без особой отдачи - но со временем через вклад инженеров инфраструктура и сбор данных становятся более «зрелыми» и обеспечивают более продвинутые ML модели.
Большинство legacy компаний в данный момент находятся на уровне 1 или уровне 2 (AI interest & experimentation), как подчеркивает статистика от Accenture на скриншоте. Кроме этого legacy компании часто сильно переоценивают количество и качество своих данных, а также возможности своей инфраструктуры. Большинство компаний сегодня вообще не в состоянии продвинуться дальше уровня 3 (AI частично в проде). [Как взяться за инфраструктуру и какие аспекты важны, чтобы обеспечить эффективные продукты на основе данных и ИИ, я буду освещать в отдельном посте.]
Суть модели Data/AI maturity заключается в оценке текущих способностей компании в области данных/ИИ и обозначении потенциального дальнейшего пути в процессе ИИ-трансформации.
При этом важно понимать, что далеко не каждая компания обязана проходить все стадии Data/AI зрелости. Фундаментально важно, чтобы руководство компании формулировало vision и конкретные бизнес-цели чтобы потом в коллаборации с техническими стратегами обеспечить связь между технологической цепью и бизнес-value. Этот элемент как раз часто не присутствует в многих компаниях и приводит к разочаровывающим результатам. Целевая Data/AI maturity всегда должна быть оправдана отдачей!
В ближайшем посте я поделюсь с вами оценкой, которая поможет вам оценить зрелость данных/ИИ в вашей компании - stay tuned!
Если компания решила продвигаться по оси Data/AI maturity и инвестировать в развитие ИИ на основе стратегических решений, инвесторы и руководство фирмы будут ожидать быстрых и постепенных результатов от инициативы. Это значит, что правление компании, которая условно в первом квартале проинвестировало в Data/AI проекты, требует быть в состоянии показывать отдачу уже во втором или третьем квартале. Таковы правила игры в нынешних реалиях.
Как обеспечить это и почему в прошлом около 87% Data Science проектов в компаниях были провалом, мы обсудим также скоро!
#datapm #aipm #strategy
@ainastia
Давайте для начала решим вопрос: почему для компаний почти всех индустрий тема данных и ИИ сейчас так важны?
Технология прогрессирует всё быстрее и быстрее. Технологические трансформации приходят волнами, и несмотря на то, что в данный момент между каждой волной проходит 3-5 лет, это расстояние в будущем будет сильно сокращаться. Каждая волна предоставляет компаниям возможность выстроить конкурентное преимущество или рискнуть возможно невозвратно отстать от конкурентов. CEO Databricks, Али Годси, предсказал, что в долгосрочной перспективе (~10 лет) во всех индустриях лидеры с конкурентным преимуществом будут ориентированы на данные и AI. Считается, что Data/AI-driven компании способны увеличить доход на 15-25%.
[Как мы обсудим в одном из будущих постов, сами по себе данные и ИИ не являются гарантией успеха - есть определенные условия, от наличия которых зависит, принесет ли ваш проект на основе данных и ИИ прибыль или будет провалом!]
Зная, зачем нужна AI-трансформация, появляется следующий вопрос – с чего начать этот процесс? Первые шаги к AI-трансформации всегда должны быть следующими:
Каждый бизнес, продукт или проект проходят через разные стадии Data/AI зрелости. Это значит, что в начинающих уровнях данные собираются ещё не системно и без особой отдачи - но со временем через вклад инженеров инфраструктура и сбор данных становятся более «зрелыми» и обеспечивают более продвинутые ML модели.
Большинство legacy компаний в данный момент находятся на уровне 1 или уровне 2 (AI interest & experimentation), как подчеркивает статистика от Accenture на скриншоте. Кроме этого legacy компании часто сильно переоценивают количество и качество своих данных, а также возможности своей инфраструктуры. Большинство компаний сегодня вообще не в состоянии продвинуться дальше уровня 3 (AI частично в проде). [Как взяться за инфраструктуру и какие аспекты важны, чтобы обеспечить эффективные продукты на основе данных и ИИ, я буду освещать в отдельном посте.]
Суть модели Data/AI maturity заключается в оценке текущих способностей компании в области данных/ИИ и обозначении потенциального дальнейшего пути в процессе ИИ-трансформации.
При этом важно понимать, что далеко не каждая компания обязана проходить все стадии Data/AI зрелости. Фундаментально важно, чтобы руководство компании формулировало vision и конкретные бизнес-цели чтобы потом в коллаборации с техническими стратегами обеспечить связь между технологической цепью и бизнес-value. Этот элемент как раз часто не присутствует в многих компаниях и приводит к разочаровывающим результатам. Целевая Data/AI maturity всегда должна быть оправдана отдачей!
В ближайшем посте я поделюсь с вами оценкой, которая поможет вам оценить зрелость данных/ИИ в вашей компании - stay tuned!
Если компания решила продвигаться по оси Data/AI maturity и инвестировать в развитие ИИ на основе стратегических решений, инвесторы и руководство фирмы будут ожидать быстрых и постепенных результатов от инициативы. Это значит, что правление компании, которая условно в первом квартале проинвестировало в Data/AI проекты, требует быть в состоянии показывать отдачу уже во втором или третьем квартале. Таковы правила игры в нынешних реалиях.
Как обеспечить это и почему в прошлом около 87% Data Science проектов в компаниях были провалом, мы обсудим также скоро!
#datapm #aipm #strategy
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Почему в прошлом 87% Data Science проектов не доходило до продакшена и как обеспечить ROI?
Всем привет! В прошлом посте мы уточнили, что data-инициативы должны строиться в соответствии с уровнем data maturity в компании. Также я уже упомянула важность и сложности быстрого и значительного ROI проектов, связанных с данными и ИИ (тут и тут). C-level лидеры последние 5+ лет активно инвестировали огромные деньги в развитие инфраструктуры данных и команд в сфере машинного обучения. При этом есть множество доказательств, что return получили не все проекты. Сегодня хочу поделиться с вами интересными мыслями о том, почему так много Data Science проектов проваливаются и как это исправить.
Что нужно сделать или изменить, чтобы избежать замкнутого круга неуспешных data проектов? Есть технические, а есть бизнесовые требования. Сегодня я хочу начать серию постов, которая раскроет бизнесовые компоненты и необходимые условия для успешных data проектов, которые генерируют отдачу. Самые важные компоненты:
*️⃣ Динамическая техническая стратегия
*️⃣ Continuous transformation через innovation mix,
*️⃣ Внедрение data-driven culture & literacy
*️⃣ Сollaborative opportunity discovery
Wait what? – Давайте по порядку!
▶️ Продолжение в следующим посте.
#datapm
@ainastia
Всем привет! В прошлом посте мы уточнили, что data-инициативы должны строиться в соответствии с уровнем data maturity в компании. Также я уже упомянула важность и сложности быстрого и значительного ROI проектов, связанных с данными и ИИ (тут и тут). C-level лидеры последние 5+ лет активно инвестировали огромные деньги в развитие инфраструктуры данных и команд в сфере машинного обучения. При этом есть множество доказательств, что return получили не все проекты. Сегодня хочу поделиться с вами интересными мыслями о том, почему так много Data Science проектов проваливаются и как это исправить.
Что нужно сделать или изменить, чтобы избежать замкнутого круга неуспешных data проектов? Есть технические, а есть бизнесовые требования. Сегодня я хочу начать серию постов, которая раскроет бизнесовые компоненты и необходимые условия для успешных data проектов, которые генерируют отдачу. Самые важные компоненты:
Wait what? – Давайте по порядку!
#datapm
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Начнем с Сollaborative opportunity discovery - что это такое?
Это процесс, с которого каждая data инициатива обязательно должна начинаться. В нем дата-специалисты совместно с C-level лидерами и обычными сотрудниками находят те юз-кейсы, где данные и AI могут решить значительную бизнес-проблему или предоставить компании возможность для роста.
В прошлом главная проблема была в том, что дата-сайентисты часто брались за проекты, которые на самом деле не особо нужны бизнесу. Не редко это происходило из-за shiny-object синдрома, который вспыхивает когда релизелась новая SOTA (state-of-the-art) модель и хочется с ней поэкспериментировать, независимо от того, подходит ли модель для решения важных бизнес-проблем или нет. Типа, выходит новая крутая модель, и все такие: "Ооо, давайте ее попробуем!" (Кто из ML-инженеров такое никогда не испытывал, тот пусть первый бросит в меня камень! 🥸).
Раньше opportunity discovery было (и до сих пор часто является) обязанностью только data команды. Но это неправильный подход, потому что эти команды чаще всего близки только к data science workflow, а для бизнеса и клиентов они часто как чужие. Особенно опасно, если специалисты этого не осознают – это происходит когда дата-специалисты собрали такое огромное количество данных, что сами начинают чувствовать себя экспертами в бизнесе. Частый результат – это так называемые инсайты от Капитана Очевидности, которые не имеют никакой бизнес-ценности, но добыча которых требовала большого количество времени. Общая картина получалась такой: ещё в 2020 году MIT Sloan Management Review и BCG сообщали, что, хоть 60% компаний и внедрили какую-то форму AI, только 10% достигли значительной финансовой отдачи.
Как правильно проводить opportunity discovery? Opportunity discovery состоит из двух частей: Top-down и Bottom-up.
Мы будем, конечно, продолжать эту серию.
Но чтобы не зацикливаться на одной и той же теме и время от времени «переключаться», в следующем посте я хочу открыть новую рубрику:
разбор AI-продуктов с обеих сторон - технической (какие модели и технологии используются) и бизнесовой (как это монетизируется, кто целевая аудитория и т.д.).
Думаю, будет очень интересно пообсуждать это вместе! До скорого!
#datapm #aipm
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Всем привет из отпуска! 🔆
Отпуск у меня часто, как и у многих предпринимателей, полурабочий — но передышка всё равно была нужна.
⚡️ На этой неделе я уже вернусь к вам с новыми постами, так что не теряйте! Будем обсуждать AI-продукты с технической и с бизнес-стороны, новые книги и актуальные примеры внедрения ИИ в различные компании и сферы.
А пока ловите мем, на который я наткнулась.
Примерная ситуация:
Data scientist: "Что думаете по поводу XGBoost 2?"
Leadership: "Никогда не слышал о такой LLM-ке"
🥸😭🥸
Подчеркиваю: Далеко не каждая проблема решается GenAI!
Сталкивались ли вы с похожей ситуацией? Делитесь в комментариях!
@ainastia
Отпуск у меня часто, как и у многих предпринимателей, полурабочий — но передышка всё равно была нужна.
А пока ловите мем, на который я наткнулась.
Примерная ситуация:
Data scientist: "Что думаете по поводу XGBoost 2?"
Leadership: "Никогда не слышал о такой LLM-ке"
🥸😭🥸
Подчеркиваю: Далеко не каждая проблема решается GenAI!
Сталкивались ли вы с похожей ситуацией? Делитесь в комментариях!
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Всем привет!
Наконец-то возвращаюсь к вам с кучей новых постов. Пропала я, потому что за кулисами продвигалось много интересного, и надеюсь, что уже на следующей неделе смогу поделиться с вами первой крупной новостью, связанной с фирмой CTS Eventim, в которой я веду масштабный проект! Так что ждите снова регулярные посты!
Сегодня я вылетаю из Цюриха в Берлин, чтобы пойти на конференцию. У Data & AI продакт-менеджера жизнь, конечно, не сладкая) — помимо различных обязанностей, нужно всегда держать руку на пульсе SOTA Data & AI продвижений а также best practices из сферы продакта и общаться с разными специалистами и максимально обмениваться опытом.
Поэтому я в течение следующих 1,5 месяцев посещу 4 конференции, на которые буду брать вас тоже с собой и делиться своими инсайтами с точки зрения Data & AI products. На какие конференции я поеду?
▶️ Women+ in Data & AI — Берлин, 27.09. — Конференция, где все спикеры — женщины, но конфа, конечно, открыта для всех. Тут будут доклады на темы «GenAI in production», «Where the AI revolution meets healthcare» и «Designing Personalized User Experiences with AI». Среди спикеров будут ML инженеры из Гугла, Рисерч Сайнтисты из DeepL и предприниматели. А вечером после докладов будет Techno Night — это же Берлин!
▶️ AI+X Summit — Цюрих, 3.–4.10. — Это самая большая AI-конференция в Швейцарии и флагманский ивент ETH AI центра. ETH в Цюрихе входит в топ-10 университетов мира в области IT. Темы треков включают «Open Source LLM», «Systems for cost-efficient AI» и «AI in Finance», а выступать будут лидеры в AI из NVIDIA, Meta, DeepMind, ETH и TUM.
▶️ dotAI — Париж, 16.–17.10. — Париж давно уже является хабом для AI-исследований и продуктов, здесь были основаны такие компании, как Mistral AI и HuggingFace. Чем меня привлекла эта конференция? Тут будут выступать топовые специалисты из тех самых Mistral AI, HuggingFace и OpenAI и обсуждать такие темы, как «LLM reasoning and agentic capabilities over time», «Multimodal Language Models» и «Building with OpenAI — what’s ahead?».
▶️ Product Management Festival + Tech Leadership Summit — Цюрих, 6.–7.11. — Это ведущая конференция для продакт-менеджеров, которую создал бывший руководитель из Google, и поэтому там тоже будет много специалистов из BigTech. В этом году впервые одновременно будут проходить две программы — PMF с фокусом на продакт-менеджмент и TLS с фокусом на инженерное руководство. Темы докладов включают «How to compete with OpenAI and Google?», «Elevating data units into business drivers» и «How to align/adapt companies in the AI era?».
Конечно, это будут тоже отличные возможности для расширения нетворка и знакомства с топовыми специалистами. В общем, я в предвкушении!
Если вдруг каким-то чудом кто-то из вас будет на одном из этих ивентов, буду очень рада встретиться на кофе и пообщаться!
До скорого!
#саморазвитие #conference #personal
@ainastia
Наконец-то возвращаюсь к вам с кучей новых постов. Пропала я, потому что за кулисами продвигалось много интересного, и надеюсь, что уже на следующей неделе смогу поделиться с вами первой крупной новостью, связанной с фирмой CTS Eventim, в которой я веду масштабный проект! Так что ждите снова регулярные посты!
Сегодня я вылетаю из Цюриха в Берлин, чтобы пойти на конференцию. У Data & AI продакт-менеджера жизнь, конечно, не сладкая) — помимо различных обязанностей, нужно всегда держать руку на пульсе SOTA Data & AI продвижений а также best practices из сферы продакта и общаться с разными специалистами и максимально обмениваться опытом.
Поэтому я в течение следующих 1,5 месяцев посещу 4 конференции, на которые буду брать вас тоже с собой и делиться своими инсайтами с точки зрения Data & AI products. На какие конференции я поеду?
Конечно, это будут тоже отличные возможности для расширения нетворка и знакомства с топовыми специалистами. В общем, я в предвкушении!
Если вдруг каким-то чудом кто-то из вас будет на одном из этих ивентов, буду очень рада встретиться на кофе и пообщаться!
До скорого!
#саморазвитие #conference #personal
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Всем привет, возвращаюсь к рутине!
Две недели назад я была в Париже на конференции dotAI. Париж за последние годы стал важным хабом в области AI. Сильные университеты, крупные технологические компании, а также государственные инвестиции в сфере AI и предпринимательства укрепили позиции Парижа и создали динамичную экосистему стартапов, где можно встретить такие имена, как MistralAI, Hugging Face и многие другие.
Следить за всеми новостями в сфере AI стало как никогда сложно — отвлёкся на минуту, и уже не в курсе событий! О том, как я слежу за прогрессом, я ещё расскажу, но качественные конференции точно отличный способ держать руку на пульсе. Что я увидела на dotAI и что было релевантно с продуктовой точки зрения?
▶️ OpenAI провели live demo своего нового Realtime API, который добавит вашим продуктам мультимодальные функции с очень низкой задержкой — это значит, что общаться голосом и запрашивать, например, изображения можно будет намного быстрее. Почему? Раньше разработчикам приходилось комбинировать несколько моделей для создания приложений на основе языка — транскрибировать аудиоданные, выполнять текстовое распознавание, а затем генерировать ответ с помощью синтеза речи. Этот процесс был медленным и часто приводил к неестественным взаимодействиям, так как зачастую терялись эмоции, акценты или интонации. Теперь разработчикам больше не нужно соединять несколько моделей для создания естественных разговорных взаимодействий — достаточно одного вызова API! Realtime API использует как текстовые токены, так и аудиотокены. Наверняка кто-то уже хочет спросить: ну и сколько это стоит? Как мы знаем, стоимость LLM API зависит от количества входных и выходных токенов. Токены — это слова или части слов, и в среднем 100 токенов соответствуют ~75 словам на английском языке. Входные текстовые токены оцениваются у Realtime API в $5 за 1M, а выходные — в $20 за 1M токенов. Аудиовход стоит $100 за 1M токенов, а вывод — $200 за 1M токенов. Это эквивалентно примерно $0.06 за минуту аудиовхода и $0.24 за минуту аудиовыхода. Realtime API позволяет создавать новое поколение продуктов, которые изначально построены в мультимодальном формате. Короче: круто!
▶️ О чём ещё говорили на конференции? В целом, неудивительно, что большой акцент был сделан на LLM. Потенциал мощности моделей уже давно ясен, но остаётся множество аспектов, которые только начинают раскрываться для широкой аудитории. Например, как контролировать output LLM, что чрезвычайно важно для обеспечения точности, надёжности и полезности сгенерированного контента. Доклад делала CEO и Co-Founder TitanML, стартапа, который в конце прошлого года привлёк 2.8 миллиона долларов на pre-seed и стремится оптимизировать и упростить процесс развёртывания LLM. Ещё один важный аспект для AI-продуктов будущего — это AI on Edge, то есть on-device, что обеспечивает ещё более низкую задержку, а также улучшает конфиденциальность данных. Исследователь из MistralAI представил две новые модели Ministral 3B и 8B а также подробно рассказал о технических деталях. Именно этим меня и привлекла конференция — аудитория в основном из технарей и доклады обходятся без bullshit bingo.
Было ещё много других докладов, конференция длилась два дня. Но ещё раз я скорее всего не поехала бы снова оффлайн участвовать. Доклады качественные, но есть также онлайн-билет, а организация, особенно довольно агрессивный сотрудники Security, были так себе. Точно есть другие оффлайн-конференции, которые я могу порекомендовать больше!
#conference #dataproduct
@ainastia
Две недели назад я была в Париже на конференции dotAI. Париж за последние годы стал важным хабом в области AI. Сильные университеты, крупные технологические компании, а также государственные инвестиции в сфере AI и предпринимательства укрепили позиции Парижа и создали динамичную экосистему стартапов, где можно встретить такие имена, как MistralAI, Hugging Face и многие другие.
Следить за всеми новостями в сфере AI стало как никогда сложно — отвлёкся на минуту, и уже не в курсе событий! О том, как я слежу за прогрессом, я ещё расскажу, но качественные конференции точно отличный способ держать руку на пульсе. Что я увидела на dotAI и что было релевантно с продуктовой точки зрения?
Было ещё много других докладов, конференция длилась два дня. Но ещё раз я скорее всего не поехала бы снова оффлайн участвовать. Доклады качественные, но есть также онлайн-билет, а организация, особенно довольно агрессивный сотрудники Security, были так себе. Точно есть другие оффлайн-конференции, которые я могу порекомендовать больше!
#conference #dataproduct
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Почему имхо Ex-McKinsey ничего не забыли на С-level в тех компаниях
Я нередко вижу, как бывшие сотрудники, зачастую партнеры, из MBB (McKinsey, Bain, BCG) продолжают свою карьеру на C-level позициях в компаниях, которые они ранее сами и консультировали. Когда это касается технологических компаний и таких позиций, как CEO, COO, а тем более CTO, я невольно жмурюсь. Недавно CEO одной из компаний, в которой я занимаюсь AI-трансформацией, решил назначить на должность CTO будущего Ex-McK — у которого при этом нет технического бэкграунда. Для меня это чаще всего тревожный сигнал.
Недавно Марк Цукерберг заявил в подкасте “Acquired”, что компания не может называться технологической, если у её руководства нет технических навыков. Цукерберг сказал: «If your CEO and board of directors isn’t technical and you only have one dude as, let’s say, Head of Engineering, who is technical — if that’s your team, then you’re not a tech company!» Я полностью согласна с этим — при этом, конечно, не обязательно, чтобы все были технарями. Но C-level определяет долгосрочное направление компании, принимает важные решения и формирует её культуру.
Какую систему принятия решений и культуру приносят бывшие сотрудники McKinsey и других консалтинговых компаний? В классических стратегических консалтинговых фирмах существует культура окончательного решения (final decision making) — ложное ощущение выбора единственно правильного решения, зачастую просто того, у кого более высокий титул, а потом чисто поездка по маршруту. Как мыслят инженеры и специалисты по данным? Мы формулируем гипотезу, задаём baseline, а затем постоянно переоцениваем и оптимизируем, меняем направление при получении новой значимой информации и не боимся изменить курс (evolutionary decision making).
Ещё зачастую McKinsey и другие консалтинговые компании сосредоточены на оптимизации стоимости для акционеров (shareholder value). Инновациями там, особенно в зрелых компаниях, даже и не пахнет. Вы, возможно, знали, что Сундар Пичаи, CEO Google и Alphabet, до прихода в Google на должность продукт-менеджера, работал в McKinsey. Не буду утверждать, что именно это причина того, где сейчас находится Google по сравнению с другими компаниями из Big Tech, но фокус на оптимизации shareholder value и бюрократия создают большие препятствия для талантов, которые безусловно есть в компании в огромном количестве. Инновации всегда являются риском, но компании не могут позволить себе их не продвигать — это утопия в долгосрочной перспективе, особенно в наше время.
Так почему же Ex-McKinsey и других бывших сотрудников консалтинговых компаний так часто берут на эти должности? Помимо того, что у партнеров, в особенности, действительно нереальный нетворк, я, к сожалению, нередко слышу, что для руководства от legacy компаний легче контролировать этих людей, чем, скажем, Ex-FAANG. По сути нечего добавить. 🥸
Какой у вас опыт по этому поводу и как вы смотрите на этот вопрос?
#моемнение #техлидершип
@ainastia
Я нередко вижу, как бывшие сотрудники, зачастую партнеры, из MBB (McKinsey, Bain, BCG) продолжают свою карьеру на C-level позициях в компаниях, которые они ранее сами и консультировали. Когда это касается технологических компаний и таких позиций, как CEO, COO, а тем более CTO, я невольно жмурюсь. Недавно CEO одной из компаний, в которой я занимаюсь AI-трансформацией, решил назначить на должность CTO будущего Ex-McK — у которого при этом нет технического бэкграунда. Для меня это чаще всего тревожный сигнал.
Недавно Марк Цукерберг заявил в подкасте “Acquired”, что компания не может называться технологической, если у её руководства нет технических навыков. Цукерберг сказал: «If your CEO and board of directors isn’t technical and you only have one dude as, let’s say, Head of Engineering, who is technical — if that’s your team, then you’re not a tech company!» Я полностью согласна с этим — при этом, конечно, не обязательно, чтобы все были технарями. Но C-level определяет долгосрочное направление компании, принимает важные решения и формирует её культуру.
Какую систему принятия решений и культуру приносят бывшие сотрудники McKinsey и других консалтинговых компаний? В классических стратегических консалтинговых фирмах существует культура окончательного решения (final decision making) — ложное ощущение выбора единственно правильного решения, зачастую просто того, у кого более высокий титул, а потом чисто поездка по маршруту. Как мыслят инженеры и специалисты по данным? Мы формулируем гипотезу, задаём baseline, а затем постоянно переоцениваем и оптимизируем, меняем направление при получении новой значимой информации и не боимся изменить курс (evolutionary decision making).
Ещё зачастую McKinsey и другие консалтинговые компании сосредоточены на оптимизации стоимости для акционеров (shareholder value). Инновациями там, особенно в зрелых компаниях, даже и не пахнет. Вы, возможно, знали, что Сундар Пичаи, CEO Google и Alphabet, до прихода в Google на должность продукт-менеджера, работал в McKinsey. Не буду утверждать, что именно это причина того, где сейчас находится Google по сравнению с другими компаниями из Big Tech, но фокус на оптимизации shareholder value и бюрократия создают большие препятствия для талантов, которые безусловно есть в компании в огромном количестве. Инновации всегда являются риском, но компании не могут позволить себе их не продвигать — это утопия в долгосрочной перспективе, особенно в наше время.
Так почему же Ex-McKinsey и других бывших сотрудников консалтинговых компаний так часто берут на эти должности? Помимо того, что у партнеров, в особенности, действительно нереальный нетворк, я, к сожалению, нередко слышу, что для руководства от legacy компаний легче контролировать этих людей, чем, скажем, Ex-FAANG. По сути нечего добавить. 🥸
Какой у вас опыт по этому поводу и как вы смотрите на этот вопрос?
#моемнение #техлидершип
@ainastia
О нетворкиге и как Я советуюсь с другими экспертами.
Не важно, какой вы эксперт и какой у вас опыт – всегда будут ситуации, с которыми вы сталкиваетесь впервые, когда вы не уверены, какой именно шаг правильный, и нуждаетесь в совете в критические моменты. Раньше это было совсем непросто – нужно было либо иметь прямой доступ к лидерам в своей компании, либо иметь ментора с релевантным опытом, либо активно заниматься нетворкингом, например, на LinkedIn, чтобы, если повезет, эксперт согласился встретиться на виртуальный кофе и обсудить ваш запрос. Чем круче эксперт, тем сложнее конечно заманить на кофе. Как хорошо что эксперты открыли для себя side hustle – давать людям возможность бронировать 1:1 созвоны (конечно – за деньги, да).
Я не раз пользовалась таким способом. Например, через платформу Intro, я общалась уже 3 раза по часу с Sol Rashidi, автором киниги „Your AI survival guide“. (Уже писала про эту книгу тут.) Созвоны я структурировала так, что первые 30 минут обсуждала конкретный проект, а во второй половине часа получала советы по карьерному росту в целом. С Vin Vashishta я также общалась час по вопросам стратегии личного бренда как специалиста в области Data/AI. Вин написал интересную книгу «From Data to Profit» и, как и я, прошел путь от инженера в сфере данных и AI до консультанта, помогающего компаниям внедрять ИИ с выгодой. Еще я общалась с Ben Rogojan, также известным как Seattle Data Guy. (Если вам интересен контент по Data Architecture & Engineering или вы хотите перейти в Data/AI консалтинг – у него отличный контент!) В конце каждого первого созвона я, конечно, предлагаю законнектиться на LinkedIn – и еще никто не отказывал.
Дорого ли это? Точно не дешево. Час с Vin Vashishta например стоил $700 и бронировала я созвон напрямую через его сайт. На платформе Intro вы можете найти всяких экспертов и увидите, что стоимости сильно могут отличаться – у кого-то $150 за пол часа, а Justin Welsh, который на LinkedIn лидирует с постами про „соло-предпринимательство“, с вас лишь ~1.5 тысячи баксов потребует – за 30 минут! 😅 Преимущество Intro: там реально мощные и опытные эксперты – партнеры из a16z (Andreeson Horrowitz, венчунрный фонд, который распределяется $ 42 миллиардов), продакт эксперты разных компаний как FAANG, Tik-Tok и тд, и крутые предприниматели с очень успешными экситами. Ваша задача – взвесить стоимость и ценность для себя и, возможно, найти другого подходящего эксперта. Я точно могу порекомендовать этот способ черпать знания и опыт мировых экспертов, а также быстрее познакомиться и законнектиться с ними – особенно, если вы предприниматель!
#саморазвитие
@ainastia
Не важно, какой вы эксперт и какой у вас опыт – всегда будут ситуации, с которыми вы сталкиваетесь впервые, когда вы не уверены, какой именно шаг правильный, и нуждаетесь в совете в критические моменты. Раньше это было совсем непросто – нужно было либо иметь прямой доступ к лидерам в своей компании, либо иметь ментора с релевантным опытом, либо активно заниматься нетворкингом, например, на LinkedIn, чтобы, если повезет, эксперт согласился встретиться на виртуальный кофе и обсудить ваш запрос. Чем круче эксперт, тем сложнее конечно заманить на кофе. Как хорошо что эксперты открыли для себя side hustle – давать людям возможность бронировать 1:1 созвоны (конечно – за деньги, да).
Я не раз пользовалась таким способом. Например, через платформу Intro, я общалась уже 3 раза по часу с Sol Rashidi, автором киниги „Your AI survival guide“. (Уже писала про эту книгу тут.) Созвоны я структурировала так, что первые 30 минут обсуждала конкретный проект, а во второй половине часа получала советы по карьерному росту в целом. С Vin Vashishta я также общалась час по вопросам стратегии личного бренда как специалиста в области Data/AI. Вин написал интересную книгу «From Data to Profit» и, как и я, прошел путь от инженера в сфере данных и AI до консультанта, помогающего компаниям внедрять ИИ с выгодой. Еще я общалась с Ben Rogojan, также известным как Seattle Data Guy. (Если вам интересен контент по Data Architecture & Engineering или вы хотите перейти в Data/AI консалтинг – у него отличный контент!) В конце каждого первого созвона я, конечно, предлагаю законнектиться на LinkedIn – и еще никто не отказывал.
Дорого ли это? Точно не дешево. Час с Vin Vashishta например стоил $700 и бронировала я созвон напрямую через его сайт. На платформе Intro вы можете найти всяких экспертов и увидите, что стоимости сильно могут отличаться – у кого-то $150 за пол часа, а Justin Welsh, который на LinkedIn лидирует с постами про „соло-предпринимательство“, с вас лишь ~1.5 тысячи баксов потребует – за 30 минут! 😅 Преимущество Intro: там реально мощные и опытные эксперты – партнеры из a16z (Andreeson Horrowitz, венчунрный фонд, который распределяется $ 42 миллиардов), продакт эксперты разных компаний как FAANG, Tik-Tok и тд, и крутые предприниматели с очень успешными экситами. Ваша задача – взвесить стоимость и ценность для себя и, возможно, найти другого подходящего эксперта. Я точно могу порекомендовать этот способ черпать знания и опыт мировых экспертов, а также быстрее познакомиться и законнектиться с ними – особенно, если вы предприниматель!
#саморазвитие
@ainastia
Я завершила свой сезон конференций на этот год. Чуть больше недели назад я была на Product Management Festival в Цюрихе. Уже второй раз подряд посещаю эту конференцию — и не только потому, что мне до неё всего пару минут пешком (ну роскошь же?!).
На самом деле это одна из моих любимых конференций, так как здесь отличный микс технологий и продакт-менеджмента, а также топовые эксперты на уровне лидов, VP и C-level из FAANG и других компаний. Особенно радует, что всё больше фаундеров приезжают и выступают.
Что я для себя вынесла и с кем успела пообщаться? Конечно, многое, но хочу поделиться несколькими мыслями.
Я посетила панельную дискуссию, которую модерировал VP продакта LinkedIn, Jonathan Rochelle, а среди участников был, например, директор по продакт-менеджменту WhatsApp (честно говоря, это точно не мой любимый продукт, но сейчас не об этом). Тема дискуссии — какое влияние AI окажет на продакт- и инженерные организации внутри компаний.
Ребята обсуждали, что по мере использования огромного количества GenAI-тулов граница между ролями продакта и дизайнера становится всё более размытой. В какой-то момент участники попросили зал похлопать:
▶️ Кто считает, что дизайнеры захватят продакт? (Громкие аплодисменты.)
▶️ Кто думает, что продакты захватят дизайн? (Уже тише.)
▶️ А кто считает, что инженеры захватят продакт? Тут в том числе я похлопала! 😁
Кстати, директор WhatsApp поддержал последний взгляд и сказал, что это вообще его любимая ситуация. В целом, как всегда в сфере данных, правильно сказать: “It depends”. Большинство инженеров не интересуются бизнес-темами или не разбираются в них. Однако в сфере Data/AI-продакта, а также на позициях CPO, CTO и других, в идеале нужны люди, которые говорят как на техническом, так и на бизнес-языке.
Приведу пример от Скотт Мензис, CTO Santander. Santander — это европейский банк с главным офисом в Мадриде. Скотт рассказал, что, начиная оценивать технологическую организацию на позиции руководителя, он всегда начинает с анализа количества коммитов, качества кода, тестов и документации. Это отличный пример уникального сочетания технической и бизнес-экспертизы. Без этого приходится полностью полагаться на мнение инженеров внутри компании. А во многих legacy-компаниях вы услышите противоположные утверждения, что определённые подходы “у них не работают”, и встретите частичное сопротивление новым идеям. Здесь нужен человек, который способен видеть сквозь такой туман.
Ещё я пообщалась с Томасом Грешем, CTO & CIO Axpo, главной энергокомпании Швейцарии. Томас успешно модернизировал фирму, и после его доклада я спросила, что он думает о CTO без технического бэкграунда. Учитывая, что сам он физик, окончивший ETH Zurich, у него, конечно, может быть предвзятость. Но он отметил, что крайне редко видел успешные примеры. Такое возможно только при условии, что у CTO есть сильная команда инженеров, к мнению которой он действительно прислушивается.
В следующем году снова планирую посещать конференции и опять сама выступать. А на какие тех- или продакт-конференции вы собираетесь в следующим году в Европе, США или ОАЭ? Очень интересно узнать!
#conference #саморазвитие
@ainastia
На самом деле это одна из моих любимых конференций, так как здесь отличный микс технологий и продакт-менеджмента, а также топовые эксперты на уровне лидов, VP и C-level из FAANG и других компаний. Особенно радует, что всё больше фаундеров приезжают и выступают.
Что я для себя вынесла и с кем успела пообщаться? Конечно, многое, но хочу поделиться несколькими мыслями.
Я посетила панельную дискуссию, которую модерировал VP продакта LinkedIn, Jonathan Rochelle, а среди участников был, например, директор по продакт-менеджменту WhatsApp (честно говоря, это точно не мой любимый продукт, но сейчас не об этом). Тема дискуссии — какое влияние AI окажет на продакт- и инженерные организации внутри компаний.
Ребята обсуждали, что по мере использования огромного количества GenAI-тулов граница между ролями продакта и дизайнера становится всё более размытой. В какой-то момент участники попросили зал похлопать:
Кстати, директор WhatsApp поддержал последний взгляд и сказал, что это вообще его любимая ситуация. В целом, как всегда в сфере данных, правильно сказать: “It depends”. Большинство инженеров не интересуются бизнес-темами или не разбираются в них. Однако в сфере Data/AI-продакта, а также на позициях CPO, CTO и других, в идеале нужны люди, которые говорят как на техническом, так и на бизнес-языке.
Приведу пример от Скотт Мензис, CTO Santander. Santander — это европейский банк с главным офисом в Мадриде. Скотт рассказал, что, начиная оценивать технологическую организацию на позиции руководителя, он всегда начинает с анализа количества коммитов, качества кода, тестов и документации. Это отличный пример уникального сочетания технической и бизнес-экспертизы. Без этого приходится полностью полагаться на мнение инженеров внутри компании. А во многих legacy-компаниях вы услышите противоположные утверждения, что определённые подходы “у них не работают”, и встретите частичное сопротивление новым идеям. Здесь нужен человек, который способен видеть сквозь такой туман.
Ещё я пообщалась с Томасом Грешем, CTO & CIO Axpo, главной энергокомпании Швейцарии. Томас успешно модернизировал фирму, и после его доклада я спросила, что он думает о CTO без технического бэкграунда. Учитывая, что сам он физик, окончивший ETH Zurich, у него, конечно, может быть предвзятость. Но он отметил, что крайне редко видел успешные примеры. Такое возможно только при условии, что у CTO есть сильная команда инженеров, к мнению которой он действительно прислушивается.
В следующем году снова планирую посещать конференции и опять сама выступать. А на какие тех- или продакт-конференции вы собираетесь в следующим году в Европе, США или ОАЭ? Очень интересно узнать!
#conference #саморазвитие
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Про нетерпеливость 🔥
Во многих компаниях руководство резко загорелось продвигать AI с момента запуска ChatGPT и стало требовать как можно быстрее создавать AI-продукты. Желательно ещё вчера, ведь «все делают GenAI, и мы тоже хотим!» Однако тушить такой энтузиазм особенно сложно, когда приходится объяснять, что, увы, всё не так уж просто. И что, к сожалению, попытки перескочить важные этапы на пути к цели ни к чему хорошему не приведут.
Я уже писала в одном из предыдущих постов, что процесс внедрения AI в любой компании должен начинаться с оценки data/AI maturity. Это уровень прогресса компании в использовании данных, развитии соответствующих юзкейсов и их интеграции в процессы организации. Каждой компании нужно индивидуально решать, до какого уровня стоит развиваться. Нет универсального решения, подходящего для всех!
После того как вы поняли, на каком уровне зрелости находится ваша компания и до какого уровня стоит развиваться, следующий шаг — работа над data architecture. Архитектура данных должна отражать текущие и будущие потребности, которые позволят реализовать юзкейсы и вписаться в долгосрочную стратегию компании. Здесь для начала нужно понять сам бизнес и его потребности для развития. Затем эти требования необходимо отобразить в технические requirements. Это включает, например, методы сбора, хранения и обработки данных, а также аспекты безопасности. Как всегда, нет единственного правильного решения — придется взвешивать cost-benefit каждой компоненты и функциональности. Например, вы хотите real-time везде? А реально везде оно вам нужно смотря на то что это обойдется вам дороже? Ценность для бизнеса оправдывает цену?
❗️ При решениях, не впадайте в shiny-objects-syndrome. Это когда чисто смотришь только на самые хайповые технологии - ведь круто же и state-of-the-art! С высокой вероятностью вы примете слишком дорогие решения, которые не соответствуют ценности для компании, а в data community хайп уже сменился на что-то другое. Никогда не ведитесь на хайп!
Все хотят AI, но компании часто слишком рано ныряют в этот пруд. Прежде чем вкладывать огромные ресурсы в AI, необходимо заложить надёжный фундамент. Это включает и не самые «sexy» темы, как data governance: обеспечение качественных данных, плавную интеграцию различных источников и понимание, какие данные где вообще находятся. Многие компании столкнулись с неудачами, начав проекты без этой основы.
Ещё на практике часто слишком рано нанимают Data Scientists для создания модных AI-решений. При этом данные разбросаны по всей инфраструктуре, нет стандартов, и их работа сводится к data engineering, используя большое количество «изоленты», чтобы хоть как-то реализовать юзкейсы на старых системах. В итоге ни ROI от юзкейса не оправдывает ожиданий, ни Data Scientist не удовлетворён своей работой.
▶️ Итог: попытка перескочить все этапы и якобы ускорить процесс создания AI-продуктов обеспечит вам прямое попадание в список провальных проектов с данными. Не ведитесь на этот путь. Всем успехов!
#datapm #aitransformation
@ainastia
Во многих компаниях руководство резко загорелось продвигать AI с момента запуска ChatGPT и стало требовать как можно быстрее создавать AI-продукты. Желательно ещё вчера, ведь «все делают GenAI, и мы тоже хотим!» Однако тушить такой энтузиазм особенно сложно, когда приходится объяснять, что, увы, всё не так уж просто. И что, к сожалению, попытки перескочить важные этапы на пути к цели ни к чему хорошему не приведут.
Я уже писала в одном из предыдущих постов, что процесс внедрения AI в любой компании должен начинаться с оценки data/AI maturity. Это уровень прогресса компании в использовании данных, развитии соответствующих юзкейсов и их интеграции в процессы организации. Каждой компании нужно индивидуально решать, до какого уровня стоит развиваться. Нет универсального решения, подходящего для всех!
После того как вы поняли, на каком уровне зрелости находится ваша компания и до какого уровня стоит развиваться, следующий шаг — работа над data architecture. Архитектура данных должна отражать текущие и будущие потребности, которые позволят реализовать юзкейсы и вписаться в долгосрочную стратегию компании. Здесь для начала нужно понять сам бизнес и его потребности для развития. Затем эти требования необходимо отобразить в технические requirements. Это включает, например, методы сбора, хранения и обработки данных, а также аспекты безопасности. Как всегда, нет единственного правильного решения — придется взвешивать cost-benefit каждой компоненты и функциональности. Например, вы хотите real-time везде? А реально везде оно вам нужно смотря на то что это обойдется вам дороже? Ценность для бизнеса оправдывает цену?
Все хотят AI, но компании часто слишком рано ныряют в этот пруд. Прежде чем вкладывать огромные ресурсы в AI, необходимо заложить надёжный фундамент. Это включает и не самые «sexy» темы, как data governance: обеспечение качественных данных, плавную интеграцию различных источников и понимание, какие данные где вообще находятся. Многие компании столкнулись с неудачами, начав проекты без этой основы.
Ещё на практике часто слишком рано нанимают Data Scientists для создания модных AI-решений. При этом данные разбросаны по всей инфраструктуре, нет стандартов, и их работа сводится к data engineering, используя большое количество «изоленты», чтобы хоть как-то реализовать юзкейсы на старых системах. В итоге ни ROI от юзкейса не оправдывает ожиданий, ни Data Scientist не удовлетворён своей работой.
#datapm #aitransformation
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Про AI тулы для предпринимателей и ПМ-ов - part 1 ⚙️
Последние недели были очень плотные, и сейчас, как немцы говорят, «Эндшпурт» (то есть «финишный рывок») перед рождественскими каникулами и моим первым полноценным отпуском за год.
Но до этого хочу поделиться первой частью списка полезных AI tools для продакт-менеджеров и предпринимателей. Сегодня строить первые прототипы продукта, работать над дизайном, а также ускорять индивидуальные процессы легче, чем когда-либо. И в этом большая заслуга ИИ, который для вас может кодить, деплоить, писать критичные доки и брать на себя функции дизайнера. Посмотрим, что у нас тут в сундучке:
⚡️Replit
Это платформа для прототипирования и разработки продуктов, которая позволяет быстро создавать и тестировать идеи через текст/промпт – даже с вашего телефона! Пример: „Я хочу создать финансового чат-бота, которому можно задавать вопросы о конкретных акциях и получать ответы на основе финансовых данных. Я хочу, чтобы ответы содержали графики с информацией, такой как цена акций и другие ключевые данные. Используйте данные из Yahoo Finance.“
Компания Replit была основана в 2009 году иорданским американцем Амджадом Масадом в Калифорнии, который начал стартап со студенческого проекта. В апреле 2023 года компания оценивалась в $1,16 миллиарда, и у неё было более 22 миллионов пользователей.
Я пробовала разные подходы, и у платформы были значительные трудности с выполнением более сложных запросов с технической точки зрения. Что радует – при этом юзеру всегда предлагались альтернативы, например, более простая архитектура или ограничение фичей. Есть «free tier», но для более сложных продуктов вам быстро понадобится «Replit Core» за $25 в месяц.
В целом, это супер платформа для маленьких проектов и прототипов. Для более масштабных проектов Replit не подходит – слишком много ограничений ресурсов (CPU, память и storage), недостаточно гибкости/контроля в деталях и дорогой deployment. Если вам требуется 24/7 deployment, особенно рекомендую внимательно просчитать вашы затраты – и вы всё поймёте!
⚡️ ChatPRD
Тул на хайпе, но я честно говоря не считаю этот хайп обоснованным. ChatPRD особенно для продакт менеджеров и пишет для вас PRD. В PRD или «product requirement document» чётко формируются идея и требования к продукту («что?» и «почему?»), чтобы обеспечить согласованность всей команды и стейкхолдеров. ChatPRD помогает не только создавать этот документ, но и позволяет коллаборацию, а ещё помогает развивать продакт-роудмап и даёт фидбэк по продакт-идее. Всё это ChatPRD делает для вас по стоимости от $8 в месяц.
Тут у вас теперь должен возникнуть вопрос: а зачем платить ещё за один продукт, если уже оплачивается, допустим, ChatGPT Premium – чем они вообще отличаются и стоит ли оно этого? Если вы уже платите за премиум-версию LLM, то, по моему мнению, нет. ChatPRD – это чисто wrapper вокруг OpenAI APIs, и преимущества или дополнительные фичи для меня тут не оправдывают дополнительную оплату.
Если у вашей фирмы есть определённые PRD-темплейты и компания готова оплатить лицензию, то, конечно, почему бы не пользоваться. Но для меня cost-value ratio ChatPRD под вопросом, и вы точно сможете справиться без этого тула.
Если вам интересно ознакомиться немного ближе как эти тулы работают, я прикрепила вам короткие видосы.
Хочу ещё подчеркнуть, что тулы не панацея и людей не заменяют полностью, а ускоряют процессы и эффективность труда. Это может быть релевантно, например, для стартапов, особенно на ранних стадиях, когда бюджет не позволяет нанимать, либо просто пока не нужен полноценный специалист. Я поддерживаю эффективность, и эти тулы в состоянии ускорить процессы, особенно если вы в них разбираетесь.
Stay tuned for the next part. Также поделитесь, что вы пробовали, чем вы пользуетесь и что, по вашему мнению, пока недотягивает до ваших ожиданий.
#aipm #aitools
@ainastia
Последние недели были очень плотные, и сейчас, как немцы говорят, «Эндшпурт» (то есть «финишный рывок») перед рождественскими каникулами и моим первым полноценным отпуском за год.
Но до этого хочу поделиться первой частью списка полезных AI tools для продакт-менеджеров и предпринимателей. Сегодня строить первые прототипы продукта, работать над дизайном, а также ускорять индивидуальные процессы легче, чем когда-либо. И в этом большая заслуга ИИ, который для вас может кодить, деплоить, писать критичные доки и брать на себя функции дизайнера. Посмотрим, что у нас тут в сундучке:
⚡️Replit
Это платформа для прототипирования и разработки продуктов, которая позволяет быстро создавать и тестировать идеи через текст/промпт – даже с вашего телефона! Пример: „Я хочу создать финансового чат-бота, которому можно задавать вопросы о конкретных акциях и получать ответы на основе финансовых данных. Я хочу, чтобы ответы содержали графики с информацией, такой как цена акций и другие ключевые данные. Используйте данные из Yahoo Finance.“
Компания Replit была основана в 2009 году иорданским американцем Амджадом Масадом в Калифорнии, который начал стартап со студенческого проекта. В апреле 2023 года компания оценивалась в $1,16 миллиарда, и у неё было более 22 миллионов пользователей.
Я пробовала разные подходы, и у платформы были значительные трудности с выполнением более сложных запросов с технической точки зрения. Что радует – при этом юзеру всегда предлагались альтернативы, например, более простая архитектура или ограничение фичей. Есть «free tier», но для более сложных продуктов вам быстро понадобится «Replit Core» за $25 в месяц.
В целом, это супер платформа для маленьких проектов и прототипов. Для более масштабных проектов Replit не подходит – слишком много ограничений ресурсов (CPU, память и storage), недостаточно гибкости/контроля в деталях и дорогой deployment. Если вам требуется 24/7 deployment, особенно рекомендую внимательно просчитать вашы затраты – и вы всё поймёте!
Тул на хайпе, но я честно говоря не считаю этот хайп обоснованным. ChatPRD особенно для продакт менеджеров и пишет для вас PRD. В PRD или «product requirement document» чётко формируются идея и требования к продукту («что?» и «почему?»), чтобы обеспечить согласованность всей команды и стейкхолдеров. ChatPRD помогает не только создавать этот документ, но и позволяет коллаборацию, а ещё помогает развивать продакт-роудмап и даёт фидбэк по продакт-идее. Всё это ChatPRD делает для вас по стоимости от $8 в месяц.
Тут у вас теперь должен возникнуть вопрос: а зачем платить ещё за один продукт, если уже оплачивается, допустим, ChatGPT Premium – чем они вообще отличаются и стоит ли оно этого? Если вы уже платите за премиум-версию LLM, то, по моему мнению, нет. ChatPRD – это чисто wrapper вокруг OpenAI APIs, и преимущества или дополнительные фичи для меня тут не оправдывают дополнительную оплату.
Если у вашей фирмы есть определённые PRD-темплейты и компания готова оплатить лицензию, то, конечно, почему бы не пользоваться. Но для меня cost-value ratio ChatPRD под вопросом, и вы точно сможете справиться без этого тула.
Если вам интересно ознакомиться немного ближе как эти тулы работают, я прикрепила вам короткие видосы.
Хочу ещё подчеркнуть, что тулы не панацея и людей не заменяют полностью, а ускоряют процессы и эффективность труда. Это может быть релевантно, например, для стартапов, особенно на ранних стадиях, когда бюджет не позволяет нанимать, либо просто пока не нужен полноценный специалист. Я поддерживаю эффективность, и эти тулы в состоянии ускорить процессы, особенно если вы в них разбираетесь.
Stay tuned for the next part. Также поделитесь, что вы пробовали, чем вы пользуетесь и что, по вашему мнению, пока недотягивает до ваших ожиданий.
#aipm #aitools
@ainastia
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM