Нужны ли ML-продакты?

Сегодня хочу поделиться своей историей о становлении ML-продактом.

🤓Когда я начал работать на новой должности, честно скажу, было непонятно практически всё. Начиная с понятия того, что такое датасет и зачем он нужен, и заканчивая циклом и процессами T2M фичей.

🤯 В течение первого квартала на новой работе, я начал думать, что являюсь бесполезным элементом команды. На каждом дейлике, спринт ревью, большую часть времени я просто сидел и слушал, как моя новая команда решает задачи, связанные с обучением моделей, подготовкой датасетов, прогнозированием технических ошибок у моделей

🤖 Со временем у меня начали появляться новые задачи, новые интеграции и заказчики внутри компании. Благодаря этому уровень вовлеченности команды вырос. Каждый технический специалист сосредоточился на своей задаче, направленной на развитие конкретной фичи. Кто-то занимался ранжированием листинга в поисковой выдаче, кто-то персонализацией ленты сторис для каждого пользователя, а кто-то автоматизировал сервис нотификаций с помощью uplift моделирования. Казалось бы, это ужас – огромное количество задач и сложных терминов.

Эврика!
1. Я осознал важность своей должности, когда заказчики начали задавать вопросы членам команды, на которые ни один тех специалист не мог дать точного ответа. Вопросы касались статуса проекта, текущих бизнес-задач, необходимых взаимодействий, роадмапа и так далее. Эту роль выполняет менеджер продукта. Без него разработчики, имея зарплату в +7000 долларов в месяц, будут тратить время на организационные процессы, а не на написание кода.

2. Помню наши доски с исследованиями. Когда я пришел, они были пусты, и не было предложений по развитию продукта, только задачи по совершенствованию моделей и созданию новых. А как же расширение точек входа, совершенствование функционала и взаимодействия для улучшения UX пользователей? Вот зачем появился ML-продакт: он будет, преодолевая трудности, приносить задачи команде технического продукта. Конечно, могут возникать сомнения в значимости задачи. Но представьте, когда вы принесете исследование, основанное на данных, вопросов сразу не останется.

Вот для чего нужен ML-продакт. Это шестеренка, которая приводит в движение все остальные, запуская мощный и сложный "двигатель" – продуктовую ML-команду.