Мастер-класс. ML&AI-метрики: с программистского на менеджерский (и обратно!)
Мастер-класс. ML&AI-метрики: с программистского на менеджерский (и обратно!)
Продукт без ML — уже редкость. При этом глубокое понимание машинного обучения есть далеко не у каждого продакта. Это снижает скорость и качество управления продуктами. Наиболее сложная ситуация складывается у продактов, не имеющих доступа к Data Science / Machine Learning (DS/ML)-командам.
Продукт без ML — уже редкость. При этом глубокое понимание машинного обучения есть далеко не у каждого продакта. Это снижает скорость и качество управления продуктами. Наиболее сложная ситуация складывается у продактов, не имеющих доступа к Data Science / Machine Learning (DS/ML)-командам.
Продукт без ML — уже редкость. При этом глубокое понимание машинного обучения есть далеко не у каждого продакта. Это снижает скорость и качество управления продуктами. Наиболее сложная ситуация складывается у продактов, не имеющих доступа к Data Science / Machine Learning (DS/ML)-командам.

Понимание метрик моделей играет ключевую роль в улучшении продуктовых метрик и, в конечном итоге, в увеличении прибыли компании. Когда продакт-менеджер понимает нативный язык DS/ML-коллег (например, ROC AUC, accuracy, precision, recall, F1, R2, MAE, RMSE, виды ML-моделей), ускоряются исследования и разработка продуктов/сервисов. В командах царит взаимопонимание, брифы звучат однозначно, а приемка работ становится прозрачнее.

Как результат, Data-driven решения могут быть приняты задолго до внедрения, и минуя многомиллионные затраты. И если продакты не начнут разбираться в ML&AI, то могут оказаться вытеснены дата сайнтистами, обучившимися управлению продуктом.

На мастер-классе разберем:
  • Классификацию метрик машинного обучения и их связи с бизнесовыми/продуктовыми метриками;
  • Поделимся успешными кейсами из нашего опыта (финансы, флиппинг, образование).

После чего:
  • Порешаем кейсы: вы попробуете самостоятельно установить связь метрик, спрогнозировать влияние на бизнес;
  • Провалидируем новый полученный опыт и знания: вместе разберем решения, ваши запросы и кейсы.

Мастер-класс будет полезен продактам уровня Middle — Head, PO, лидерам команд и стримов, нацеленных на стратегическое развитие продуктов. А еще всем, кто рассматривает применение/уже применяет AI/ML в продуктах, хочет четче ставить задачи и валидировать результаты AI/ML команд, понимать связь ML-метрик и продуктовых метрик и быстро принимать решения о потенциале моделей до внедрения.
Продукт без ML — уже редкость. При этом глубокое понимание машинного обучения есть далеко не у каждого продакта. Это снижает скорость и качество управления продуктами. Наиболее сложная ситуация складывается у продактов, не имеющих доступа к Data Science / Machine Learning (DS/ML)-командам.

Понимание метрик моделей играет ключевую роль в улучшении продуктовых метрик и, в конечном итоге, в увеличении прибыли компании. Когда продакт-менеджер понимает нативный язык DS/ML-коллег (например, ROC AUC, accuracy, precision, recall, F1, R2, MAE, RMSE, виды ML-моделей), ускоряются исследования и разработка продуктов/сервисов. В командах царит взаимопонимание, брифы звучат однозначно, а приемка работ становится прозрачнее.

Как результат, Data-driven решения могут быть приняты задолго до внедрения, и минуя многомиллионные затраты. И если продакты не начнут разбираться в ML&AI, то могут оказаться вытеснены дата сайнтистами, обучившимися управлению продуктом.

На мастер-классе разберем:
  • Классификацию метрик машинного обучения и их связи с бизнесовыми/продуктовыми метриками;
  • Поделимся успешными кейсами из нашего опыта (финансы, флиппинг, образование).

После чего:
  • Порешаем кейсы: вы попробуете самостоятельно установить связь метрик, спрогнозировать влияние на бизнес;
  • Провалидируем новый полученный опыт и знания: вместе разберем решения, ваши запросы и кейсы.

Мастер-класс будет полезен продактам уровня Middle — Head, PO, лидерам команд и стримов, нацеленных на стратегическое развитие продуктов. А еще всем, кто рассматривает применение/уже применяет AI/ML в продуктах, хочет четче ставить задачи и валидировать результаты AI/ML команд, понимать связь ML-метрик и продуктовых метрик и быстро принимать решения о потенциале моделей до внедрения.
Игорь Асонов

Руководитель центра аналитики онлайн-проектов, НИУ ВШЭ

  • 17+ лет в образовании в ролях руководителя (Сириус, Летово, Нетология, НИУ ВШЭ), учащегося (Fab Academy & MIT, Школа 21, МШУ Сколково) и учителя (239, Лекториум, Политех Петра);
  • Устав от неоптимальных управленческих решений в сфере образования, начал продвигать тему data-driven decisions, в частности создал ML-модель для управления продуктовой линейкой онлайн-магистратур НИУ ВШЭ.
Анастасия Кишкун

Product Lead «Флиппинг и аренда», Самолет Плюс

  • 7+ лет опыта на стыке управления продуктами и Deep Learning, включая компьютерное зрение и машинное обучение в задачах HR, FinTech, Development;
  • Запустила AI-решение для флиппинга, позволяющее находить уникальные объекты недвижимости с инвестиционным потенциалом;
  • Имеет 4 высших образования, включая Skoltech Data Science и Skolkovo Технологическое предпринимательство.
Игорь Асонов
Руководитель центра аналитики онлайн-проектов, НИУ ВШЭ

  • 17+ лет в образовании в ролях руководителя (Сириус, Летово, Нетология, НИУ ВШЭ), учащегося (Fab Academy & MIT, Школа 21, МШУ Сколково) и учителя (239, Лекториум, Политех Петра);
  • Устав от неоптимальных управленческих решений в сфере образования, начал продвигать тему data-driven decisions, в частности создал ML-модель для управления продуктовой линейкой онлайн-магистратур НИУ ВШЭ.
Анастасия Кишкун
Product Lead «Флиппинг и аренда», Самолет Плюс

  • 7+ лет опыта на стыке управления продуктами и Deep Learning, включая компьютерное зрение и машинное обучение в задачах HR, FinTech, Development;
  • Запустила AI-решение для флиппинга, позволяющее находить уникальные объекты недвижимости с инвестиционным потенциалом;
  • Имеет 4 высших образования, включая Skoltech Data Science и Skolkovo Технологическое предпринимательство.