인공지능을 상품을 위해 상품관리자가 알아야 할 것들.

전통적인 PM이 하는 모든 것 뿐 아니라, 더 많은 것이 필요하다

원문에 더 자세한 설명과 레퍼런스 들이 있습니다.
https://www.oreilly.com/radar/what-you-need-to-know-about-product-management-for-ai/

- 엔지니어링을 결정적 프로세스에서 확률적 프로세스로 변화시킴
- rule-based 로 하드 코딩하는 대신, 많은 입/출력 데이터 샘플을 모아서 모형 학습에 사용

- SW 엔지니어링 프로세스의 본질적 변화를 요구한다.
- 같은 데이터를 사용하여 같은 모형을 학습해도 완전 다른 결과가 나올 수 있음: 테스팅, 버전관리, 출시 등 주요한 프로세스에 관련됨
- 코드로 작성되었지만, 일반적 코드가 아님: 데이터가 stable하지 않음. 사용자가 늘고 사용량이 늘어나면 계속 변화한다.
- 모형의 유통기한이 지날 수도 있고, 현실과의 상호작용으로 실제를 변화시키기도 함.(ex. 사기탐지 → 사용자가 새로운 사기 패턴을 개발)
- 개발 프로세스 자체도 불확실 : 시간 예측 힘들고, 해보기 전까지는 성능 등도 예측이 불가능함
: 비슷해 보이는 문제도(컨텐츠 추천), 조금의 차이 때문에 상당히 다른 시간이 걸릴 수 있음 (스트리밍 서비스 vs. 사용자제작컨텐츠-aubsing가능)
: 알고리즘을 다른 도메인에 적용하는 것은 더 어려울 수도 있음(컨텐츠 추천→구직자에게 직업 추천)
- 접근법: Agile. 작동가능한 가장 작은 일을 하라. : 복잡한 딥러닝보다 간단한 회귀분석, 아니 평균을 써보는게 나을 수도 있다.

- 리스크가 있고, 잘 모르고, 예측 불가하기 때문에 현명한 리스크 테이킹과 실험적 문화를 가진 기업들에게 유리하다.
- 전통적인 SW와는 '완전히 다르게' 생각해야 한다.
- 두가지 실패 이유
1) 돈만 쓰면 된다고 생각하는 경영진
2) 데이터 사일로
- '실험 문화' 관점에서는 고객수가 적고, long-term 관계가 많은 B2B 기업보다는 B2C 기업이 나을 수 있다.
- 데이터 기반의 의사결정이 기반이 되어야 한다
- 걷는 법을 배우기 전에는 뛸 수 없듯이 기반이 먼저 마련되어야 한다 (ex. 데이터 인프라(수집,저장,파이프라인,전통적 분석))
- 자신들만의 머신러닝 인프라 구축하려고 하는 대기업이 많지만, 오픈소스로 시도해봐도 된다.

- 문제를 정의하는 게 절반 : 지금 당장 구현할 수 있는 기술과 언젠가 할 수 있는 것과의 중간 어디에 있을 것.

- 쉬운것, 어려운 것, 불가능한 것이 무엇인지 구별할 줄 알아야 한다. (현재 어렵거나 불가능한 것은 '자연어 생성' 같은 것)
- 스스로 문제를 푸는 것으로 시작해보자 : 스마트폰의 이미지 정리를 도와주고 싶다면, 당신의 폰에서 실제로 해보라. 실제 고객을 인터뷰하고 실제 고객이 원하는 것이 무엇인지 탐구하라.
- 좁은 분야, 깔끔하게 라벨링된 데이터를 빨리 얻을 수 있는 곳을 찾아보자.
- 적용하려는 분야에 적합한 '오차범위'를 생각하고 시작해야 한다. (문제에 따라 분류/오분류의 cost 차이가 난다)

- 굳이 AI가 아니어도 된다. AI말고 다른 방법으로 더 큰 ROI를 얻을 수 있는지 자문해보자. 세간의 소문보다 기대는 현실적으로 해야 한다.
- 상품화가 가능한지, 고객들이 원하는지, 현실적인 오차률을 얻을 수 있는지, 개발 과정을 이해할 수 있는지,..
- 이런 판단을 위해서는 AI 상품관리자는 회사의 데이터를 속속들이 알고 있어야 한다.
: 당신 스스로의 분석, SQL 쿼리, 지표 개발, 대시보드 제작 등이 필요하다.

- 회사의 미션과 단기 전략 목표에서 시작해보자.