Les gestionnaires de produits de demain auront besoin d'une bonne compréhension des données et de l’apprentissage automatique.

Lorsque l'on parle de la gestion de produit de l’avenir, le premier thème qui nous vient en tête est celui de l'intelligence artificielle (IA). L'IA modifie la structure fondamentale de chaque industrie. Nous interagissons avec la technologie de nouvelles façons, que ce soit en donnant des commandes vocales aux assistants virtuels ou en attendant que Gmail Smart Reply suggère des réponses rapides à nos messages. Dans l'étude Product Management 2018 Insights d'Alpha, le tiers des personnes interrogées ont déclaré avoir intégré l'IA ou l'apprentissage automatique (machine learning) dans leurs produits.
Cela signifie-t-il qu'il est temps d'adopter les techniques mathématiques qui permettent de construire des applications de logiciels intelligents en utilisant les techniques du deep learning (apprentissage profond)? Absolument! Il n’y a aucun doute que la délégation de certaines parties du processus de développement de logiciels à des modèles d'apprentissage automatique deviendra obligatoire.
Comme nous nous sommes habitués à avoir une vision de produit basée sur les besoins des usagers ainsi que l'expérience utilisateur (UX), un nouveau problème empêche les chefs de produit (product managers) enthousiastes de mettre en place le processus qu'ils utilisaient et de l'appliquer aux problèmes d'IA. La réalité est que nous devons évoluer en trouvant des moyens d'avoir une compréhension plus concrète des ensembles de données. Ainsi, les chefs de produit pourront commencer à mettre en œuvre l'IA en adoptant une approche ascendante. Tout d'abord, il faut créer/collecter un ensemble de données qui représente l'espace du problème. Ensuite, collaborer avec les chercheurs en données (data scientists) pour comprendre l'abstraction de cet ensemble de données.
Le processus actuel de gestion des produits
Tous les produits ne sont pas créés égaux. Lorsqu'il n'y a pas de deep learning, le processus devient séquentiel. Les chefs de produit analysent les retours d’information et prennent des décisions sur les fonctionnalités à créer. Ils exposent très clairement ce qu'ils ont appris sur les usagers réels, grâce à des connaissances qualitatives ou quantitatives. Ils exposent les problèmes supplémentaires qu'ils ont hâte de résoudre et proposent des solutions pour accroître la valeur aux usagers tout en les liant à des résultats concrets pour l’entreprise. Ils font un discours et expliquent pourquoi il est intéressant pour l'entreprise d'investir dans la solution. Ils prennent ensuite du recul et font confiance à l'équipe d’ingénieurs pour développer les caractéristiques prioritaires. Les concepteurs (product design) créent des maquettes et les ingénieurs qui les développent se mettent au travail. Alors que les chefs de produit inspirent par la vision et les stratégies futures du produit, les décisions sont prises en aval et tendent à être davantage basées sur la mise en œuvre. Comme une chaîne de montage.
Les systèmes d’apprentissage automatique sont formés sur des ensembles de données disponibles.
L'apprentissage automatique, d'autre part, est un espace complexe où les résultats sont obtenus par des itérations fréquentes. Grâce à un vaste ensemble de données de cas similaires, les ordinateurs découvrent des modèles et des relations dans les données au lieu d'être programmés manuellement.
"C’est du logiciel qui écrit du logiciel"
Là où il y a du deep learning, le processus devient tout-n’est qu’une-probabilité. Face à "aucun chiffre exact et aucun résultat précis", les chefs de produit ne savent plus trop sur quoi ils doivent se concentrer. L'algorithmique (dépendance sur le deep learning¹) nécessite une acquisition stratégique de données, dès le début. La plupart des problèmes liés à l'apprentissage automatique sont résolus par une meilleure compréhension et préparation des données et c’est la première responsabilité du chef de produit. Les équipes d'ingénieurs en IA bénéficient de solutions interprétables et compréhensibles, c'est pourquoi le chef de produit doit réunir une petite équipe diversifiée pour s'attaquer aux problèmes. Ensemble, ils s'impliquent ou font appel à l'ingénierie des données et à la science des données pour extraire le sens et interpréter la composition unique de l'ensemble de données.

Le deep learning oblige les chefs de produit à se concentrer davantage sur les données pour définir les caractéristiques du produit. Ils renoncent à une grande partie de leur dépendance à l'expérience utilisateur et au retour d’information en adoptant un processus itératif d'essai-erreur destiné à éviter les résultats faussés. Par exemple, la plateforme Gmail prévoit les réponses rapides en fonction du message reçu. En effet, consacrer du temps à la recherche sur les utilisateurs et aux modifications des wireframes (UX) n'aide pas l'équipe à comprendre où les plus grandes améliorations doivent être apportées.
Les chefs de produit doivent s'assurer que les scientifiques de données produisent des résultats que leurs homologues du monde des affaires pourront comprendre, interpréter et utiliser pour en tirer des enseignements. Cela comprend tout: de la définition du problème, à la couverture et à la qualité de l'ensemble des données, à son analyse, à la présentation des résultats et au suivi. Tout en gardant l'équipe bien orientée, ils collaborent et font du brainstorming avec la science des données et l'ingénierie des données afin de clarifier l’interprétation et l’utilisation des informations recueillies. La nature de l’apprentissage automatique et de l'IA oblige les équipes à travailler collectivement, car les risques sont bien plus importants. Cela leur permet de mieux communiquer et d’avoir une compréhension commune et partagée de l'objectif final qui se développe de façon organique.
C'est un processus ascendant: vous essayez de résoudre un problème avec l'équipe, d'obtenir un signal tôt et de l'utiliser pour construire l'image globale. En connaissant à froid votre ensemble de données, vous définissez la vision et l'orientation du produit.
Comme je le dis dans mon article L'immersion de WatchMojo dans le deep learning et automatique, la possibilité de construire des résumés et des visualisations qui examinent les raisons pour lesquelles le modèle fonctionne illustre non seulement l'importance de la validation pour améliorer un produit, mais aussi le fait que les équipes préfèrent toujours être dirigées par quelqu'un qui a investi dans une base de référence pour comprendre les données.
De l'analytique à l'IA
Nous sommes plus près que jamais de la création de certaines technologies d'IA les plus innovantes et les plus intelligentes que le monde ait jamais vues. Vous trouverez ci-dessous une série de conseils sur la façon de comprendre l'abstraction des données.
- Obtenez le bon ensemble de données: examinez votre espace de problèmes et commencez par collecter la source de données unique. Étiquetez les données et générez un ensemble de données plus solide. Ensuite, soyez constamment à la recherche de sources de données supplémentaires qui continueront à améliorer votre produit².
- Évaluation des possibilités: vous devez d'abord comprendre où les plus grandes améliorations peuvent être apportées. L'élément le plus important de la collecte de données est de savoir ce qu'il faut faire des informations une fois qu’elles seront recueillies³.
- Se concentrer sur l'élimination des biais (bias): outre la collecte de bonnes données, une autre étape importante consiste à s'assurer que les données avec lesquelles vous travaillez sont correctes. Les biais sont potentiellement présents dans tout ensemble de données et c'est à vous d'en être conscient et de travailler avec un spécialiste des données pour les résoudre.
- Évaluez le coût d'une erreur: couvrez tous les scénarios que le module d'apprentissage automatique pourrait avoir à affronter. Il est important de comprendre à quoi ressemblent les erreurs et comment elles peuvent affecter l'expérience du produit pour l’utilisateur.
- Connaître les résultats de la réussite: ayez une bonne compréhension des problèmes. Reliez et corrélez les sorties aux données d'entrée. Les sorties doivent correspondre à votre intuition. Comparez combien de fois l’apprentissage automatique se trompe par rapport à un humain.
- Construire un filet de sécurité ainsi qu'une boucle de retour d’information (feedback loop): Les filets de sécurité⁴ sont visibles par les utilisateurs (UX) et tiennent compte du fait que des actions erronées peuvent avoir des conséquences. Les boucles de retour d’information vous permettent de contrôler la précision des prévisions.
Lorsque l'utilisation des informations recueillies devient claire, les ingénieurs peuvent déterminer quels outils et modèles sont nécessaires pour résoudre le problème. Ce n'est qu’à ce moment qu'ils pourront itérer et affiner les modèles pour en assurer la précision. Ils chercheront à obtenir des performances optimales parce que le chef de produit a créé la possibilité d'interpréter le modèle, c'est-à-dire la capacité de vérifier que ce que fait le modèle est conforme aux attentes.
--
Bain Public est une société de conseil en gestion de produits qui aide les entreprises à prendre des décisions intelligentes et à commercialiser des stratégies numériques qui innovent et permettent de fournir des produits adaptés au marché. Nous proposons une variété de blogs, d'ebooks et d'approches conçus pour vous aider à comprendre vos stratégies numériques et à établir des éléments de feuille de route produit dans le tissu de votre entreprise. Le manque de stratégie dans la planification de vos produits s'accompagne d'un manque de concentration et d'orientation, ce qui signifie que les choses peuvent rapidement perdre le fil. Nous intervenons alors pour évaluer, nettoyer et éliminer les frictions des personnes et des processus afin de stimuler l'organisation et de maintenir l'accent sur la création de produits de qualité. Pour plus d’information, visitez bainpublic.com ou appelez au 514-442-8487.
Merci à Abigail Ramirez pour la traduction. Ainsi qu’à Sydney Swaine-Simon, Andy Mauro et Nis Frome d'avoir lu les brouillons de l’article original. De plus, si vous avez des commentaires ou des critiques sur cet article, n’hésitez pas à m’envoyer un courriel.
Notes
- (1) Un glossaire des termes d'intelligence artificielle par Roger Parloff sur Pourquoi le deep learning change soudainement votre vie.
- (2) Jeremy Barnes a écrit un article fantastique sur le modèle commercial d'AI-First. Il y mentionne le coût de l'acquisition des données et s'il vaut mieux posséder les siennes ou les acquérir auprès d'un tiers.
- (3) Emmanuel Ameisen, recommande dans son article "Always start with a stupid model, no exceptions" que dans l'apprentissage automatique comme dans la plupart des domaines, il est toujours utile de commencer par les bases.
- (4) Josh Lovejoy et Jess Holbrook proposent 7 étapes pour rester concentré sur l'utilisateur lors de la conception avec l’apprentissage automatique.
- Lectures de suivi pour les 6 points énumérés. Vers une IA/Apprentissage automatique éthique, transparente et équitable: une liste de lectures critiques pour les ingénieurs, les concepteurs et les décideurs politiques.