In de snel groeiende wereld van vandaag domineert technologie meer dan ooit tevoren. Naarmate meer en meer producten digitaal worden, neemt de hoeveelheid gegenereerde en verzamelde data toe, wat hand in hand gaat met de carrièremogelijkheden per data.

Een rol die wereldwijd in opkomst is op de huidige markt - Data (en mogelijk AI, maar niet altijd) Product Managers, d.w.z. een professional met Data Science & Analytics en Product Management ervaring.

Met de toenemende toegang tot data hebben productmanagers nu de mogelijkheid om data in hun voordeel te gebruiken door niet alleen bestaande producten te verbeteren, maar ook compleet nieuwe producten te creëren.

Doelstellingen

Een breed overzicht krijgen van de meeste concepten en methodologieën die te maken hebben met data & AI productmanagement

Loop weg met de mogelijkheid om

Deze cursus biedt een compleet overzicht voor een productmanager op het gebied van data analyse, data wetenschap en AI.

De cursus is beginnersvriendelijk opgebouwd. Zelfs als u nieuw bent in de data wetenschap en AI of als u nog geen ervaring hebt met productmanagement, brengen we u in de eerste paar hoofdstukken op snelheid. We beginnen met een inleiding in productmanagement voor AI en data. U leert wat de rol van een productmanager is en wat het verschil is tussen een product- en een projectmanager.

We gaan verder met het introduceren van enkele belangrijke technologische concepten voor AI en data. U leert hoe u onderscheid kunt maken tussen data analyse en data wetenschap, wat het verschil is tussen een algoritme en een AI, wat telt als machine learning en wat telt als deep learning, en wat de verschillende soorten machine learning zijn (supervised, unsupervised en reinforcement learning). Deze eerste twee modules van de cursus zullen u in een mum van tijd de grondbeginselen van het vakgebied bijbrengen en u zult een goed overzicht hebben van de huidige AI en data wetenschap.

Vervolgens gaan we het in module 3 hebben over bedrijfsstrategie voor AI en Data. We bespreken wanneer een bedrijf AI moet gebruiken, hoe u een SWOT-analyse uitvoert en hoe u een hypothese opstelt en test. In dit deel van de cursus krijgt u uw eerste opdracht - het maken van een zakelijk voorstel.

Module 4 richt zich op gebruikerservaring voor AI & Data. We zullen het hebben over het kernprobleem, methoden voor gebruikersonderzoek, hoe gebruikerspersona's te ontwikkelen en hoe AI prototyping aan te pakken. In module 5 gaan we het hebben over data management. U leert hoe u data voor uw projecten kunt inkopen en hoe deze data beheerd moet worden. U krijgt ook een idee van het type data dat u nodig hebt als u met verschillende soorten machine learning werkt.

In modules 6, 7, 8 en 9 onderzoeken we de volledige levenscyclus van een AI of data wetenschapsproject in een bedrijf. Van productontwikkeling tot modelbouw, het evalueren van de prestaties en het inzetten ervan, u zult een holistisch beeld krijgen van de manier waarop dit proces in de praktijk werkt.

Modules 10, 11 en 12 zijn ook erg belangrijk. U leert hoe u data wetenschappelijke en AI-teams kunt managen, en hoe u de communicatie tussen teamleden kunt verbeteren. Tot slot zullen we enkele noodzakelijke opmerkingen maken over ethiek, privacy en vooringenomenheid.

Opleidingsmateriaal

  • Opleidingsondersteunende documenten,
  • Methodologie voor zakelijke voorstellen

Beoordeling

De beoordeling van eerdere leerervaringen gebeurt tijdens de hele sessie door middel van workshops en oefeningen. Aan het einde van de sessie wordt de tevredenheid van de deelnemers systematisch ter plekke beoordeeld en wordt er een trainingscertificaat uitgereikt aan de deelnemers met vermelding van de trainingsdoelstellingen, de aard, het programma en de duur van de trainingsactie en de formalisering. prestaties

Vereisten

Geen specifieke vaardigheden vereist, idealiter eerdere ervaring in projectmanagement

Openbaar

  • Producteigenaren, managers die hun vaardigheden willen aanscherpen
  • Iedereen die aan de slag wil met data productmanagement

Vereist materiaal

Recente laptop (<5 jaar) met beheerrechten

Boek deze cursus

Op aanvraag



Hoofdinstructeur

Maxime Le Gouvello

Maxime Le Gouvello

Cursusagenda

Productbeheer voor AI & data

5 uur

Inleiding

  • Toenemend belang van een AI & data PM
  • De rol van een productmanager
  • Wat is er zo anders in data & AI?
  • Productbeheer vs. Projectbeheer

Belangrijke technologische concepten

  • Een productmanager als Analytics-vertaler
  • Data Analyse vs. Data Wetenschap
  • Traditionele algoritmen vs. AI
  • Uitleg over machinaal leren en diep leren
  • Wanneer Machine Learning vs. Deep Learning gebruiken
  • Gesuperviseerd, Niet-gesuperviseerd en Versterkingsleren
  • Welke algoritmen te gebruiken voor welk gebruik

Bedrijfsstrategie voor AI en data

4 uur

  • AI-innovaties in bedrijfsmodellen
  • Wanneer AI gebruiken
  • SWOT-analyse
  • Een hypothese opstellen en testen
  • AI business canvas
  • Casestudy

Gebruikerservaring voor AI & data

4 uur

  • Gebruikerservaring voor Data & AI
  • Het kernprobleem aanpakken
  • Methoden voor gebruikersonderzoek
  • Gebruikerspersoonlijkheden ontwikkelen
  • Prototypen met AI
  • Praktische oefeningen: snelle mockup, een UR-vragenlijst maken, een empathiekaart maken

Data beheer voor AI en data

4 uur

  • Data Groeistrategie
  • De verschillende data classificaties (gestructureerd / ongestructureerd, 1P/2P/3P, open / bedrijfs data, enz.)
  • Crowdsourcing Gelabeld Data
  • Nieuwe functie Data
  • Verwerving/aankoop Data Collectie
  • Databasissen, Datamagazijnen, & DataMeren
  • Een data model bouwen
  • Wat is een API?
  • Een interfacecontract schrijven

Productontwikkeling voor AI en data

4 uur

  • AI vliegwieleffect
  • De levenscyclus van productontwikkeling (Ontdekking, Prototype, MVP, Levering, Uitvoeren)
  • Problemen boven & onder oplossen
  • Technieken voor productideeën
  • Complexiteit vs. prioritering van voordelen
  • Agile methodologieën (scrum, kanban)

Het model bouwen

2 uur

  • Wie moet uw model bouwen
  • Machine-leren als een service (MLaaS)
  • In-House AI & de levenscyclus van machinaal leren
  • Tijdlijnen & afnemende opbrengsten
  • Een modelprestatiemeting instellen

Prestaties evalueren

4 uur

  • Verdelingstest Data
  • De verwarringmatrix
  • Precisie, Recall & F1-score
  • Optimaliseren voor ervaring
  • Foutherstel

Uitrol en voortdurende verbetering

2 uur

  • Methoden voor modelimplementatie
  • Modellen bewaken
  • Een feedbackmetriek selecteren
  • Feedbacklussen voor gebruikers
  • Schaduwimplementaties

Managen van data wetenschap & AI-teams

2 uur

  • AI-hiërarchie van behoeften
  • AI binnen een organisatie
  • Rollen in AI & Data-teams
  • Teamworkflow beheren
  • Behendig met twee sporen

Communicatie en ethiek

2 uur

Communicatie

  • Beheer van interne belanghebbenden
  • Data verwachtingen instellen
  • Actief luisteren en communiceren
  • Meeslepende presentaties met storytelling
  • Effectieve vergaderingen leiden

Ethiek, Privacy, Vooringenomenheid

  • Zorgen van AI-gebruikers
  • Slechte acteurs & veiligheid
  • AI versterkt menselijke vooroordelen
  • Data Wetten en voorschriften