ในยุคสมัยที่ Generative AI กำลังเปลี่ยนวิถีการทำงานและการใช้ชีวิตของเรา ชื่อของ Andrew Ng ผู้คร่ำวอดด้าน AI และผู้ก่อตั้ง DeepLearning.AI เมื่อเร็ว ๆ นี้ เขาได้โพสต์บน Facebook ส่วนตัวเกี่ยวกับบทบาทงานที่กำลังมาแรง นั่นก็คือ AI Product Management

ด้วยความที่ตำแหน่งนี้ไม่ได้เป็นเพียง “ผู้จัดการ” ในความหมายเดิม ๆ แต่คือหัวใจสำคัญที่ขับเคลื่อนโครงการ AI ให้กลายเป็นผลิตภัณฑ์ที่ใช้งานได้จริง Techsauce จึงอยากพาคุณมาทำความรู้จักให้ลึกขึ้น ว่าหน้าที่ของ AI Product Manager คืออะไร และทำไม Andrew Ng ถึงให้ความสำคัญกับเรื่องนี้จนต้องออกมาแชร์

AI Product Management คืออะไร ?

AI Product Management คือ ตำแหน่งที่พัฒนามาจากบทบาทของ Product Management ทั่วไป ซึ่งมักทำหน้าที่ในกระบวนการพัฒนาผลิตภัณฑ์ ตั้งแต่การระดมไอเดียไปจนถึงการนำไปใช้จริง โดยยึดตามหลักการของ Product Management

สำหรับ AI Product Management บทบาทนี้มีความซับซ้อนและต้องอาศัยความเชี่ยวชาญเฉพาะด้านมากขึ้น โดยเนื้องานครอบคลุมการดูแลพัฒนาผลิตภัณฑ์ที่เกี่ยวข้องกับ AI, Machine Learning หรือ Deep Learning แม้จะไม่ได้เจาะลึกถึงขั้นลงมือพัฒนาเทคนิคเชิงลึก แต่ AI Product Manager ต้องมีความเข้าใจในศักยภาพของเทคโนโลยีเหล่านี้ รวมถึงผลกระทบที่อาจเกิดขึ้นต่อการพัฒนาผลิตภัณฑ์

AI Product Management จึงเป็นบทบาทที่ต้องผสานความรู้ทั้งด้านเทคโนโลยี AI และการจัดการผลิตภัณฑ์ เพื่อเชื่อมโยงความซับซ้อนของนวัตกรรมกับความต้องการทางธุรกิจ ซึ่งก็จะมีหน้าที่ ดังนี้

• เข้าใจแนวโน้มตลาด ความต้องการของลูกค้า และเป้าหมายทางธุรกิจ เพื่อกำหนดกลยุทธ์และแนวคิดที่สอดคล้องกับเป้าหมายขององค์กร
• ประสานงานกับกลุ่มผู้มีส่วนได้ส่วนเสีย (Stakeholders) เพื่อให้ทุกฝ่ายเข้าใจเป้าหมายและแนวทางของผลิตภัณฑ์
• สื่อสารความต้องการของลูกค้าอย่างชัดเจน โดยแปลงข้อมูลเหล่านั้นเป็นความต้องการเชิงเทคนิคสำหรับทีมที่เกี่ยวข้อง
• กำหนดตัวชี้วัด (KPI) เพื่อวัดความก้าวหน้าและความสำเร็จของผลิตภัณฑ์
• ตัดสินใจโดยอิงจากข้อมูล และติดตามผลการดำเนินงานรวมถึงผลกระทบของผลิตภัณฑ์ AI ในตลาด
• ใช้ AI ในการวิเคราะห์และคาดการณ์เวลาบำรุงรักษาอุปกรณ์หรือผลิตภัณฑ์ เพื่อเพิ่มประสิทธิภาพด้านต้นทุน
• ตรวจสอบให้ผลิตภัณฑ์ปฏิบัติตามแนวทางจริยธรรม ในเรื่องความโปร่งใส ความเป็นธรรม และการปกป้องความเป็นส่วนตัว
• ติดตามความก้าวหน้าของ AI และเทคโนโลยีที่เกี่ยวข้อง เพื่อพัฒนาโซลูชันที่เหมาะสมสำหรับองค์กรและลูกค้า

แต่ในอนาคต Andrew Ng ชี้ว่าจะมี 3 ปัจจัยสำคัญที่ทำให้ตำแหน่ง AI Product Management นำผลิตภัณฑ์ AI ออกสู่ตลาดได้อย่างรวดเร็วและมีประสิทธิภาพมากขึ้น

3 ปัจจัยที่ช่วยให้เป็น AI Product Management ที่ทรงพลังขึ้น

Andrew Ng ชี้ว่าศาสตร์แห่งการกำหนดว่าเราควรสร้างอะไรเพื่อให้ตอบโจทย์ผู้ใช้งานได้ดีที่สุดในฐานะ AI Product Management จำเป็นที่จะต้องคิดอยู่บน 3 ปัจจัยเหล่านี้ ได้แก่

1. การใช้ตัวอย่างที่ชัดเจนและเจาะจงเพื่ออธิบายหรือกำหนดลักษณะของผลิตภัณฑ์ AI ที่ต้องการพัฒนา

การเริ่มต้นด้วยแนวคิดที่ชัดเจนช่วยให้ทีมทำงานได้เร็วขึ้น ตัวอย่างเช่นหาก AI Product Manage เสนอไอเดียว่าจะสร้าง “แชตบอตเพื่อตอบคำถามเกี่ยวกับบัญชีธนาคาร” การเสนอไอเดียแบบนี้ถือเป็นข้อแนวคิดที่ค่อนข้างคลุมเครือ 

เพราะมันสามารถตีความได้หลากหลาย เช่น แชตบอตจะตอบได้แค่ยอดเงินคงเหลือในบัญชี หรือรวมถึงอัตราดอกเบี้ย วิธีการโอนเงิน และอื่นๆ ด้วย ? ซึ่งอาจทำให้ทีมพัฒนาสับสนว่าผลิตภัณฑ์ควรทำอะไรได้บ้าง ทาง Andrew Ng จึงแนะนำว่า AI Product Manager ควรที่จะระบุสเปคหรือรายละเอียดแนวคิดของตนเองให้ชัดเจน

ตัวอย่างของการพัฒนาผลิตภัณฑ์ “แชตบอทตอบคำถามทางการเงินที่เกี่ยวข้องกับบัญชีธนาคาร”

• ระบุตัวอย่างคำถาม: “ยอดเงินในบัญชีฉันมีเท่าไหร่?”
• สิ่งที่อยากให้ AI ตอบ: “ยอดเงินในบัญชีของคุณคือ 1,234.56 บาท”

• ระบุตัวอย่างคำถาม: “ฉันจะโอนเงินผ่านธนาคารได้อย่างไร?”
• สิ่งที่อยากให้ AI ตอบ: “คุณสามารถโอนเงินผ่านแอปธนาคารได้โดยทำตามขั้นตอนนี้: …”

• ระบุตัวอย่างคำถาม: “ดอกเบี้ยเงินฝากคือเท่าไหร่?”
• สิ่งที่อยากให้ AI ตอบ: “ดอกเบี้ยเงินฝากปัจจุบันคือ 2.5%”

ตัวอย่างเหล่านี้ช่วยให้ทีมพัฒนาเข้าใจว่าแชทบอทต้องทำอะไรบ้าง และช่วยกำหนดขอบเขตงานได้ชัดเจน เหมือนกับที่อัลกอริทึม Machine Learning ต้องการตัวอย่างข้อมูลในการเรียนรู้ ทีมพัฒนาผลิตภัณฑ์ AI ก็ต้องการตัวอย่างที่ชัดเจนเพื่อเข้าใจว่าระบบ AI ควรทำอะไร 

2. ประเมินความเป็นไปได้ของผลิตภัณฑ์ AI ด้วยการลอง Prompt

เวลาที่ AI Product Management มีไอเดียที่จะสร้างผลิตภัณฑ์ AI สักชิ้นหนึ่ง สิ่งสำคัญที่ต้องดูคือ แอปพลิเคชันนี้สร้างได้จริงไหม? หรือความเป็นไปได้ทางเทคนิคนั่นเอง

ซึ่งจะช่วยให้สามารถตัดสินใจได้ว่าควรจะเดินหน้าหรือปรับแนวทางต่อไปยังไง ด้าน Andrew Ng เผยว่าปัจจุบัน AI Product Management ที่อาจไม่ได้เชี่ยวชาญด้านเขียนโปรแกรมสามารถลองใช้งาน LLM ด้วยการ Prompt ง่ายๆ หรือเขียนโค้ดเล็ก ๆ เพื่อประเมินว่าไอเดียนั้นเป็นไปได้แค่ไหน

ตัวอย่างเช่น

สมมติ AI Product Management อยากสร้างระบบที่ช่วยส่งอีเมลของลูกค้าไปยังแผนกที่เกี่ยวข้อง (เช่น บริการลูกค้า ฝ่ายขาย ฯลฯ) ก็สามารถทดสอบด้วยการลอง Prompt ให้ LLM อ่านอีเมล แล้วเลือกแผนกให้ถูกต้องไหม ถ้าผลออกมาดี แปลว่าระบบนี้มีโอกาสสร้างได้จริง และสามารถส่งต่อให้ทีมวิศวกรพัฒนาต่อได้

แต่ถ้าผลไม่ดี PM ก็จะรู้เร็วและสามารถปรับแก้หรือเปลี่ยนแนวคิดได้ไวขึ้น โดยไม่ต้องเสียเวลาขอให้ทีมเขียนโค้ดต้นแบบก่อน บางระบบอาจต้องการฟีเจอร์เพิ่มเติม เช่น หากระบบส่งอีเมลต้องการความสามารถในการดึงข้อมูล (RAG - Retrieval-Augmented Generation) เพื่อช่วยตัดสินใจ ในกรณีนี้ AI Product Management อาจต้องเขียนโค้ดเล็กน้อยเพื่อทำให้ระบบสมบูรณ์ขึ้น

Andrew Ng เผยว่าทุกวันนี้การเขียนโค้ดพื้นฐานไม่ยากเหมือนเดิม เพราะมี AI ช่วยแนะนำการเขียนโค้ด (AI Coding Companion) ทำให้ AI Product Management สามารถทดสอบความเป็นไปได้ของไอเดียได้เองแบบเบื้องต้นได้ง่ายขึ้น

3. สร้างต้นแบบและทดสอบโดยไม่ต้องพึ่งวิศวกร

การนำความคิดเห็นจากผู้ใช้งาน (User Feedback) มาใช้ร่วมกับต้นแบบ (Prototype) เป็นสิ่งสำคัญในการกำหนดทิศทางของผลิตภัณฑ์ ปัจจุบันการสร้างต้นแบบง่ายขึ้นมาก เพราะผู้จัดการผลิตภัณฑ์ (Product Manager หรือ PM) สามารถพัฒนาต้นแบบได้เองโดยไม่ต้องพึ่งพานักพัฒนาซอฟต์แวร์

Andrew Ng ได้กล่าวถึงเครื่องมือและเทคโนโลยีที่ช่วยให้การสร้างต้นแบบเป็นเรื่องง่าย เช่น:

• Replit
• Vercel’s V0
• Bolt
• Anthropic’s Artifacts

เครื่องมือเหล่านี้ออกแบบมาเพื่อช่วยให้คนที่ไม่มีพื้นฐานด้านการเขียนโค้ด สามารถสร้างและทดลองต้นแบบได้อย่างสะดวก อย่างไรก็ตาม หากมีพื้นฐานด้านการเขียนโค้ดเบื้องต้นก็จะช่วยเพิ่มประสิทธิภาพในการใช้งานเครื่องมือเหล่านี้ได้ดียิ่งขึ้น

Andrew Ng เล่าว่า สมาชิกในทีมของเขาหลายคนใช้เครื่องมือเหล่านี้สร้างต้นแบบ รับฟังความคิดเห็นจากผู้ใช้งาน และปรับปรุงต้นแบบได้อย่างรวดเร็ว ช่วยให้กระบวนการพัฒนาผลิตภัณฑ์เดินหน้าได้ไวและมีประสิทธิภาพมากขึ้น

Andrew Ng ผู้เชี่ยวชาญด้าน AI ชี้ว่า AI Product Management กำลังเป็นศาสตร์ที่น่าจับตามอง และเขายังคงเดินหน้าศึกษาและแบ่งปันแนวทางปฏิบัติที่ดีที่สุดในอุตสาหกรรมนี้อย่างต่อเนื่อง

อ้างอิง: simplilearn , deeplearning.ai