2# ניהול מוצר AI בפעולה – Case Study בחברת Atera
דיסקליימר #1
חשוב לציין שהייתי מנהלת מוצר AI בתקופה שלפני הפופולריות של מודלי LLM, ועבדנו בטכנולוגיות שקדמו להתפתחות של Generative AI
רגע לפני שנצלול למשימות הקונקרטיות:
חשוב להבין שניהול מוצר AI הוא תחום מורכב, שמשלב טכנולוגיות מתקדמות עם צרכים ארגוניים. בפוסט הזה אשתף אתכן בהבטים של העולם שבו פעלתי ב-Atera, ובתהליך העבודה שנבנה סביב פיתוח הפרויקט "מערכת לניהול בקשות (Ticket System)". בנוסף, אדבר על שיתוף הפעולה בין צוותי המוצר והמחקר, ועל האתגרים שעמדו בפניי כמנהלת מוצר AI.
אז יאללה, בואו נצא לדרך!
חברת Atera – מספקת פתרונות טכנולוגיים לניהול IT בארגונים, המתמחה בעיקר בשני ורטיקליים מרכזיים:
- RMM (Remote Monitoring and Management) – פתרון לניהול מרחוק של רשתות, מחשבים ושרתים.
- PSA (Professional Services Automation) – מערכת לאוטומציה של תהליכי שירות ותמיכה.
מטרת החברה היא להקל על צוותי IT בעבודה היומיומית שלהם, דרך מתן פתרונות לניהול תקלות, שירות ותהליכים אוטומטיים
דיסקליימר #2
בפוסט הזה לא נעסוק במחקרי שוק, ראיונות משתמשים או ניתוח מתחרים – כל אלו הם חלק מרובד הבסיס שהזכרתי בפוסט הראשון בסדרה. אנחנו נעמיק דווקא לתוך השכבות המורכבות של פרויקט המבוסס AI
תצורת עבודה בצוותי המוצר והפיתוח
ב-Atera, בכל צוות פיתוח יש מנהל מוצר המנהל גם את משימות ה-Product Owner (PO). יחד הם מרכיבים את "צוות המוצר", שבו רוב המפתחים הם מפתחי Full-Stack.
הצוות פיתוח שלי כלל שני Data Scientists וארבעה אנליסטים, מומחים בתחום הדומיין שבו עבדנו. כשנכנסתי לתפקיד, לא הייתה פונקציה ייעודית לניהול מוצר בצוות.
כמנהלת מוצר AI, רוב האנשים שעבדתי איתם היו יותר בצד הטכנולוגי של המערכת; Backend Developer, Data-Science ו – Architect.
ובתדירות נמוכה יותר בצד החיצוני שמתמקד במוצרי הקצה שהחברה מספקת, כמו אנשי CSM, Sales, או Marketing.
פרויקט "מערכת לניהול בקשות" – IT Ticketing System
המערכת הזו מאפשרת לנהל בקשות IT שונות, כגון איפוס סיסמאות, הרשאות גישה ובקשות לציוד חדש. מטרת הפרויקט שלנו הייתה לשייך כל בקשה (Event, Alert, Question, or Request) לקטגוריה המתאימה לו. לדוגמה, בקשה כמו "איפוס סיסמא" יישויך לקטגוריית System/Login
איך עשינו זאת? באמצעות מודל AI מתקדם, המשתמש בטכניקות של עיבוד שפה טבעית (NLP) כדי לנתח את תוכן הבקשות. המודל מזהה תבניות וקשרים, מה שמאפשר שיוך מדויק של כל בקשה לקטגוריה המתאימה.
זהו תהליך מורכב שדורש שילוב בין ניתוח נתונים מתקדם לבין הבנה עמוקה של הצרכים העסקיים.
אז בקצרה, מה יש לנו ביד?
- דאטה בכמויות גדולות
- חזון אסטרטגי ברור
- צוות פיתוח תותח
- מטרה – לשייך לכל בקשה את הקטגוריה הנכונה, כדי לייעל את תהליכי העבודה של צוותי ה-IT.
בחלק השני בפוסט הבא אכנס לפרטי המשימות ואיך אני מתמודדת איתן ביום-יום
דיסקליימר #3
החלק השני אינו תיאור מלא של הפרויקט, אלא רק קווי מתאר מרכזיים שנועדו להמחיש באופן קונקרטי את השוני והייחודיות בתפקיד ניהול מוצר בתחום ה- AI & Data
גבולות הגזרה בתפקיד
כמנהלת מוצר AI, מצאתי את עצמי מנווטת בין גבולות גזרה טכניים ואסטרטגיים. העבודה שלי כוללת הבנה של האתגרים והצרכים של לקוחות פנימיים וחיצוניים:
לקוחות פנימיים – עבודה צמודה עם צוותי המוצר האחרים (כפי שהזכרתי, ב-Atera צוות מוצר מורכב ממפתחי Full-Stack ומנהל מוצר). אני חייבת להבין את הפערים והאתגרים שמנהלי מוצר אחרים מתמודדים איתם כדי לנצל את ההזדמנויות שניתן למנף באמצעות AI.
לקוחות חיצוניים – במקרה שלנו, מדובר בטכנאי IT. זוכרים שהפרויקט שלנו ישולב כחלק ממערכת לניהול בקשות? אז חשוב לי להכיר לעומק את פרסונת משתמש הקצה. לא מספיק להסתמך רק על הנתונים הכמותיים; חייבים לצלול גם לנתונים האיכותניים. ניקח לדוגמה את תחום ה-Phishing: גם אם מספר הבקשות בתחום הזה קטן, המשמעות שלהם קריטית.
תזכרו:
נתונים כמותיים הם חלק מהסיפור, אבל הנתונים האיכותניים הם אלו שחושפים את המשמעות האמיתית
תצורת עבודה ייחודית
הפרויקט התאפיין בכך שחלק מהמשימות היו יותר "מחקריות" מטבען, ולכן בחרנו לשלב בין גישות שונות לניהול משימות: משימות שניתן לשבור למדרגות בספרינטים לעומת משימות שהתאימו יותר לעבודה בסגנון Kanban.
בין חזון למציאות: כיצד האסטרטגיה משפיעה על המשימות היומיומיות?
החזון שלנו היה להגדיל את השימוש במערכת ה-PSA דרך מערכת לניהול בקשות. בפועל, זה התבטא במשימה ברורה:
Auto-labeling of tickets, עם שיוך קטגוריה לתוכן הבקשות.
במהלך השנים שלי בתחום ניהול המוצר, גיליתי שהמתודה של What, How, Why היא כלי רב ערך. היא מספקת לנו לא רק הבנה ברורה של מה אנחנו מפתחים (What), אלא גם מסבירה איך אנחנו מתכוונים לבצע את זה (How) ולמה זה חשוב (Why). בשימוש במתודה הזו, הצוותים שלי הצליחו להתחבר יותר טוב למטרות שלנו, מה שהוביל לשיפורים משמעותיים בתהליכים ובתוצאות. אני ממליצה עליה לכל מנהלי המוצר שמחפשים לייעל את העבודה שלהם.
ממליצה על הסרטון המעולה של Simon Sinek שמרחיב על המתודה.
- What – אוטומציה של שיוך קטגוריות לכרטיסים
- How – חיבור כל בקשה לקטגוריה הנכונה
- Why – זו הסיבה שאני כאן, ואני נהנית מזה! 😊
כשהידע שלך חזק, אבל הלמה נשאר בחוץ: שיעור בניהול מוצר מ-The Big Bang Theory!
אז איך נראה היום-יום שלי?
בפוסט זה בחרתי להתמקד במשימת הMVP שמבטאת בצורה הטובה ביותר את הזיקוק של ה'?why'
המודל יודע לחזות 30 קטגוריות, ולצד זה, האתגר שלי כמנהלת מוצר AI הוא לזקק את הערך ולבנות סביבו MVP
כחלק ממשימת הMVP , הייתי צריכה להגדיר מדדים כמו precision, recall, certainty ו-coverage (פוסט בהרחבה בהמשך) אשר קשורים למשימות ייצור דוחות של הצוות. בנוסף, ביצעתי מחקר מעמיק על הקטגוריות השונות, למשל זיהוי הקטגוריה הנפוצה ביותר (גם אצל הלקוחות וגם בדאטה!)
דוגמה נוספת, אפיינתי דפוסים בתוכן של הבקשות (tickets) שיכולים להעיד על מורכבות הטיפול בהם. אם בקשה כוללת שרשור ארוך ומעורבים בו יותר מטכנאי IT אחד, זה עשוי להעיד על כך שישנה מורכבות מסוימת בפתרון הבעיה.
בתור מנהלת מוצר, אני מצליחה לזהות את הדפוסים הללו בזכות ההבנה העסקית שלי בלקוחות פנימיים וחיצוניים.
איך אני עושה את זה? כחלק מהתהליך, ביצעתי "data exploration" (פוסט בהרחבה בהמשך) שמאפשר לי להבין לעומק את מערך הנתונים ולזהות קשרים בין משתנים שונים. גישה זו מעניקה לי יתרון בהשגת המטרות שלנו, ומסייעת לי לענות על שאלות עסקיות וליצור השערות לניתוחים עתידיים. אפשר לבצע אקספלורציה גם בצורה ידנית וגם בעזרת מערכות ייעודית לכך.
