Я недавно писал пост про аналитику: её полезно знать, но на деле продакт погружается в неё ровно настолько, насколько хочет сам. Здесь так же. И да, я считаю что через пару лет знание ML станет базой для профессии, и сейчас у нас просто есть опции для погружения.🐤
🥰 Представим гипотетического гига-чеда, который прошёл курсы и прочитал 100500 статей. На собеседовании он звучит уверенно, с инженерами говорит на одном языке,
При этом он не увидит критичных багов в модели, не подберёт идеальную архитектуру, и не спасёт проект в одиночку 😠
Как правило, если в продукте есть ML инициативы, то там уже есть инженеры, способные подобрать наилучшее решение. Продакт оформляет бизнес-запрос, обозначает цели, и менеджерит качественный запуск – всё как в обычном проекте.
А теперь представим среднестатистического продакта, который не успел потрогать ML в работе, но оказался в таком проекте:
Если команда и проект небольшие — придётся втянуться и качать экспертизу: по сути, быть членом ML-команды.
Например, если хотите самостоятельно валидировать гипотезы, или формируете движок: рекомендации, ранжирование в поиске. Здесь большую роль играет то, как быстро вы учитесь и какой у вас продуктовый опыт за плечами.
Если проект крупный — инженеры всё сделают: подберут модель, соберут датасет, посчитают точность. А вы определите метрики успеха и обоснование для бизнеса.
Да, для дальнейшего роста или развития проекта вам нужно будет более глубокое погружение, но плюс в том, что вы уже оказались в среде и изучаете конкретные алгоритмы. Все ваши знания – прикладные ↗️
Таким образом, знать – полезно, но важно понимать зачем и для чего. Если идёте с рынка на более-менее зрелый ML- проект, то база важна. Если экспериментируете в своем продукте то погрузиться можно и по ходу дела.
Ставь арбуз, если хочешь в следующем посте получить список материалов для плавного погружения в ML! 🍉