AI/ML Produktmanagement

Seminarziel

Die Teilnehmenden erlernen die wesentlichen Unterschiede zwischen traditioneller Software und KI-Produkten. Ziel ist es, Geschäftspotenziale für ML-Anwendungsfälle zu identifizieren, Anforderungen an Datenqualität zu definieren und die Zusammenarbeit mit Data Scientists effizient zu steuern, um marktfähige Lösungen zu entwickeln.

Inhalt

• 1. Das Fundament: KI-Mindset für Produktverantwortliche
  • Probabilistik vs. Determinismus: Warum KI-Produkte niemals "fertig" sind und wie man mit unvorhersehbarem Systemverhalten umgeht.
  • Anwendungsfelder identifizieren: Klassifikation (Was ist das?), Regression (Wie viel?), Clustering (Was gehört zusammen?) und Generative KI.
  • Der AI-Product-Canvas: Strukturierung von Problemstellung, Datenbedarf und Erfolgskriterien auf einer Seite.
• 2. Daten als Produktbestandteil (Data Strategy)
  • Datenakquise und -qualität: Identifikation interner und externer Datenquellen sowie Strategien für das "Kaltstart-Problem".
  • Data Labelling und Annotation: Management des Aufwands für die Erstellung von Trainingsdaten und Auswahl der richtigen Werkzeuge.
  • Datenschutz und Compliance: Rechtliche Rahmenbedingungen (DSGVO, AI Act) und deren Einfluss auf das Produktdesign.
• 3. Problem-Solution Fit für ML
  • Hypothesengetriebene Entwicklung: Formulierung von klaren Geschäftshypothesen, die durch ML-Modelle validiert werden können.
  • User Experience für KI: Gestaltung von Interfaces, die Vertrauen schaffen und den Umgang mit Fehlprognosen (False Positives/Negatives) erleichtern.
  • Value Proposition: Warum KI hier die bessere Lösung ist als eine einfache regelbasierte Logik.
• 4. Metriken und Evaluation
  • Technische vs. Business-Metriken: Verständnis von Precision, Recall, F1-Score und deren Übersetzung in geschäftlichen Impact (ROI, Conversion).
  • Baseline-Definition: Festlegung eines Vergleichswerts (z. B. menschliche Leistung oder einfacher Algorithmus), um den Fortschritt zu messen.
  • Monitoring im Betrieb: Überwachung von "Model Drift" - wenn das Modell in der realen Welt an Genauigkeit verliert.
• 5. Der ML-Lebenszyklus und agile Prozesse
  • Experimentation Phase: Schnelles Prototyping und Machbarkeitsstudien (PoC) zur Risikominimierung.
  • Integration in Sprints: Anpassung von Scrum oder Kanban an die oft nicht-linearen Arbeitsweisen von Data Science Teams.
  • MVP-Definition für KI: Wie viel Genauigkeit ist für den Marktstart notwendig?
• 6. Zusammenarbeit mit Data Science Teams
  • Rollenverständnis: Brücken bauen zwischen Engineering, Data Science und Business.
  • Anforderungsmanagement: Wie man "User Stories" für ML schreibt, ohne die technische Lösung vorzugeben.
  • Erwartungsmanagement: Kommunikation von Unsicherheiten und Zeitbedarfen gegenüber dem Management.
• 7. Ethik, Bias und Erklärbarkeit (XAI)
  • Bias-Erkennung: Identifikation und Minimierung von Vorurteilen in Trainingsdaten und Modellergebnissen.
  • Explainable AI: Methoden, um "Black Box"-Entscheidungen für Nutzer und Regulierungsbehörden nachvollziehbar zu machen.
  • Ethische Leitplanken: Aufbau eines Wertekatalogs für den verantwortungsvollen Einsatz von KI im Unternehmen.
• 8. Die Praxis-Werkstatt: Das "AI Product Discovery"-Szenario
  • Case Study: Entwicklung einer Produktstrategie für ein konkretes ML-Szenario (z. B. Predictive Maintenance oder Personalisierung).
  • Modellierung der Feedback-Loop: Entwurf eines Systems, das durch Nutzerinteraktion automatisch besser wird.
  • Transferplan: Identifikation des ersten "Quick Win" KI-Anwendungsfalls im eigenen Portfolio.