Concevez, développez et déployez des produits d'IA

Une équipe Produit traditionnelle comporte généralement un PM, quelques développeurs et un Designer. Pour un produit d'IA, il faut y ajouter des data scientists, des ML engineers ou encore des spécialistes des évaluations… Chacun avec ses propres métriques et son propre langage.
Le PM doit trouver l’équilibre entre précision du modèle, expérience utilisateur, coûts de l’infrastructure et Time-to-Market. Il ne s’agit pas simplement d’ajouter de nouveaux profils à une équipe : la manière de collaborer doit complètement changer. 

Pour un produit classique, on priorise en comparant l'impact potentiel à l'effort à fournir. Pour un produit d'IA, c’est plus complexe : est-ce qu’améliorer la précision de son modèle de 3% vaut vraiment trois semaines de travail, dans la mesure où ces trois semaines pourraient être consacrées à l’UX, à l’enrichissement de la data ou à la réduction des coûts d’inférence ?
Le backlog couvre à la fois la performance du modèle, l’expérience utilisateur et les coûts d’infrastructure. La plupart des frameworks Produit n’en tiennent pas compte : il vous en faut d’autres.

Là où un produit classique se stabilise après sa mise en production, un produit d'IA commence à dériver au moment où on le lance : les données sur lesquelles on l'a entraîné perdent en pertinence, et les performances baissent sans qu’on ait touché une ligne de code.
Il faut continuer à entraîner le modèle et enrichir les datasets d’évaluation avec les retours utilisateurs, pour permettre au produit de rester performant. L’évaluation du modèle et l’optimisation des coûts (du choix de modèle aux coûts d'inférence) sont des enjeux quotidiens.