שאלות נפוצות, תשובות מומלצות וטיפים מקצועיים
אני מתחיל מהבעיה העסקית ולא מהטכנולוגיה. מגדיר success metrics ברורים, מזהה את הדאטה הזמין, ומעריך feasibility עם צוות ה-ML. כותב PRD שכולל: use case, data requirements, model requirements, success criteria ו-failure modes. בפרויקט האחרון הגדרתי threshold מינימלי של 90% accuracy לפני שיקול launch.
אומר לצוות ה-AI מה לבנות ומצפה שיעבוד.
אני מודד בשני מישורים: מדדי מודל (accuracy, latency, coverage) ומדדי עסקיים (adoption rate, time saved, revenue impact). חשוב לי שהמדדים מתכנסים — מודל מדויק שאף אחד לא משתמש בו הוא כישלון. בנוסף, מנטר user feedback ו-edge cases.
אם הצוות הטכני אומר שהמודל טוב, זה מספיק.
AI הוא לא קסם, וחשוב לתקשר את זה. אני מציג POC מוקדם כדי להראות יכולות ומגבלות, מגדיר milestones ריאליסטיים, ומשתף את ה-tradeoffs בצורה שקופה. כשלקוח רצה 100% accuracy, הסברתי שזה לא אפשרי והצגתי human-in-the-loop כפתרון מעשי.
AI יכול לעשות הכל, רק צריך מספיק דאטה.
אני מטמיע responsible AI מהשלב הראשון. מגדיר bias metrics ובודק אותם בכל iteration, מוודא שקיפות ויכולת הסבר של ההחלטות, ומייצר documentation ברורה על מגבלות המודל. בפרויקט גיוס AI הגדרנו fairness metrics לגיל, מגדר ואתניות.
זה אחריות של הצוות הטכני.
אני משתמש ב-framework שמשלב impact עסקי, feasibility טכנית, data readiness ו-risk. לא כל בעיה צריכה AI — לפעמים rules-based solution עדיפה. בחברה האחרונה דחיתי 3 פרויקטי AI כי ניתוח הראה שהדאטה לא מספיק או שה-ROI לא מצדיק.
אני בוחר את הפרויקט הכי מגניב טכנולוגית.
שיטת STAR: Situation, Task, Action, Result — הדרך הטובה ביותר לענות על שאלות התנהגותיות.
החברה רצתה להוסיף AI לכל מוצריה אבל לא היה ברור מאיפה להתחיל — 10 רעיונות שונים מ-stakeholders שונים
הייתי צריך לבנות AI roadmap מתועדף שמביא ערך עסקי מהיר עם משאבים מוגבלים
ריאיינתי לקוחות, ניתחתי דאטה זמין, בנתתי scoring model של impact vs effort vs data readiness, ובחרתי 3 פרויקטים לביצוע ברבעון הראשון עם POC בתוך חודש
הפרויקט הראשון (חיזוי churn) עלה לאוויר תוך 2 חודשים, חסך 1.5M שקל בשנה, ובנה אמון שאפשר לצוות AI לגדול מ-3 ל-12 אנשים
הכר את יכולות ומגבלות של AI/ML — אתה צריך לדבר בשפה טכנית עם הצוות
הכן דוגמאות של מוצרי AI שניהלת עם metrics
הדגש את היכולת לגשר בין טכנולוגיה לעסק
הכר את הנושאים החמים: LLMs, generative AI, responsible AI
היה מוכן לדבר על data strategy, ML lifecycle ו-MLOps
הכן שאלות על המוצרים, ה-AI strategy והדאטה של החברה
לא להבין את הבסיס הטכני של AI/ML
לחשוב ש-AI פותר הכל — חוסר חשיבה ביקורתית
להתעלם מנושאי ethics, bias ו-fairness
לא לדעת לדבר על data quality ו-availability
להתייחס ל-AI כ-feature ולא כ-capability שדורשת תחזוקה
לבוש עסקי-קז׳ואל. כמנהל מוצר אתה בממשק עם הנהלה ולקוחות, אז חולצה מכופתרת ומכנסי בד. בסטארטאפי AI — קצת יותר קז׳ואל.
כן, חזק. לא צריך לדעת לאמן מודלים, אבל צריך להבין: מהו ML pipeline, מה זה training vs inference, מה ההשפעה של data quality, ומה ה-tradeoffs בין גישות שונות. קורס ML בסיסי הוא מינימום.
AI PM צריך להתמודד עם אי-ודאות גבוהה יותר — לא תמיד יודעים אם המודל יעבוד לפני שמנסים. צריך להבין data requirements, model lifecycle, ולנהל ציפיות. זמני הפיתוח פחות צפויים ודרוש יותר experimentation.