પ્રોડક્ટ મેનેજરો માટે AI: સંશોધન, વિગતવાર જરૂરિયાતો અને વિવેકપૂર્ણ નિર્ણય

ઉત્પાદન વ્યવસ્થાપનમાં AI નો ઉપયોગ કેવી રીતે કરી શકાય?

ઉત્પાદન સંચાલક માટે AI ઝડપી, થાક્યા વગર વાંચનાર અને પ્રથમ મુસદ્દો લખનાર તરીકે સૌથી ઉપયોગી છે. તે મિનિટોમાં ઘણી નોંધો પર કામ કરી શકે છે, પ્રતિસાદને જૂથોમાં ગોઠવી શકે છે અને વિશિષ્ટતાઓનું પ્રાથમિક માળખું તૈયાર કરી શકે છે. ઉત્પાદન સંચાલકને મૂલ્યવાન બનાવતી બાબતોમાં તે સૌથી નબળું છે: કયા પુરાવા સમગ્ર સ્થિતિનું પ્રતિનિધિત્વ કરે છે, વ્યૂહરચના માટે કયો ગ્રાહક મહત્ત્વનો છે અને કઈ બાંધછોડ વ્યવસાય માટે સ્વીકાર્ય છે તે જાણવું.

તમારી કંપની જે સામગ્રી વહેંચવાની મંજૂરી આપે છે તેનો ઉપયોગ કરીને સામાન્ય સહાયક આ કાર્યોમાં મદદ કરી શકે છે:

AI ગ્રાહકો સાથેની મુલાકાતોનો સારાંશ બનાવે ત્યારે કઈ ભૂલો થાય છે?

સામાન્ય સમસ્યા વાતને વધારીને રજૂ કરવાની છે. 'મુખ્ય વિષયો' જણાવવાનું કહેતાં મોડેલ બે લોકોએ કહેલી વાતને 'વપરાશકર્તાઓ શું ઇચ્છે છે' તરીકે રજૂ કરે છે, મતભેદોને દૂર કરી દે છે અને કોઈએ કહ્યું જ ન હોય એવું અવતરણ પણ બનાવી શકે છે. એ સારાંશ પરથી લેવાયેલો ઉત્પાદન અંગેનો નિર્ણય અસ્તિત્વમાં જ ન હોય એવા પુરાવા પર આધારિત હોય છે.

એક કાલ્પનિક ઉદાહરણ. લેજરલી બિલ બનાવવા માટેની એક નાની ઍપ છે. પ્રોડક્ટ મેનેજર પાસે છ ગ્રાહકોના ઇન્ટરવ્યૂની નોંધો છે. બે ગ્રાહકોએ ચુકવણી માટે આપમેળે યાદ અપાવવાની સુવિધા માંગી. એકે કહ્યું કે આવી યાદ તેમના ગ્રાહકોને હેરાન કરશે અને તેઓ તેને બંધ કરી દેશે. ત્રણ ગ્રાહકોએ યાદ અપાવવાનો ઉલ્લેખ કર્યો નહીં અને મુખ્યત્વે બેંક વ્યવહારોનો હિસાબ મેળવવામાં થતી ધીમી પ્રક્રિયા વિશે વાત કરી.

એક અસ્પષ્ટ સૂચના, 'આ મુલાકાતોમાંથી મુખ્ય મુદ્દાઓનો સારાંશ આપો', પરથી આ લખાણ મળ્યું: 'વપરાશકર્તાઓ આપમેળે ચુકવણીનાં સ્મરણપત્રો મોકલવાની સુવિધા ખૂબ ઇચ્છે છે. એક ગ્રાહકે કહ્યું તેમ, “સ્મરણપત્રો માટે હું વધારાના પૈસા ચૂકવીશ.” હિસાબોની મેળવણી ગૌણ ચિંતા છે.' ટાંકેલું વાક્ય કોઈએ કહ્યું જ નહોતું. સૌથી વધુ સમર્થન ધરાવતા મુદ્દા, હિસાબોની મેળવણીને, ગૌણ બનાવી દેવાયો. વાંધો ગાયબ થઈ ગયો.

વધુ સારી સૂચના: 'દરેક વિષય માટે, તેનો ઉલ્લેખ કરતા ઇન્ટરવ્યૂની સંખ્યા, ઇન્ટરવ્યૂના ઓળખક્રમ અને નોંધોમાંથી જેમનું તેમ નકલ કરેલું એક અવતરણ આપો. વિષયથી વિરુદ્ધ વાત કરતા કોઈપણ ઇન્ટરવ્યૂની યાદી આપો. વિષયોને મહત્ત્વ પ્રમાણે ક્રમ ન આપો.' ચકાસેલા સારાંશમાં પછી આ લખાયું: હિસાબનો મેળ બેસાડવાનો મુદ્દો, 6 માંથી 3 ઇન્ટરવ્યૂમાં ઉઠાવાયો (I2, I4, I6); ચુકવણીની યાદ અપાવવાની વિનંતી, 6 માંથી 2 માં કરાઈ (I1, I3), અને એક વાંધો નોંધાયો (I5). પ્રોડક્ટ મેનેજરે સારાંશ વહેંચતાં પહેલાં દરેક અવતરણને નોંધો સાથે સરખાવીને ચકાસ્યું.

તમે AI વડે જરૂરિયાતો અને વિશિષ્ટતાઓનું વધુ સારું વર્ણન કેવી રીતે લખો છો?

તમારા માટે વિશિષ્ટતાઓ લખવાને બદલે તેમાં શું ખૂટે છે તે શોધવા AI વાપરો. જે ઉત્પાદન વ્યવસ્થાપક સમસ્યાનું વર્ણન અને લક્ષ્યો જાતે લખે છે તે તેમને સમજે છે; તૈયાર કરેલી આવૃત્તિ સ્વીકારી લેનાર વ્યક્તિ ઘણીવાર સમીક્ષા વખતે તેને યોગ્ય ઠેરવી શકતી નથી.

લેજરલીનું ઉદાહરણ આગળ વધારીએ તો, ધારો કે ટીમ ખરેખર યાદ અપાવવાની સુવિધા બનાવે છે. ઉત્પાદન સંચાલક એક ફકરાનું વર્ણન લખીને પૂછે છે: 'આ સુવિધાએ સંભાળવી જ પડે તેવી અપવાદરૂપ પરિસ્થિતિઓની યાદી બનાવો. તેમને બિલિંગ, સમય અને ગ્રાહકના અનુભવ પ્રમાણે જૂથોમાં ગોઠવો.' ઉપયોગી યાદીમાં આંશિક ચુકવણી થયેલાં બિલ, ગ્રાહકે વાંધો ઉઠાવ્યો હોય તેવાં બિલ, અલગ સમયક્ષેત્રમાં રહેતા ગ્રાહકો, જાહેર રજાના દિવસે મોકલવા માટે નક્કી કરેલો યાદ અપાવતો સંદેશ, સંપર્ક ન કરવા કહ્યું હોય તેવો ગ્રાહક અને યાદ અપાવતો સંદેશ મોકલ્યા પછી ફેરફાર કરાયેલું બિલ સામેલ હોય છે.

પછી પ્રોડક્ટ મેનેજર નક્કી કરે છે કે કયા અપવાદરૂપ કિસ્સાઓ પ્રથમ આવૃત્તિના કાર્યક્ષેત્રમાં આવે છે, કયા સ્પષ્ટપણે હેતુની બહાર છે અને કયા માટે ઇજનેરી અભિપ્રાય જરૂરી છે. આ નિર્ણય અને તેની પાછળનું તર્ક એ વિશિષ્ટતાઓના દસ્તાવેજનો સૌથી મહત્ત્વનો ભાગ છે, અને તે બીજાને સોંપવા જેવું કામ નથી.

શું AI પ્રોડક્ટની ડિઝાઇન બનાવી શકે છે અથવા પ્રોડક્ટ મેનેજરનું કામ કરી શકે છે?

AI બંનેના કેટલાક ભાગોમાં મદદ કરી શકે છે. તે ઇન્ટરફેસ માટે લખાણનો મુસદ્દો તૈયાર કરી શકે છે, ગોઠવણીના વિકલ્પો સૂચવી શકે છે, કેટલાંક સાધનોમાં પ્રાથમિક નમૂનાઓ બનાવી શકે છે અને ઝડપથી અનેક રૂપાંતરો તૈયાર કરી શકે છે. વિકલ્પો અજમાવવા માટે આ ઉપયોગી છે, અને વપરાશકર્તાઓ, બ્રાન્ડ અને મર્યાદાઓને કયો વિકલ્પ અનુરૂપ છે તે નક્કી કરવાનું કામ હજી પણ ડિઝાઇનર અથવા ઉત્પાદન સંચાલકે જ કરવાનું રહે છે.

પ્રોડક્ટ મેનેજરનું મુખ્ય કામ પસંદગી કરવાનું છે: કઈ સમસ્યા, કયા ગ્રાહકો, કઈ બાંધછોડ અને શું ન બનાવવું. આ પસંદગીઓ એવી પૃષ્ઠભૂમિની માહિતી પર આધાર રાખે છે જે મોડેલ પાસે નથી, જેમ કે કંપનીની વ્યૂહરચના, ચોક્કસ ગ્રાહકોને આપેલી પ્રતિબદ્ધતાઓ અને ઇજનેરી ટીમ કેટલો બોજ લાંબા સમય સુધી સંભાળી શકે છે. કઈ ભૂમિકાઓ બદલાશે અને કેટલી ઝડપથી બદલાશે તેની અમે આગાહી કરતા નથી.

શું AI પ્રોડક્ટ મેનેજર અને AIનો ઉપયોગ કરતા પ્રોડક્ટ મેનેજર એક જ છે?

ના. AI પ્રોડક્ટ મેનેજરનો સામાન્ય અર્થ AI સુવિધાઓ બનાવતી વ્યક્તિ થાય છે: મોડેલે કેવી રીતે વર્તવું જોઈએ તે નક્કી કરવું, મૂલ્યાંકનો તૈયાર કરવાં, નિષ્ફળતાના કિસ્સાઓ સંભાળવા અને મોડેલ દ્વારા જવાબ ઉત્પન્ન કરવાના ખર્ચનું સંચાલન કરવું. આ વિશેષજ્ઞ ક્ષેત્ર છે, જેના માટે અલગ અભ્યાસક્રમો અને ભરતી બજાર છે.

આ માર્ગદર્શિકા એવા વધુ મોટા સમૂહના ઉત્પાદન મેનેજરો વિશે છે જેઓ પોતાનું વર્તમાન કામ વધુ સારી રીતે કરવા AI સાધનો વાપરે છે. જો તમે AI સુવિધાઓ બનાવી રહ્યા હો, તો તમને બંનેની જરૂર છે: આ પૃષ્ઠ પરનાં રોજિંદાં કૌશલ્યો અને મોડેલના મૂલ્યાંકન તથા વર્તન અંગેનું અલગ પાયાનું જ્ઞાન, જે આ પૃષ્ઠમાં આવરી લેવાયું નથી.

ઉત્પાદન સંબંધિત કયા પુરાવા AI સાધનોમાં દાખલ ન કરવા જોઈએ?

તમે ઉપયોગ કરી રહ્યા છો તે સાધન માટે તમારી કંપનીએ મંજૂર ન કરેલી કોઈપણ માહિતી. મુલાકાતની નોંધોમાં ઘણી વાર નામો, નોકરીદાતાઓ અને વ્યક્તિની ઓળખ થાય તેવી વિગતો હોય છે; પેસ્ટ કરતાં પહેલાં તે દૂર કરો અને તેમના સ્થાને મુલાકાતના ઓળખક્રમાંકો મૂકો. જાહેર ન કરેલી ભાવિ ઉત્પાદન યોજનાની વિગતો, કિંમત યોજનાઓ અને કરારની શરતો પર નીતિ મુજબ પ્રતિબંધ હોઈ શકે છે.

વ્યક્તિગત ખાતાને બદલે કંપનીના મંજૂર કાર્યક્ષેત્રનો ઉપયોગ કરો અને સંશોધનનાં રેકોર્ડિંગ અથવા લખાણરૂપ ઉતારા અપલોડ કરતાં પહેલાં તમારી સંસ્થાની AI નીતિ તપાસો. વ્યક્તિગત ડેટા સામેલ હોય ત્યારે કયું સાધન વપરાય છે તેનાથી ફરક પડતો નથી; ડેટાનું રક્ષણ કરવાની ફરજ સંસ્થાની રહે છે.

પ્રોડક્ટ ટીમે AIનો ઉપયોગ કરવાની પ્રેક્ટિસ કેવી રીતે કરવી જોઈએ?

ભૂતકાળના એવા નિર્ણય પર અભ્યાસ કરો જેના પુરાવા અને પરિણામ તમે પહેલેથી જાણો છો.

આ અભિગમ ક્યારે યોગ્ય ઉકેલ નથી?

જો તમારું સંશોધન થોડાક ઇન્ટરવ્યૂ પૂરતું હોય, તો તે જાતે વાંચો. AI વડે સંકલિત સાર બનાવવાથી સમયની બહુ ઓછી બચત થાય છે, અને નોંધો વાંચવાથી જે સંદર્ભ મળે છે તે સાર આપી શકતો નથી. જ્યારે એક વ્યક્તિ ધ્યાનથી વાંચી શકે તે કરતાં વધુ સામગ્રી હોય ત્યારે AI ઉપયોગી બને છે, અને ત્યારે પણ તેણે વાંચવાનું સ્થાન લેવાને બદલે શું વાંચવું તે બતાવવું જોઈએ.

Tosheo.ai એ AI ઉત્પાદન સંચાલન કે મૉડેલ મૂલ્યાંકનનો અભ્યાસક્રમ નથી. તે લોકોને તેમના રોજિંદા કામમાં સામાન્ય AI સાધનો વાપરતાં શીખવવા માટે વિકસાવવાની પ્રક્રિયામાં છે, જેમાં ઉત્પાદન ભૂમિકાનો અભ્યાસક્રમ, ટૂંકા પાઠો અને દેખાતા મૂલ્યાંકન માપદંડોના આધારે ગુણ અપાતાં અભ્યાસ કાર્યોનું આયોજન છે. જો તમને AI ઉત્પાદનો બનાવવામાં કારકિર્દી માટેનો અભ્યાસક્રમ જોઈએ છે, તો વિશેષ અભ્યાસક્રમ વધુ સારો વિકલ્પ છે.