مدیر محصول هوش مصنوعی تو اسپاتیفای: یه شغل با سه چهرهٔ متفاوت
خلاصهٔ کاملتر
تو این مقاله از وبلاگ مهندسی اسپاتیفای، سه تا Principal Product Manager که همه تو بخش Personalization کار میکنن، توضیح میدن چرا «AI PM» یه شغل نیست. هر سه روی یه استک فنی کار میکنن و دنبال یه هدفان، ولی وقتی میگن «کیفیت»، «evals» (یعنی آزمونهایی که خروجی مدل رو میسنجن) یا «شیپ کردن»، منظورشون یکی نیست. به گفتهٔ نویسندهها، اصول مدیریت محصول هنوز سر جاشه، ولی هر لایه تخصص خودش رو میخواد.
لایهٔ پژوهش (Henok): محصول اینجا «اهرم فنی»ه، یعنی جایی که دانش علمی تصمیمهای ساخت رو عوض میکنه. هنوک میگه هوش مصنوعی ساخت یه prototype جذاب رو آسون کرده، ولی فاصلهٔ اون تا محصولی که برای صدها میلیون کاربر درست کار کنه زیاده. پس latency، هزینه، داده و integration هم جزو سؤال پژوهشیان. یه معماری امیدوارکننده هم نقشهٔ راه نیست؛ کار اون اینه که ایدهٔ بزرگ رو به تصمیمهای کوچیک و قابلآزمون بشکنه. چون اثر پژوهش ماهها بعد تو roadmap تیمهای دیگه دیده میشه، باید تیمها رو زود درگیر کنه.
لایهٔ مدل (Divita): دیویتا مدیر محصول یه foundation model (یعنی یه مدل زبانی پایه که مخصوص پیشنهاد آهنگ و محتوا ساخته شده) هست و مشتریهاش تیمهای داخلیان. اون میگه رفتار مدل رو نمیشه با spec تعریف کرد؛ باید با داده و evals شکلش داد. بخش بزرگی از کارش اینه که تعیین کنه eval چی رو بسنجه، مثلاً اینکه یه پیشنهاد چقدر با حالوهوای شنونده جوره و بین آشنا بودن و کشف چیز جدید تعادل داره یا نه. بعد باید نتایج offline رو به متریکهای online وصل کنه.
دیویتا تأکید میکنه مدل خوب کافی نیست اگه کسی باهاش محصول نسازه. باید نشون بده مدل مشترک از نظر کیفیت، latency و هزینه نیاز هر تیم رو برآورده میکنه. بهترین نتیجهٔ امسال تیمش از همکاری با تیمی اومد که اول سر نحوهٔ سنجش موفقیت توافق کردن و بعد سر معماری.
لایهٔ تجربه (Humberto): اومبرتو مستقیم برای کاربرها میسازه، جایی که یه حس مبهم به یه لیست آهنگ تبدیل میشه. بزرگترین تفاوت، ورودی بینهایته: کاربر دیگه فقط دکمه نمیزنه، درخواست مبهم میده. حتی latencyای که تو جستجو قابلقبول نیست، تو گفتگو اوکیه. چون نمیشه همهٔ سناریوها رو از قبل تست کرد، تیمش LLM-based judges و evaluatorهای اختصاصی میسازه و eval رو یه محصول دائمی میدونه. جملهٔ «این منظورم نبود» از کاربر هم سیگنالیه که باید به همهٔ لایهها برگرده.
جمعبندی نویسندهها اینه که AI PM شغل جدیدی نیست؛ همون کار تعریف مسئله، شناخت مشتری و تصمیم بر اساس شواهده، فقط با یه لایه تخصص اضافه که بسته به محصول شکلش فرق میکنه.
نکات کلیدی:
- سه نقش AI PM در اسپاتیفای: پژوهش (Tech Research)، مدل پایه (AI Foundation) و تجربهٔ کاربر (Sessions)
- مشتری لایهٔ مدل تیمهای داخلیان و مشتری لایهٔ تجربه خود کاربرها
- رفتار مدل با داده و evals شکل میگیره، نه با spec
- تیم تجربه از LLM-based judges و دیتاستهایی از استفادهٔ واقعی برای ارزیابی مداوم استفاده میکنه
- تو تعامل گفتگویی، latency بیشتر از جستجوی کلیدواژهای قابلتحمله




