マガジン

  • ML Enablement Magazine

    データサイエンスをプロダクトマネジメントに活かす知見をまとめたマガジンです。ChatGPT などの生成系AIもトピックとして含みます。 世界的なプロダクトマネージャーらの講演や記事からデータサイエンスを役立てるための知見を幅広にまとめています。 AWS が GitHub で無料で公開している ML Enablement Workshop の内容や更新情報もお届け。 https://github.com/aws-samples/aws-ml-enablement-workshop

  • 実践ESG開示

    ESG開示を実践していくための記事

  • エンジニアによる企業評価入門

    エンジニアの技術で企業評価を行います。

    • ML Enablement Magazine

    • 実践ESG開示

    • エンジニアによる企業評価入門

最近の記事

2023年の振り返りと2024年の抱負

AWS の機械学習領域 Developer Relations として 2 年目を終えました。2023年は認知をとれる勝ち筋にこだわりたい、と年の冒頭述べていました。そんな 2023 年は ChatGPT が台頭する中 Amazon Bedrock の影もない逆境から始まったわけですが、AWS の勝ち筋はとれたのか ? が重要な問いになります。 現状評価としては、方向性は見えつつも状況が変わったと認知されるには最短であと 1~2 年必要かと考えています。会社の中期経営計画は

    • コミュニティの力でAIをプロダクトに組み込むアイデアに磨きをかけよう

      「生成系 AI でプロダクトを革新せよ」そんなミッションを背負うことになったプロダクトマネージャーは急速に増えていると思います。とはいえ安全性や安定性の懸念もあり、なによりアイデアを考える時間がとれない・・・プロダクト筋トレで実施したアンケートから見えた課題を解決すべく、前回プロダクトを成長させる生成系 AI のユースケースを考えるワークショップを開催しました。満足度は 5 段階中 4.8 、他の人にお勧めする度合いも 4.5 と非常に好評なイベントとなりました。詳細は次の

      • 共感でチームの境界をつなぐコミュニケーション手法 : NVC

        開発部門と営業部門、事業部門と IT 管理部門など衝突が起こりやすいチームは企業の各所にあります。私は AWS の Developer Relations として機械学習や生成系 AI のプロダクト利用を支援するための ML Enablement Workshop を推進しており、本ワークショップではプロダクトマネージャー、開発者、データサイエンティストに「チーム横断」で参加いただいています。異なるチームに所属する方々の連携を促す方法を探る中で、 NVC (NonViolen

        • 「プロダクトを成長させる生成系 AI のユースケースを考えるワークショップ」を開催しました。

          2023/10/18 に、プロダクト筋トレコミュニティ主催で「プロダクトを成長させる生成系 AI のユースケースを考えるワークショップ」を開催しました。イベントには 32 名が登録し 21 名が参加、満足度は 5 段階中 4.8 、他の人にお勧めしたい度合いは 4.5 と非常に好評なイベントとなりました。 ワークショップで作ったアウトプットでコミュニティ内の Slack が盛り上がる、AWS としても ML Enablement Workshop の提供希望をいただくなど、

        2023年の振り返りと2024年の抱負

        • コミュニティの力でAIをプロダクトに組み込むアイデアに磨きをかけよう

        • 共感でチームの境界をつなぐコミュニケーション手法 : NVC

        • 「プロダクトを成長させる生成系 AI のユースケースを考えるワークショップ」を開催しました。

        マガジン

        マガジンをすべて見る すべて見る
        • ML Enablement Magazine
          piqcy
        • 実践ESG開示
          piqcy
        • エンジニアによる企業評価入門
          piqcy

        記事

        記事をすべて見る すべて見る

          マッキンゼーのレポートに見る企業応用を促進する大規模言語モデルの評価方法

          2023 年に大規模言語モデルは多数発表されていますが、どれを選べばよいかは依然として曖昧です。その理由の一つにユースケースと評価方法のミスマッチがあると考えています。例えば、営業メールの草案を生成するモデルを選ぶとき、質問回答データセットの評価結果がどれだけ意味があるかは不透明です。誰かにメールを書いてもらいたいとき、東海道新幹線の速度について知っていることを基準にするか ? という話です。 本記事では、マッキンゼーが公開した The state of AI in 202

          マッキンゼーのレポートに見る企業応用を促進する大規模言語モデルの評価方法

          プロダクトチームの技術リテラシーを高め、生成系 AI のインパクトを最大化するためのワークショップ

          生成系 AI を筆頭に技術革新著しい昨今ですが、日本においてそのインパクトは限定的になるだろうと言ったら驚くでしょうか。本記事で IPA や経済産業省のレポートからその予測根拠を示すとともに、インパクトを最大化する方策として AWS がアップデートしてきたワークショップをご紹介します。AWS がサービスだけではなく活用をガイドするプログラムも提供していることを知っていただけたらうれしいです。 ※トップ画像は IBA Boxing の AIBA World Boxing Ch

          プロダクトチームの技術リテラシーを高め、生成系 AI のインパクトを最大化するためのワークショップ

          プロダクトのピボットを決断するためにデータサイエンティストは何ができるか

          プロダクトや事業を「ピボット」すべきか決める時、データサイエンティストができることはあるでしょうか。前回、 IPA から発表されたレポートをもとに日本のスタートアップ企業が米国に比べて約 30 分の 1 という低成長に陥っている原因としてピボット回数が約 10 倍少なく、それにより創業 3 年目までに Product Market Fit が達成できていないのではと推察しました。 私は機械学習界隈の人なので、低い成長率の原因と推察される「ピボット」を促すためデータサイエンテ

          プロダクトのピボットを決断するためにデータサイエンティストは何ができるか

          日本のスタートアップ企業の成長速度が米国に比べ30分の1以下という現状にデータサイエンティストは何ができるか

          2023 年 9 月 14 日に IPA ( 情報処理推進機構 ) から衝撃的なレポートが発表されました。「成長しない日本のソフトウェアスタートアップ 国内競争を促進してエコシステムを創出する」と題されたこのレポートでは、日本のスタートアップ企業の成長スピードが米国に比べ著しく遅いことを指摘しており、遅い理由として 1) プロダクトマネジメントの手法が浸透していないこと 2) ピボットの回数が少ないこと 3) 成長意欲を刺激する競争環境の不足 を挙げています。 私は機械学習

          日本のスタートアップ企業の成長速度が米国に比べ30分の1以下という現状にデータサイエンティストは何ができるか

          シードラウンドで約 8 億円を調達したノーコードのデータ連携ツール Cascade はなぜ歩みを止めたのか

          Cascade はデータアナリスト向けのデータ連携ツールで、スプレッドシートに様々なシステムのデータを張り付けて複雑な数式で統合するより GUI で簡単かつ再利用性の高いコンポーネントの構築を可能にします。 2019 年に創業で 2021 年にシードラウンドで 530 万ドル ( 2023/9/10 現在の換算レートで約 8 億円 ) を調達しつつも、 2023 に製品開発をストップしました。創業者によるその経緯と学びをホームページ上で見ることができます。 本記事は「成功す

          シードラウンドで約 8 億円を調達したノーコードのデータ連携ツール Cascade はなぜ歩みを止めたのか

          イベントメモ :「プロダクトマネージャー組織」どうつくる?ここでしか聞けないPdM採用・育成・評価の話

          本記事は 2023/9/7 に開催された表題のイベントでのトーク内容をメモ的にまとめた記事です。現地開催にもかかわらず 187 名申し込みという盛況なイベントで、行きたかったのにいけない、しかも全編トークセッションなので内容わからないじゃねーか!という方もいるかと思い、少し粗いですが個人的に取ったメモを共有します。イベント URL は下記です。 https://midastech.connpass.com/event/289887/ 目次は以下の通りです。登壇者の方の発言

          イベントメモ :「プロダクトマネージャー組織」どうつくる?ここでしか聞けないPdM採用・育成・評価の話

          ChatGPT の長いプロンプトに意味があるのか気になったときに試す評価方法

          ChatGPT を上手く使う方法として、非常に長いプロンプトが共有されているのを見たことがある方は多いと思います。ただ、実務で使う場合長いプロンプトより短いプロンプトの方が扱いやすく API を利用する際のコストも少なく済みます。「ユーザーが作成した Excel マクロをメンテナンスしてほしい」と言われると 90% のエンジニアは不吉な予感に胃が痛くなると思いますが ( ※個人の感覚です ) 、今後誰かが生み出した長文プロンプトが業務に欠かせないものになっていて数文字変えると

          ChatGPT の長いプロンプトに意味があるのか気になったときに試す評価方法

          ChatGPT を使用して Product School の動画から効率的にノウハウを学ぶ手順

          Product School はプロダクト開発に関わる人たちのコミュニティです。 YouTube で Google 、 Amazon 、 Facebook 、 Apple といった世界的な企業や Airbnb や Uber といった先進的なプロダクトで活躍するプロダクトマネージャーのプレゼンテーションやインタビューの動画を公開しており、チャンネル登録者数は 2023 年時点で 11 万人を超えています。私は主にプロダクトでのデータサイエンスの活用に焦点を当て、動画を見て得られ

          ChatGPT を使用して Product School の動画から効率的にノウハウを学ぶ手順

          プロダクトの課題をデータ分析から解決するための Step by Step

          データ分析の方法は知っているものの、分析してどうするか具体的なイメージが沸かない方は少なからずいるのではないでしょうか。具体的なサービスの例を使って経営課題の提示からデータ分析に基づく解決案の策定までをきれいに語った動画を見つけたので、ご紹介します。"Webinar: Product Discovery With Data & User Research by Glovo Group PM, Lokesh Mahajan" という動画で、語っているのはスペインや中東・アフリカ

          プロダクトの課題をデータ分析から解決するための Step by Step

          データ活用事例が自分のプロダクトにフィットしないのはなぜなのか

          データからプロダクトのボトルネックを発見し改善した事例は枚挙にいとまがありませんが、事例を参考にして上手く行った経験は意外と少ないのではないでしょうか。The Lean Product Playbook の著者 Dan Olsen さんが語ったその理由がしっくりくるものだったので、本記事で紹介します。 Dan さんの動画は Webinar: Actionable Advice for Integrating Quantitative and Qualitative Insig

          データ活用事例が自分のプロダクトにフィットしないのはなぜなのか

          プロダクトでのデータ活用を推進するために回避すべき 10 の罠

          データドリブンにプロダクトを改善していきたい、とはどんなプロダクトマネージャーでも志すことですが現実には上手く行かないこともあると思います。その時に、参考になる動画を見つけたので紹介します。 Product School のチャンネルで公開されている Webinar: Top 10 Digital Analytics Mistakes by Amplitude's Adam Greco and WillowTree's Jeremy Stern です。登壇者の Adam Gr

          プロダクトでのデータ活用を推進するために回避すべき 10 の罠

          機械学習プロジェクトの約80%が失敗するのは伊達ではないと実感したが、現実に負けないワークショップに挑戦する

          ML Enablement Workshop は、プロダクト開発チームが課題解決に機械学習を使えるようになるためのワークショップです。本記事では、本格的にワークショップを提供し3カ月で得られた知見と、4/20・4/21 に開催された AWS Summit で発表した(※)改善版のポイントについて紹介します。 タイトルの通り初版から改善版に至るにいろいろな実感困難がありました。本記事でその内容に触れますが、機械学習プロジェクトに関わったことがある方なら「あるある」「そうそう」

          機械学習プロジェクトの約80%が失敗するのは伊達ではないと実感したが、現実に負けないワークショップに挑戦する