プロダクトの成長をリードする生成系 AI の活用戦略

© 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved.
プロダクトの成長をリードする
生成系 AI の活用戦略

View Slide

© 2023, Amazon Web Services, Inc. or its affiliates. 2
短期的な生成系 AI のお試しから、長期的なプロダクトの差別化につ
なげる戦略の立て方を理解する。
本セッションのゴール
生成系 AI の
お試し
生成系 AI に
よるプロダクト
差別化
生成系 AI の活用戦略
短期
長期

View Slide

本セッションの想定視聴者と、視聴するメリット
生成系 AI の
お試し
生成系 AI に
差別化
短期
長期
プロダクトマネージャー
生成系 AI をプロダクトの差別化につ
なげる戦略の立て方が理解できる。
開発者 / データサイエンティスト
将来の差別化に向け実装面で何を準
備しておくべきか理解できる。

View Slide

自己紹介
アマゾンウェブサービスジャパン合同会社
Machine Learning Developer Relations
久保隆宏 (Kubo Takahiro)
ミッション
「機械学習を実用するなら AWS 」という認知を拡大すること。
10 年以上の業務コンサルタント経験、また研究開発していたテーマをプロダクトと
してリリースした経験をもとにお話しします。

View Slide

© 2023, Amazon Web Services, Inc. or its affiliates.
戦略立案のステップ
5
Biz Dev ML

View Slide

本日のアジェンダ
Biz: 生成系 AI の役割を決める
Dev: 生成系 AI を活用する
ML: 生成系 AI を差別化につなげる
ロードマップをデザインする
6

View Slide

7
人工知能 (Artificial Intelligence, AI)
人間の知的判断をコンピュータ上で実現するための技術全般
（ロジック、if-then 文、機械学習（深層学習を含む））
機械学習 (Machine Learning, ML)
AI の一種であり、知的モデルを構築するためにデータの中の傾向を学習する技術
深層学習 (Deep Learning, DL)
ML の一種であり、音声・画像認識などのタスクを深い複数レイヤー
構造のニューラルネットワークで実現する技術
生成系 AI (Generative AI)
テラバイト規模のデータで学習させた数十億規模のパラメーターを
持つ”基盤モデル”により追加学習なしに高精度の生成を実現する技術。
生成系 AI についておさらい

View Slide

8
基盤モデル
(Foundation Model)
テキストの入力出力
テキスト生成モデル
(大規模言語モデル)
テキストからの画像生成モデル
動画
音声
コード
生成モデル
“次の文書を要約してください:
…….”
[テキスト] “………..”
“宇宙飛行士が馬に乗っている写真”
“雨の中歩いているカップル”
“ダンスに合うヒップホップ音楽”
“点数を集計するPythonプログラム”
[画像]
[動画] [音声] [コード]
生成系 AI の中核は “基盤モデル”

View Slide

生成系 AI がこれまでの機械学習と異なる点
• 追加学習をほとんど必要としない
• 簡単な指示 (Prompt) で多様なタスクを解かせることができる
• 追加学習なし、簡単な指示にも関わらず高精度である
大規模な事前学習を行った基盤モデルが、上記3点を可能にしている

View Slide

“日本人のイラストレーターが描画した、
猫と魚が書かれたイラスト” の生成例
“フランスで撮影された、猫とボールが
写った写真” の生成例
生成系 AI の生成例

View Slide

生成系 AI はテキスト、画像、音声、動画など様々な生成に
利用でき、ユースケースは多岐にわたる。
生産性向上
テキスト生成
チャット
バーチャル・アシスタント
要約
テキスト抽出
検索
コード生成画像生成画像分類音楽作曲動画生成
11

View Slide

ビジネスモデルの観点から、生成系 AI のユースケースを
整理する。
12
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
顧客セグメント
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams

View Slide

協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
ビジネスモデルを簡易的にデザインするためのフレーム
ワーク。基本的に左から右に向かって価値が創造され顧客
に届く流れになっている。
おさらい : ビジネスモデルキャンバス
13
2005 年にスイスの経営コンサルタントのアレクサンダー・オスターワルダーさんが博士課程在籍時
代に発案したフレームワーク。
「ビジネスモデルジェネレーション」
は作者による書籍で、表紙を会社や本
屋で見たことがある方も多いのでは。

View Slide

生成系 AI の立ち位置
14
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
生成系 AI (基盤モデル) の提供者は協力者といえる。
素材として使える、オープンソースで公開されている
基盤モデルは資源といえる。

View Slide

どんな顧客に、どんな価値を提供するために生成系 AI を用
いているかを中心に、事例を見ていきます。
15
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
ビジネスモデルキャンバスが初め
てでもご心配なく！！

View Slide

16
Canva : AI イラスト生成
Canva はロゴやチラシ、バナーなどを
デザインできる SaaS 型のサービス。
Stable Diffusion のモデルをベースに
3 週間で機能をリリース。
顧客は、イメージに合う画像がない時
にテキストからの指示で画像を生成で
きる。
Canva Scales Text to Image to 100 Million Users Quickly Using Amazon SageMaker
画像引用: AI イラスト生成

View Slide

17
Canva の事例
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
テキストか
らイラスト
生成
Stable
Diffusion
ソフトウェア
と統合
AI イラスト生成は無料で提供。新規ユーザーの拡大を企図していると推察。
無料
新規
ユーザー
Stability AI

View Slide

18
Notion : 文書の編集や要約が行える Notion AI を公開
Notion は仕事に必要なアプリ
ケーションを 1 ストップで提供
する SaaS 型のサービス。Wiki
や目標管理、プロジェクト管理
の機能を提供。
2023 年 2 月に、文書編集や要
約機能を中心とした Notion AI
をリリース。
画像引用: Notion AIを正式リリースしました！

View Slide

19
Notion の事例
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
テキスト
編集・要約
Notion AI
有料プランに価値を追加することで、顧客単価の向上を企図していると推察。
?
有料プランに $8 / 月を追加することで
利用可能 ( 無料プランの場合 $10 / 月 )。
ソフトウェア
と統合
有料
ユーザー

View Slide

生成系 AI に対する Canva と Notion の戦略の違い ( 推察 )
• Canva
AI イラスト生成は無料で提供。新規ユーザーの拡大を企図している。
• Notion
有料プランに価値を追加することで、顧客単価の向上を企図している。
新規ユーザー有料ユーザー
ビジネスモデル上の役割により、
顧客、価値、売り方などが変化する

View Slide

21
食べログの事例
食べログは飲食店の検索・予約が
行えるサービス。
2023 年 5 月 6 日に、ChatGPT
のプラグインをリリース。
画像引用:日本初の挑戦〜食べログによるChatGPTプラグイン開発の舞台裏

View Slide

22
食べログの事例 :
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
ChatGPT
Plugin
ChatGPT 経由の新しい販路を開拓。
OpenAI
ChatGPT
利用者

View Slide

23
アクセンチュアの事例
AWS のサービスを利用した開発を行う
アクセンチュアの Velocity チームで、
コメントなどからのソースコード自動
生成ができる Amazon CodeWhisperer
を導入。
定型的な処理の実装、なじみない言語
での実装、脆弱性検知などに活用し、
開発作業を 30% 削減。
画像引用:ソースコードを自動生成する Amazon CodeWhisperer でアクセンチュアが開発生産性を向上させた方法

View Slide

24
アクセンチュアの事例
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
ソースコード
自動生成
生成系 AI により主要活動の生産性を向上し、価値提供の速度を向上
AWS 迅速な実装

View Slide

25
ビジネスモデル上の役割に応じて、顧客が変わる。
新規ユーザー有料ユーザー ChatGPT ユーザー社内開発者
※ユーザーは他にもあるかもしれません
顧客が変われば、生成系 AI のユースケースはもちろん、価格プラン
や営業方法も変わる。

View Slide

Biz: 生成系 AI の役割を決めるために最も重要な質問
26
お客様は誰ですか ?
Working Backwards : Amazon/AWS が実践する「お客様に求められ
るモノやサービスを作るための考え方」。「お客様は誰なのか ?」
からはじまる 5 つの質問に答えることから始まる。

View Slide

27

View Slide

28
生成系 AI により、機械学習が事前準備なしに「まず試せる」
ようになった。
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
主要活動 = モデルの学習が不要
生成系 AI のアプリケーションを主要活動で
すぐに活用できる (アクセンチュア) 。
資源 = データが不要
既存の資源と組み合わせて高速に生成系 AI
の機能を実装する (Canva) 。

View Slide

❶ すぐに使いたい
商用の生成系 AI
サービスを利用 🖥
❸ カスタマイズしたい
生成系 AI モデルを
チューニング 🔧
❷ すぐに組み込みたい
公開モデルや API を
組み合わせる 🧱
❹ 独自の優位性に積極投資
独自開発 🚜
主要活動(学習)
なしの利用
ありの利用
4 つの生成系 AI の活用パターン

View Slide

ただし・・・生成系 AI の難点
• 基盤モデルの推論にコストがかかる
• 目的に合致した最適な指示 (Prompt) を特定することが困難
• 生成結果のコントロールが困難
手軽に利用できるがコントロールは必要
→どのようにコントロールを行っているか、事例から学ぶ

View Slide

独自開発 🚜
なしの利用
ありの利用

View Slide

生成系 AI によるソースコード自動生成:Amazon CodeWhisperer
様々な開発環境で、様々なプログラミング言語の開発を支援
&
Go, Rust, PHP, Ruby, Kotlin, C, C++,
Shell scripting, SQL, and Scala
&
JupyterLab, CLion, GoLand, WebStorm,
Rider, PhpStorm, RubyMine, and DataGrip
メールアドレスのみで利用でき、個人開発者は無料で利用可能

View Slide

生成系 AI によるソースコード自動生成:Amazon CodeWhisperer
リアルタイムに周辺のコメントなどからコードの候補を提案。加えて、提案した
コードの出典の追跡とセキュリティスキャンが可能。
リアルタイム
コード候補サジェスト
出典の追跡
セキュリティスキャン
IDE がコードの
文脈情報を自動的に
CodeWhisperer へ送信
コード候補を受信
Amazon
CodeWhisperer
AI を利用して IDE で
記述中のコードやコメント
を基にコード候補を生成
統合開発環境 (IDE)
でコードを記述
生成結果のコントロール機能を提供

View Slide

❶ リアルタイムコード候補サジェスト ❷ 出典の追跡
❸ セキュリティスキャン
/* キューサービスの Amazon SQS に送信されたメッセージのボディーを
Amazon DynamoDB テーブルに保管する AWS Lambda の関数を書いて */
🤖「こんなコードでどうでしょう
」

View Slide

🤖「今回のコード生成の元ネタは
MIT ライセンスで公開されてました」

View Slide

🤖「コードに脆弱性あるかもです！」

View Slide

独自開発 🚜
なしの利用
ありの利用

View Slide

38
Canva の事例 (再掲)
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
テキストか
らイラスト
生成
Stable
Diffusion
ソフトウェア
と統合
Stability AI がオープンソースで公開している Stable Diffusion を使用し 3 週間で実装
無料
新規
ユーザー
Stability AI

View Slide

生成結果をコントロールするため、前後の制御を配置
基盤モデル
(Foundation Model)
指示制御
(Prompt Control)
出力制御
(Output Control)
サービス利用規約で、攻
撃的な画像を生成するテ
キストの入力を禁止
Amazon SageMaker で
Stable Diffusion
モデルを推論
Amazon Rekognition で
攻撃的な画像をチェック
し、除去
Canva Scales Text to Image to 100 Million Users Quickly Using Amazon SageMaker

View Slide

Bing
You.com
他事例 : 生成したテキストの正確性を担保するため、検索エ
ンジンと組み合わせる方法

View Slide

例:
高精度な生成系 AI アプリケーションを Amazon Kendra、LangChain、大規模言語モデルを使って作る
Amazon Simple Storage
Service (Amazon S3)
Amazon Relational
Database Service (Amazon
RDS)
Amazon Kendra
検索 UI
(chat)
ユーザー
❶ リクエスト ❷ 検索クエリ
❸ 関連文書
の抜粋
❹ リクエストと
検索結果を入力
❺ 検索結果の要約
❻ レスポンス
基盤モデル
Microsoft
SharePoint
Microsoft
OneDrive
Box
Google
Drive
Atlassian
Confluence
Dropbox
検索エンジンとの組み合わせ実装例

View Slide

Dev: 生成系 AI を活用するポイント (1/2)
• すぐに試せるメリットを生かし、企画の仮説検証を迅速に行う。
• 生成系 AI の難点、とくに生成結果の不確実性について対策する。
難点対策済みのサービスを利用したり、不確実性を減らすためのチェック
機能に使えるサービスを組み合わせることで対策しつつ迅速に実装できる。

View Slide

Dev: 生成系 AI を活用するポイント (2/2)
• 生成系 AI の活用をテストする
Canvaで実装にかかった時間は 3 週間、一方 Notion でユーザーテストに
かけた時間は 10週間程度。
( 事例が少ないため ) 一般化できないが、実装よりも長い時間かけて生成
系 AI がどのような価値に繋がるが学ぶことは重要。
Notion では、当初想定していた文書作成機能よりも文書編集機能が好ま
れることがわかり、設計を全面的に見直している。

View Slide

44

View Slide

機械学習の勝ちパターン
Customer
Experience
Traffic
Data
Data Driven
Decision
Growth

View Slide

機械学習の勝ちパターン
1. 機械学習がCustomer Experienceを改善する。
2. ユーザー数、Trafficが増える。
3. Trafficが増えるとDataが増える。
4. Dataが増えるとモデルが改善され・・・ => 1に戻る。

View Slide

「勝ちパターン」に入るとデータが価値の改善につながる
47
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
フィード
バック
(データ)
データ
学習正確な推論
迅速 / 高頻度の
実験

View Slide

生成系 AI でも勝ちパターンを実現するには
独自開発 🚜
なしの利用
ありの利用

View Slide

OpenAI が GPT-3 から ChatGPT のベースとなった Instruct GPT
を構築したプロセス
49
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
API利用
データ
データ
学習
GPT-3
InstructGPT
対話形式の UI からユーザーに通知したうえ
でプロンプトのデータを収集
Training language models to follow
instructions with human feedback

View Slide

様々なスタートアップが追随し、特定のシナリオで GPT-3.5
を上回るモデルも現れる。
50
Stanford HELM ベンチマークの評価 (2023/5/30 時点)。 16 のコアシナリオと、26
の個別評価シナリオの計 42 シナリオで評価。下図は、 16 のコアシナリオの評価。
Win rate はシナリオにおいて他のモデルを上回った平均的な割合の平均

View Slide

様々なスタートアップが追随し、特定のシナリオで GPT-3 を
上回るモデルも現れる。
51
Stanford HELM ベンチマークの評価 (2023/5/30 時点)。 16 のコアシナリオと、26
の個別評価シナリオの計 42 シナリオで評価。下図は、 16 のコアシナリオの評価。
Win rate はシナリオにおいて他のモデルを上回った平均的な割合の平均
Amazon SageMaker JumpStart から利用可能
Amazon SageMaker JumpStart / Amazon Bedrock
双方から利用可能
Amazon Bedrock から利用可能

View Slide

Anthropic Claude にカレーの作り方を聞いてみた。
2023/5/30 時点の回答です。
Slack が発表した Slack GPT では、
選択可能な生成系 AI として
ChatGPT と共に Claude が
ラインナップされる。

View Slide

勝ちパターンを目指し取り組む事例
53
replit
ブラウザやモバイルアプリから開発ができる
開発環境を提供している。
フロントエンドの開発をするユーザーが多く、
React の JSX / TSX などにより正確に対応する
ため、また外部への依存を減らしコストを下
げるために自社開発している。
“How to train your own Large Language Models” より
画像引用: Replit Mobile App

View Slide

replit の戦略
54
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
利用
データ
データ
学習
開発環境
独自LLM
replit の開発環境 (ブラウザやモバイル) で良
く開発される言語や、必要な提案に最適化さ
れた推論

View Slide

replit の戦略
55
協力者
Key Partners
主要活動
Key Activities
資源
Key Resources
価値提供
Value
Propositions
顧客との関係
Customer
Relationships
販路
Channels
Customer
Segment
コスト構造
Cost Structure
収益の流れ
Revenue Streams
外部への依存を下げることで、コストと品質
をコントロールする

View Slide

ML: 生成系 AI を価値の差別化につなげるポイント
• 機械学習の勝ちパターンに入るためのループを設計する。
• ループにおいて必要なデータを定義する。
• 生成系 AI の協力者・資源を活用し素早く機能を実装しつつ、
勝ちパターンに入るためのデータを蓄積する。

View Slide

57

View Slide

生成系 AI 活用のロードマップをデザインする
58
• Biz
• 生成系 AI の役割を定義する。ビジネスモデルキャン
バスなどのフレームワークを利用すると整理しやすい。
• Dev
• 生成系 AI のサービスやモデルを活かし、難点の対策
を取りつつ迅速に実装し仮説検証に十分時間を取る。
• ML
• 機械学習の勝ちパターンに入ることを目指し、勝ちパ
ターンに必要なデータを初期段階から収集する。

View Slide

よくある課題
59
• Biz
• ビジネスモデルキャンバスなどを利用し、生成系 AI
を活用するプロセスと顧客を特定する。
• Dev
• 生成系 AI の追加学習なしに活用できる特性を活かし、
迅速に実装し課題解決の仮説検証に十分時間を取る。
• ML
• 機械学習の勝ちパターンに入ることを目指し、勝ちパ
ターンに必要なデータを初期段階から収集する。
生成系 AI のビジネスモデル上の役割が不明。
誰に向けた機能で成功をどう計測するか曖昧。
生成系 AI が勝ちパターンにどうつながるか不明。
必要なデータが蓄積されていない。
(Devは普通にできる)

View Slide

ML Enablement Workshop
60
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の 3 者が組織横断的
にチームを組成し、機械学習の勝ちパターンを実現するロードマップを作成する。
理解編応用編開始編
目的
機械学習の「勝ちパターン」を
理解し、ベンチマークとして過
去の成立事例をインプットする。
アウトプット
プロダクトに応用できそうな、
過去の成立事例。
時間
・~2時間
目的
勝ちパターンが成立した場合の
顧客体験を可視化し、チーム全
員で共有する。
アウトプット
勝ちパターンが成立する流れ。
(書式は Event Storming )
時間
・~3時間
目的
勝ちパターン成立に向け効果を
確認しながら投資とチームを拡
大する段階的ステップを作る。
アウトプット
1~3 カ月間の実行可能かつ計
測可能な行動スケジュール。
時間
・~2時間
GitHubで無料公開中
https://github.com/aws-samples/aws-ml-enablement-workshop

View Slide

61
ML Enablement Workshop を AWS からお客様にご提供す
る条件。
1. 経営として機械学習を顧客体験改善に活用する意思があること。
2. プロダクトマネージャーの方、開発者の方、データサイエンティス
トの方すべてが参加可能であること。
3. ML Enablement Workshop の認知度向上のため協力頂けること。
30 分のカジュアル面談を実施していますので、
お気軽にお問合せください。 YOUTRUSTで実施中

View Slide

AWS の機械学習活用検討・実装支援プログラム
62
ユースケースが
決まっている ?
生成系 AI ?
ML Enablement Workshop
生成系AIを含む機械学習を、プロダクト開発に活用できるチームの組
成を目的としたワークショップ。
※PdM/開発者/DSの参加、経営の意向、広報協力の条件あり
Generative AI Incubator
難易度が高い生成系AI、機械学習モデルの実装について、AWSの機
械学習のエキスパートから実装の支援を提供。
ML Discovery Workshop
実現したいユースケースについて、AWSのエキスパートを交えた議論を通
じビジネス価値・実現性の詳細な評価を行う。
※ワークショップ実施後プロフェッショナルサービス契約の条件あり
機械学習の
本番フェーズ ?
ML Prototyping
機械学習モデルの学習・推論基盤、いわゆるMLOpsの構築支援を行う
プログラム。
※プロトタイプ実施後AWS利用の条件有り
No
Yes
No
No
Yes
Yes

View Slide

Key takeaways
63
生成系 AI の
お試し
生成系 AI に
差別化
短期
長期
プロダクトマネージャー
生成系 AI の役割を決めよう。ビジネスモデル
キャンバス等のフレームワークが役立ちます。
開発者 / データサイエンティスト
無料で使えるサービスをまず試そう。勝ちパ
ターンに入るサイクルをデザインしてみよう。

View Slide

Thank you!
Amazon Web Services, AWS, the Powered by AWS logo, and all AWS service
names used in this slide deck are trademarks of Amazon.com, Inc. or its affiliates.

View Slide

プロダクトの成長をリードする生成系 AI の活用戦略

プロダクトの成長をリードする生成系 AI の活用戦略

Takahiro Kubo

More Decks by Takahiro Kubo

Other Decks in Science

Featured

Transcript