プロダクトの成長をリードする生成系 AI の活用戦略

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解説した資料です。Biz 、Dev 、 ML の 3 ステップについて、 生成系 AI の活用事例をベースにポイントを解説しています。

ML Enablement Workshop で戦略の構築支援が可能です。資料はすべて GitHub で公開されています。
https://github.com/aws-samples/aws-ml-enablement-workshop

本資料やワークショップに関心ある方は 30 分のカジュアル相談枠を設けていますのでお気軽にご相談ください。
https://youtrust.jp/recruitment_posts/4ec6e205c5576ed9fc80814160f84a65

Transcript

1. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. © 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
2. © 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
3. © 2023, Amazon Web Services, Inc. or its affiliates. 3 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 よるプロダクト 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。
4. © 2023, Amazon Web Services, Inc. or its affiliates. 4 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。
5. © 2023, Amazon Web Services, Inc. or its affiliates. 戦略立案のステップ 5 Biz Dev ML
6. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
7. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
8. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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”
9. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
10. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. “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
11. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
12. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
13. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 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。
14. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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。
15. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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！！
16. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
17. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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
18. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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！
19. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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
20. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
21. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
22. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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
23. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
24. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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
25. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. Biz: 生成系 AI の役割を決める 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。
26. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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。
27. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 27
28. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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) 。
29. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 生成系 AI モデルを 独自開発 🚜 主要活動(学習) なしの利用 主要活動(学習) ありの利用 4 つの生成系 AI の活用パターン
30. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
31. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 生成系 AI モデルを 独自開発 🚜 主要活動(学習) なしの利用 主要活動(学習) ありの利用 4 つの生成系 AI の活用パターン
32. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
33. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
34. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 」
35. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 🤖「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」
36. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 🤖「コードに脆弱性あるかもです！」
37. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 生成系 AI モデルを 独自開発 🚜 主要活動(学習) なしの利用 主要活動(学習) ありの利用 4 つの生成系 AI の活用パターン
38. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 顧客セグメント 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
39. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
40. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
41. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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
42. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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。
43. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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。
44. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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 44
45. © 2023, Amazon Web Services, Inc. or its affiliates. 機械学習の勝ちパターン Customer Experience Traffic Data Data Driven Decision Growth
46. © 2023, Amazon Web Services, Inc. or its affiliates. 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。
47. © 2023, Amazon Web Services, Inc. or its affiliates. 「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 顧客セグメント 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
48. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 生成系 AI でも勝ちパターンを実現するには 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 生成系 AI モデルを 独自開発 🚜 主要活動(学習) なしの利用 主要活動(学習) ありの利用
49. © 2023, Amazon Web Services, Inc. or its affiliates. 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 顧客セグメント 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
50. © 2023, Amazon Web Services, Inc. or its affiliates. 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
51. © 2023, Amazon Web Services, Inc. or its affiliates. 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
52. © 2023, Amazon Web Services, Inc. or its affiliates. 52 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。
53. © 2023, Amazon Web Services, Inc. or its affiliates. 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
54. © 2023, Amazon Web Services, Inc. or its affiliates. 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 顧客セグメント 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
55. © 2023, Amazon Web Services, Inc. or its affiliates. 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 顧客セグメント 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
56. © 2023, Amazon Web Services, Inc. or its affiliates. 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。
57. © 2023, Amazon Web Services, Inc. or its affiliates. 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 57
58. © 2023, Amazon Web Services, Inc. or its affiliates. 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。
59. © 2023, Amazon Web Services, Inc. or its affiliates. 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)
60. © 2023, Amazon Web Services, Inc. or its affiliates. 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
61. © 2023, Amazon Web Services, Inc. or its affiliates. 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
62. © 2023, Amazon Web Services, Inc. or its affiliates. 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
63. © 2023, Amazon Web Services, Inc. or its affiliates. Key takeaways 63 生成系 AI の お試し 生成系 AI に よるプロダクト 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。
64. © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. Thank you! © 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. 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.