Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Product-ML Fit
Search
mats
April 06, 2021
Technology
0
200
Product-ML Fit
https://connpass.com/event/207660/
「第2回シード期の開発の進め方 @Plug and Play 渋谷」で使った資料です。
mats
April 06, 2021
Tweet
Share
More Decks by mats
See All by mats
「生成系AI」と「ソフトウェアライセンス」の今 / Generative AI and OSS License
mats16
4
1.8k
🦜️🔗LangChain入門 / LangChain 101
mats16
1
650
Supabase - AWS DevDay 2022
mats16
3
1.9k
AWS スタートアップ支援プログラム / AWS Activate
mats16
0
1.2k
AWS Startup ゼミ 2021 秋期講習 / AWS Startup Seminar 2021 Autumn class - AWS Dev Day
mats16
4
2.6k
Unicorns run on AWS
mats16
0
290
AWS Startup tech Meetup Online 6
mats16
0
1k
シードスタートアップに知っておいてほしいこと / What seed startups need to know
mats16
0
370
Introduction to AWS App Runner
mats16
0
1k
Other Decks in Technology
See All in Technology
Unlocking the Power of AI Agents with LINE Bot MCP Server
linedevth
0
110
はじめてのOSS開発からみえたGo言語の強み
shibukazu
3
930
データ分析エージェント Socrates の育て方
na0
5
1k
Create Ruby native extension gem with Go
sue445
0
100
S3アクセス制御の設計ポイント
tommy0124
3
200
大「個人開発サービス」時代に僕たちはどう生きるか
sotarok
20
10k
dbt開発 with Claude Codeのためのガードレール設計
10xinc
2
1.3k
DDD集約とサービスコンテキスト境界との関係性
pandayumi
3
290
2つのフロントエンドと状態管理
mixi_engineers
PRO
3
110
現場で効くClaude Code ─ 最新動向と企業導入
takaakikakei
1
260
DroidKaigi 2025 Androidエンジニアとしてのキャリア
mhidaka
2
380
いま注目のAIエージェントを作ってみよう
supermarimobros
0
340
Featured
See All Featured
Designing Dashboards & Data Visualisations in Web Apps
destraynor
231
53k
Typedesign – Prime Four
hannesfritz
42
2.8k
How to Think Like a Performance Engineer
csswizardry
26
1.9k
Rebuilding a faster, lazier Slack
samanthasiow
83
9.2k
KATA
mclloyd
32
14k
Raft: Consensus for Rubyists
vanstee
140
7.1k
Rails Girls Zürich Keynote
gr2m
95
14k
The Cult of Friendly URLs
andyhume
79
6.6k
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
Principles of Awesome APIs and How to Build Them.
keavy
126
17k
Chrome DevTools: State of the Union 2024 - Debugging React & Beyond
addyosmani
7
850
Art, The Web, and Tiny UX
lynnandtonic
303
21k
Transcript
© 2021, Amazon Web Services, Inc. or its affiliates. All
rights reserved. Product / ML Fit 〜スタートアップのための機械学習⼊⾨〜 Kazuki Matsuda @mats16k Startup Solutions Architect Amazon Web Services Japan K.K.
松⽥ 和樹(まつだ かずき) スタートアップ ソリューションアーキテクト アマゾン ウェブ サービス ジャパン株式会社 創業期のスタートアップに2⼈⽬の
エンジニアとして⼊社し、幅広い業務 ( SRE、データエンジニア、アプリ開発、 情シス、採⽤)に従事。 現在は、スタートアップのお客様の⽀援を しながら次のキャリアを模索中。 好きなサービスは AWS Amplify と AWS Fargate
Product / Machine Learning (ML) Fit
例: Amazon.com を⼀⾔でいうと 「インターネットの店舗に無限の商品棚を⽤意すれば、 お客さんごとに パーソナライズ した ⼩売店 が作れる」(意訳) 「ジェフ・ベゾス
果てなき野望」(ASIN: B00H3WR470) あなたのビジネスは何ですか?
例: Amazon.com を⼀⾔でいうと 「インターネットの店舗に無限の商品棚を⽤意すれば、 お客さんごとに パーソナライズ した ⼩売店 が作れる」(意訳) 「ジェフ・ベゾス
果てなき野望」(ASIN: B00H3WR470) あなたのビジネスは何ですか?
例: Amazon.com を⼀⾔でいうと 「インターネットの店舗に無限の商品棚を⽤意すれば、 お客さんごとに パーソナライズ した ⼩売店 が作れる」(意訳) あなたのビジネスは何ですか?
レコメンド 時系列予測
何が効果的か、どこに機械学習を適⽤すれば良いかを知るには プロダクトの本質的な価値、ユーザーに提供する価値を考える必要がある。 ⼀⽅で、重要な課題が何でも機械学習で解けるわけではない。 簡単に解けるタスクを知っておくことも必要。 プロダクトと機械学習の擦り合わせ Product / ML Fit 伝えたいこと
プロダクトの価値とビジネス指標
そのためには、 1. データ (顧客・商品の属性) 取得 2. フィードバックループの設計 3. アルゴリズム責任者に⼤きな権限を持たせる 4.
機械でやることに固執せず、適切に⼈の⼿を挟む 「Upgrade UX with Data」 dely株式会社 ⼤⽵ 雅登 ⽒・辻 隆太郎 ⽒ (Startup Day 2019) dely株式会社の例 レシピ動画サービス「クラシル」でユーザーの ライフスタイルに寄り添ったレシピを提案
実際にプロダクトの価値を⾼めるために、 ビジネス指標を適切に設計することも重要 参考資料 • 「Gunosyにおけるパーソナライズシステム」 株式会社Gunosy ⼩澤 俊介 ⽒ (ML@Loft
#3) • 「レコメンデーションのターゲットメトリックス」 ウォンテッドリー株式会社 久保⻑ 礼 ⽒ (ML@Loft #3) • 「C向けサービスの1セッションのモデル化と適⽤の⽅法」 ルームクリップ株式会社 平⼭ 知宏 ⽒ (ML@Loft #7) ビジネス指標と機械学習
簡単に解けるタスクを知る
典型的な課題と簡単に使えるサービスの例 やりたいこと タスク AWS サービス オススメ商品を選び ユーザーに最適な商品を提⽰する レコメンド Amazon Personalize
在庫計画・売上予測など 時間軸に沿った数値・分量を予測する 時系列予測 Amazon Forecast サブスクを解約するユーザーを予測 分類 Amazon SageMaker Autopilot
PMF (Product Market Fit) と機械学習
これを考え、市場に受け⼊れられるか検証することが PMF PMF (Product Market Fit) ⢽ "NB[PODPN ♧鎉דְֲה չ؎ٝة٦طحزך䏄莧ח搀ꣲך㉀ㅷ啟欽䠐ׅלծ
ֶ㹏ׁ׀הח ػ٦اشٓ؎ؤ ׃ 㼭㡰䏄 ָ⡲պ 䠐鏬 չآؑؿ٥كبأ 卓גזֹꅿ劄պ "4*/#)83 ֮זךؽآطأכ⡦דַׅ
これを考え、市場に受け⼊れられるか検証することが PMF PMF (Product Market Fit) ⢽ "NB[PODPN ♧鎉דְֲה չ؎ٝة٦طحزך䏄莧ח搀ꣲך㉀ㅷ啟欽䠐ׅלծ
ֶ㹏ׁ׀הח ػ٦اشٓ؎ؤ ׃ 㼭㡰䏄 ָ⡲պ 䠐鏬 ֮זךؽآطأכ⡦דַׅ ٖ؝ًٝس 儗禸✮庠
• とはいえ、PMF の段階ですべてを考えた上で、ビジネスを設計 することは現実的に難しい。 • ⼀⽅で、どの様にデータを集め・活⽤し、差別化していくか 考えていくことは、⽣き残る上では⾮常に重要。 • ビジネスモデルを考える上で、データや機械学習の活⽤は +α
ではなく、Must であると考える必要がある。 PMF (Product Market Fit) と機械学習
プロダクトと機械学習の擦り合わせを PMF の段階で全て設計することは難しい。(前述) ⼀⽅で、機械学習の際に必要になる データ(ログ)の収集は今からでも出来る。 参考:機械学習にはデータ(ログ)収集が不可⽋ © 2019, Amazon Web
Services, Inc. or its affiliates. All rights reserved. ؚٗׯה䪔ְְ • ״ְֻֻ铬겗 ! • %%'5;6F A#' … • 1*CU • 劤䔲ח׃ְֿהכ⡦ " • 5;&:N8 +2/-KH&DE • 3PGO+()0&< KPI &9@ • >S1*!@!$#B=&/,.-I • 䙼罋ؿٗ٦ # 1. " L1* Amazon S3 Q 2. 4!7? 3. S3 &RJIM T © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. 0. Data Lake הְֲ罋ִ倯 • Data Lake • )0"#%3 $+ • "* • '6 5, • 1 -2 (API) &. Data Lake !"" RDBMS 7/4( "1*ㄎן⳿׃ח״鸬䵿 AWS ך Data Lake = Amazon S3 Amazon S3 AI & ML SageMaker Personalize Forecast EC2 RDS Redshift EBS Data Backup Glue ETL Archive Glacier Rekognition IoT Core IoT Athena EMR Redshift Analytics BI QuickSight 3. ؚٗׯה䪔ְְ [AWS Start-up ゼミ] よくある課題を⼀気に解説! 御社の技術レベルがアップする 2019 春期講習 より抜粋
まとめ
まとめ Product / ML Fit • ビジネスモデルを考える上で、データや機械学習の活⽤は +α ではなく、Must である。
• プロダクトの価値を改めて考え、⼤事なところに機械学習を適⽤する。 • PMF の段階で全てできている必要は無いが、データや機械学習の活⽤を 常に意識する。データ(ログ)の収集は今からでも着⼿できる。 • 解けない課題を無理に解くのは⼤変なので、既存サービスをうまく使う。
Q&A
Thank you © 2021, Amazon Web Services, Inc. or its
affiliates. All rights reserved.
݄ ʢՐʣɺʢਫʣ։࠵ 事前登録が開始されました!!! 告知:AWS Summit Online
告知:AWS Startup Community