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
LLMからはじめる、 プロダクトへのAI導入
Search
ryopenguin
September 29, 2023
0
200
LLMからはじめる、 プロダクトへのAI導入
LLMからはじめる、 プロダクトへのAI導入 @ 2023.09.28 Microsoftと語る LLM実装の最前線
ryopenguin
September 29, 2023
Tweet
Share
More Decks by ryopenguin
See All by ryopenguin
「見せ球」「作って終わり」のLLM機能卒業のために
ryokaneoka0406
0
560
「見せ球」「作って終わり」LLM機能卒業のために
ryokaneoka0406
0
42
ゼロイチプロダクトのプロダクトマネジメント
ryokaneoka0406
0
440
SaaSのアップセルプロダクトにおけるブレない軸
ryokaneoka0406
1
2.1k
チームのコンテキスト理解を高める 朝会/夕会コンテンツ
ryokaneoka0406
4
1.6k
Featured
See All Featured
A Philosophy of Restraint
colly
203
16k
The World Runs on Bad Software
bkeepers
PRO
67
11k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
33
2.8k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
30
2.3k
Unsuck your backbone
ammeep
669
57k
Optimising Largest Contentful Paint
csswizardry
34
3.1k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
27
1.6k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
7
660
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
129
19k
Code Review Best Practice
trishagee
67
18k
The Art of Programming - Codeland 2020
erikaheidi
53
13k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
21
2.5k
Transcript
LLMからはじめる、 プロダクトへのAI導入 2023.09.28 Microsoftと語る LLM実装の最前線 Ryo Kaneoka SmartHR Product Manager
本日は、「従業員サーベイ」の「要約AI」機能の事例を通して ◦ 今までAIの取り組みをしてこなかった会社で ◦ どのようにLLMと向き合い ◦ どのように本番サービスにLLMを組み込んだか ◦ 今後どのように活用してくか お話しします!
今日のトピック
Ryo Keneoka(@ryopenguin) • プロダクトマネージャー • SmartHRには2020年10月に入社 • 「従業員サーベイ」「スキル管理」の PM •
LLM利用のタスクフォース、AIの R&Dチームを立ち上げ 自己紹介
アジェンダ • 機能リリース前 - LLMとどう向き合ったか ◦ 会社の状況 ◦ LLMの登場 ◦
タスクフォース活動 ◦ ハッカソン • 機能リリース - 従業員サーベイ「要約AI」機能 ◦ 課題設定 ◦ 実装の工夫 • 4つの学び • 今後の展望
機能リリース前 - LLMとどう向き合ったか
会社の状況 AIエンジニアが一人もいない ニーズ自体はあったが、 大きな取り組みにはなっていなかった
LLMの登場 LLMを突破口に AI活用をスタートさせることに https://openai.com/blog/chatgpt
タスクフォースの組成 LLM利用のタスクフォースを組成
タスクフォース活動(1/3)AI勉強会 まずは職種問わず、 「海のものとも山のものとも分からない」状態を脱する
タスクフォース活動(2/3)プロトタイピング プロダクトに組み込むイメージでプロトタイプを量産 主にプロダクトに関わるメンバーに利用できそうなイメージを持ってもらう
タスクフォース活動(3/3)ハッカソン ハッカソンで、セキュリティや法務のメンバーも含めた複数の職種の人に 手を動かしてもらい、イメージを具体化
成果 プロダクトでのLLM活用の可能性を多くの人が理解した状態にできた
機能リリース - 従業員サーベイ「要約AI」機能
実プロダクトへの組み込みを狙う 従業員データの価値化が重要と考え それが実現できるプロダクト、課題を探す
課題設定(1/2):インパクトがわかりやすい適切な課題を探す 既存の顧客にも 要望されていて アウトプットが イメージしやすい 従来手法だとコストが高く
課題設定(2/2):サーベイの長文要約が合致 要望はあったものの従来手法では高コストだった 長文の要約、ポジネガ判定にアプローチ
従業員サーベイ「要約AI」機能
実装上の工夫(1/3)LangChainのロジックをRubyで実装 LangChain内のアルゴリズムやプロンプトを分析、 自社のメイン言語に合わせて実装 https://python.langchain.com/docs/modules/chains/document/refine
実装上の工夫(2/3)テスト基準を作る 事前にテスト基準を明文化、 テスターを固定してテストしてからリリース
実装上の工夫(3/3)ユーザーとのコミュニケーション 実際のユーザーの先に、従業員がいるのでオプトイン型にする
4つの学び
今回の学び(1/4):プロトタイピングツールとしてのLLM AI組織がない場合、LLMでAI的な体験を高速でプロトタイピングできる
今回の学び(2/4):既存プロダクト組み込みの方法 LLM部を独立したコンポーネントにせず、自社の環境に合わせた方が プロダクトチームでメンテナンスできるようになり、その後の改善はしやすい 最初はRuby OpenAIがAzure対応しておらず、fork LangChain/Llamaindexそのまま利用はしなかった
今回の学び(3/4):LLMの課題 明確なテスト基準がない APIの仕様変更、モデル変更 ビジネスモデルから、 使えるAPIが決まる https://platform.openai.com/ https://openai.com/blog/function-calling-and- other-api-updates
今回の学び(4/4):従来のMachine Learningとの併用 自社データと組み合わせるなら、従来のMLとの併用/従来のML的な評価は必要になりそう→ 両方わかるに越したことはない OCRなどの他モデル併用 自社データの前処理・加工 RAGの評価
今後の展望
現在のSmartHR AIの研究開発を組織化、体制を強化中
ご静聴ありがとうございました!