From 1a6cea79536d70187727b7b14ffa3f9bf221c086 Mon Sep 17 00:00:00 2001 From: icoxfog417 Date: Thu, 31 Aug 2023 17:57:11 +0900 Subject: [PATCH] Update Day1 guide --- README.md | 28 ++++++++++++++++++++-------- docs/organizer/README.md | 39 +++++++++++++++++++++++---------------- docs/organizer/day1.md | 24 +++++++++++++++++++----- docs/organizer/faq.md | 6 +++++- 4 files changed, 67 insertions(+), 30 deletions(-) diff --git a/README.md b/README.md index 0cfb484..acdcaa7 100644 --- a/README.md +++ b/README.md @@ -2,6 +2,12 @@ プロダクトマネージャーが、機械学習 / 生成系 AI によりプロダクトを継続的に成長させるロードマップが作れるワークショップです。 +ワークショップの実施により、次のような課題の解決ができます。 + +* 機械学習や生成系 AI がどんなユーザー課題の解決に利用できるのか知見がなく、プロダクトへの応用が進められずにいる。 +* プロダクト開発チームとデータサイエンスチームのつながりが弱く、連携して動けていない。 +* たびたび機械学習の活用、生成系 AI の活用が話題に登るもののアイデアや検討会はいつの間にか立ち消えになっている。 + ## :books: ワークショップ資料 ワークショップは3部構成となっています。Titleのリンクから資料へ、Workから成果物用のテンプレートにアクセスできます。 @@ -9,22 +15,28 @@ | Title |[理解編: 成長サイクルの理解する](docs/organizer/day1.md)|[応用編: 顧客体験改善への応用](docs/presentations/ml-enablement-02-application.pdf)|[開始編: 顧客体験の改善を開始する](docs/presentations/ml-enablement-03-action.pdf)| |:--------|:---------|:------|:------| | Image |![Architect](docs/images/top/ml-enablement-01-architect.png)|![Application](docs/images/top/ml-enablement-02-application.png)|![Action](docs/images/top/ml-enablement-03-action.png)| -| Work | [ユースケースの発案と検証](https://miro.com/app/board/uXjVMskX3PY=/?moveToWidget=3458764561904198140&cot=14) | [Event Storming用ボード](https://miro.com/app/board/uXjVMSMR38c=/?share_link_id=286437223244) | - | -| Time | 3 時間 | 4 時間 | 3 時間 | +| Work | [ユースケースの発案と検証](https://miro.com/app/board/uXjVMskX3PY=/?moveToWidget=3458764561904198140&cot=14) | [顧客体験を可視化し焦点を定める](https://miro.com/app/board/uXjVMSMR38c=/?share_link_id=286437223244) | 1 ~3 カ月のマイルストン作成 | +| Time(*) | 3 時間 | 4 時間 | 3 時間 | **理解編**で、プロダクトが機械学習で成長する仕組みを学び事例を参考に自社のビジネスモデルを設計します。**応用編**で、顧客のビジネスモデル体験を可視化し成立を確認するための必要最小限の検証スコープを特定します。**開始編**で、ビジネス価値を想像しながら検証を進めていくための段階的なステップを設計します。 -ML Enablement Workshopを利用いただくメリットは3つです。 +(*) 1 時間のバッファ込みの時間です。 + +ML Enablement Workshop の特徴は 3 つです。 * 💪 **実践的** - * AWSで機械学習の活用を支援したノウハウが詰め込まれています。ワークショップの提供から得られたつまづきや成功の知見、お客様からのフィードバックを随時反映し「活きた知見」を提供します。 -* 🛠️ **実現性** - * AWSのサービスとプログラムでロードマップの実現を支援します。無料で利用可能な[Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/)や表計算ソフト間隔で使える[Amazon SageMaker Canvas](https://aws.amazon.com/jp/sagemaker/canvas)など、熟練したデータサイエンティストがいなくても機械学習が実装できるサービスを提供しています。AWSのエキスパートによるモデル構築支援を行う[ML Solutions Lab](https://aws.amazon.com/jp/ml-solutions-lab/)等も含め、サービスとプログラム両面で機械学習による勝ちパターンの実現を支援します。 -* :octocat: **無料** - * GitHubでOSSとして教材を公開しており、ライセンスの範囲で自由に利用頂くことができます。[ワークショップを開催するためのガイド](https://github.com/aws-samples/aws-ml-enablement-workshop#%E9%96%8B%E5%82%AC%E8%80%85%E5%90%91%E3%81%91%E3%82%AC%E3%82%A4%E3%83%89)も提供し、社内でのデータ活用推進などに活かしていただきます。 + * AWS のノウハウが詰め込まれています。 AWS の事例、またワークショップの提供から得られた「活きた知見」が資料と提供者用ガイドに集約されています。 +* 🛠️ **協調的** + * AWSのサービスとプログラムでロードマップの実現を支援します。手軽に生成系 AI が使える [Amazon Bedrock](https://aws.amazon.com/jp/bedrock/) や無料で Jupyter Notebook が使える [Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/) から、機械学習の継続的な学習に不可欠な MLOps を構築する [Amazon SageMaker](https://aws.amazon.com/jp/sagemaker/) まで、幅広なサービスと [生成系 AI イノベーションセンター](https://aws.amazon.com/jp/about-aws/whats-new/2023/06/aws-announces-generative-ai-innovation-center/) 等の実装支援プログラムでユースケースの実現まで伴走します。 +* :octocat: **公共的** + * GitHub で オープンソースとして教材を公開しており、ライセンスの範囲で無料で利用頂くことができます。[ワークショップを開催するためのガイド](https://github.com/aws-samples/aws-ml-enablement-workshop#%E9%96%8B%E5%82%AC%E8%80%85%E5%90%91%E3%81%91%E3%82%AC%E3%82%A4%E3%83%89)を参照し、社内での機械学習やデータ活用推進などに活かしていただきます。 ## 🔍 関連資料 +* [大規模言語モデルを Fine Tuning すべきタイミングとその方法](https://speakerdeck.com/icoxfog417/da-gui-mo-yan-yu-moderuwo-fine-tuning-subekitaimingutosonofang-fa) + * プロダクトを生成系 AI で成長させるのになぜ Fine Tuning が必要なのか、どのような手順で進めればよいのかを解説したスライドです。Biz 、Dev 、 ML の 3 ステップのプロセスを紹介し Biz フェーズの支援として ML Enablement Workshop を紹介しています。 +* [インフラだけではないMLOpsの話](https://speakerdeck.com/icoxfog417/inhuradakedehanaimlopsnohua) + * MLOpsの前提となる「ML」がプロダクトの成長に貢献している状態を実現するために、AWSが実施している ML Enablement Workshop の内容や提供の経緯をお話しした資料です。 * [ゲーム業界における生成系AIの活用](https://speakerdeck.com/icoxfog417/gemuye-jie-niokerusheng-cheng-xi-ainohuo-yong) * ゲーム業界で生成系 AI を活用している事例と、活用のためのポイントをまとめた発表した記事です。 * [プロダクトの成長をリードする生成系 AI の活用戦略](https://speakerdeck.com/icoxfog417/purodakutonocheng-chang-woridosurusheng-cheng-xi-ai-nohuo-yong-zhan-lue) diff --git a/docs/organizer/README.md b/docs/organizer/README.md index 5ebd600..a2a85de 100644 --- a/docs/organizer/README.md +++ b/docs/organizer/README.md @@ -1,20 +1,27 @@ # ML Enablement Workshop 開催者向けガイド -本文書は、ML Enablement Workshopの資料を使いワークショップの開催を企画している方に向けて書かれたガイドです。 +本文書は、ML Enablement Workshopの開催を企画している方に向けて書かれたガイドです。よくある質問については [FAQ](faq.md) を参照してください。 -ML Enablement Workshop (MLEW) の提案は次の流れで進みます。 +ML Enablement Workshop (MLEW) は次の流れで進みます。 -1. MLEW の訴求と参加申し込み - * MLEW のご紹介を行い、参加の表明と参加チームの決定を頂く。 -2. Day0: ワークショップのしおり確認 - * 参加するメンバー向けに、ML Enablement Workshop のしおり (Day0) に沿いワークショップで行ってほしいことの説明を行う。 -3. MLEW の開催日程の決定 - * 開催日程を決定する。 ※参加意欲がはっきりしている場合は、タイムリーな提供のため 2 と並行して進めたほうが良い。 - -Step1 の提案は営業向け資料を使用し、関心があれば詳細説明資料で詳細な説明を行います。 - -* [Day0](day0.md) -* [Day1: 理解編](day1.md) -* [Day2: 応用編](day2.md) -* [Day3: 開始編](day3.md) -* [FAQ](faq.md) +1. MLEW の提案 + * MLEW のプログラムの内容をご説明し、参加条件を満たしているか確認します。 + * 特に決裁権を持つ方 (CXO など ) 、 プロダクトマネージャーの役割を持つ方へのご説明は必須です。 + * 参加条件を満たしている場合、参加者の決定を依頼します。 +2. Day0: 事前ガイダンス + * 参加する方向けに、[ML Enablement Workshop のしおり (Day0) ](day0.md) に沿いワークショップで期待する役割をご説明します。 + * のしおりに付随するヒアリングシートに事前に回答頂き、回答内容からチームの状態について仮説を立てたうえで望みます。 + * 役割の実施にあたり事前インプットや認識のすり合わせが必要か明確にします。 +3. MLEW 日程の決定 + * 開催日程を決定します。 + * **参加意欲がはっきりしている場合、タイムリーな提供のため Day0 の日程調整と並行して進めてください。** + * **過去実績から、必ず + 1 時間のバッファを取ってください (理解編: 3時間 / 応用編: 4時間 / 開始編: 3時間)。** + * 過去実績から、リモートでの開催より現地開催を推奨します。 +4. MLEW の実施 + * 理解編 / 応用編 / 開始編 を実施します。 + * [理解編 (Day1) ](day1.md) + * [応用編 (Day2) ](day2.md) + * [開始編 (Day3) ](day3.md) + * 各 Day でアンケートを取得し、次回の実施に役立てます。 +5. MLEW 実施後のフォロー + * Day3 で立てた計画の進捗を定期的に確認し、必要な支援があればフォローアップを行います。 diff --git a/docs/organizer/day1.md b/docs/organizer/day1.md index 0716936..d37261a 100644 --- a/docs/organizer/day1.md +++ b/docs/organizer/day1.md @@ -1,4 +1,4 @@ -# ML Enablement Workshop 理解編 +# ML Enablement Workshop : 理解編 (Day1) ## ワークショップ資料 @@ -8,12 +8,26 @@ PDF 資料 : [機械学習の成長サイクルを理解する](../presentations |:--------|:---------|:------| | ![day1-part1.png](./assets/day1/day1-part1.png) | ![day1-part2.png](./assets/day1/day1-part2.png) |![day1-part1.png](./assets/day1/day1-part3.png) | -## 効果的なファシリテーション +## 資料の構成と提供のポイント +1. 章前 + * ワークショップの冒頭で、経営層の方から参加者への期待を語って頂くとモチベーションを鼓舞するために効果的です。 1. 機械学習の成長サイクルを理解する - * 議論が会社全体の方向性からずれないように、顧客の問題、ビジネスの問題について決算説明資料等を参照し全体に共有、意識合わせをするためのスライドを入れると効果的です。 + * このセクションでは、機械学習の成長サイクルとそれを成立させる 3 つの要件について解説します。 + * 受講者の会社から発表されている決算説明資料等を参照し顧客の問題、ビジネスの問題についての仮説を提示するスライドを挿入することで、会社全体の方向性に沿った議論ができるよう誘導すると効果的です。 2. プロダクトで応用できそうな事例の共有 - * データサイエンティストの方に事前に事例を集めてきていただいた内容を発表してもらいます。 + * このセクションでは、データサイエンティストの方に事前に事例を集めてきていただいた内容を発表してもらいます。 + * バックアップとして、提供者側でも 1~2 個事例を用意しておくことが好ましいです。事例が的を外しているとワークショップの進行が難しくなります。 3. 自社版のビジネスモデルキャンバスの作成 - * 事例をもとにしたユースケース発案、ビジネスモデルキャンバスを使ったユースケースの成長サイクル確認を行います。 + * このセクションでは事例をもとにしたユースケースの発案、ビジネスモデルキャンバスを使った成長サイクルの設計を行います。 * ビジネスモデルで検証するユースケースは一つに絞る必要があります。その時適当に絞るのでなく、顧客は誰か、課題は何か、課題を示す定量的な数値はあるか、数値から優先度をつける場合どうなるか、など顧客起点、また改善すべきビジネス KPI 視点から合理的な絞り込みを行うよう促うと効果的です。 + +## 提供結果の確認とフォローアップ + +* アンケートを取得してください。 +* Day2 前に、カスタマージャーニーマップ / ユーザーストーリの共有を依頼する。 + * 事前に顧客の体験を提示いただき、 Day2 で議論するスコープについてあたりをつけておきます。プロダクトがカバーする業務フローが広い場合、 Day2 の時間内に議論が収まらない可能性があります。 +* (Optional) ビジネスモデルキャンバスの内容を詰める時間を取る。 + * ビジネスモデルが不完全である場合、あるいは合意に至れていない場合プロダクトマネージャーと個別に時間を取り Day2 までに固めておきます。 +* (Optional) 経営層へのレポートを行う。 + * プロダクトマネージャーと経営層のコミュニケーション頻度が低い場合、あるいは連携がうまく取れていない場合 Day1 終了後の段階でビジネスモデルの内容を共有する時間を取ってください。 Day2 、 Day3 と進んだ後にひっくり返されると提供者も受講者もつらい思いをすることになります。 diff --git a/docs/organizer/faq.md b/docs/organizer/faq.md index cea800b..073e20a 100644 --- a/docs/organizer/faq.md +++ b/docs/organizer/faq.md @@ -1,3 +1,7 @@ # FAQ -TBD +* 社内向けのプロダクト/サービスでもよいか? + * 可。ただし、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相当する担当者がいることが条件。メンテナンスされない一時的なツールの開発などは対象とならない。 +* 1 プロダクトに複数機能がありそれぞれにプロダクトマネージャーがいる場合、機能ごとに分けたほうがいいか ? + * 最終的には分けたほうが良い。最初から分けていると、プロダクト横断の機械学習のユースケースの発見に繋がらない可能性があるので、 Day0 の段階でプロダクトマネージャ全員、もしくは CPO に相当する方を集め議論したうえでターゲットを決めたほうが良い。 + * ターゲットとするプロダクトを決めないまま、プロダクト全体で進めると議論が発散し時間が足りなくなる。すくなくとも Day1 実施前に固めておくことを推奨する。