diff --git a/docs/organizer/day0.md b/docs/organizer/day0.md index f0c1a00..1556291 100644 --- a/docs/organizer/day0.md +++ b/docs/organizer/day0.md @@ -8,11 +8,10 @@ * プロダクトマネージャーがワークショップで行うこと * データサイエンティストがワークショップで行うこと * 開発者がワークショップで行うこと -* 必要な支援の確認 - * AWSからできる支援について説明 +* ワークショップ終了後行うこと +* 参考書籍 * 質疑応答 -* 開催日程確認 -* [付録] ヒアリングシート +* Next Step ## ML Enablement Workshop とは @@ -24,31 +23,36 @@ ML Enablement Workshop は 3 部構成のプログラムです。 ## ワークショップの参加者は誰か -MLEWでは以下の三つの職責が登場します。多義的な職責なので、 参加者の方が実際に行っている業務と、 MLEW で定義する職責とが一致しているかを確認してください。 +MLEWでは以下の三つの職責が登場します。会社により定義が異なっていることもあるので、参加者の方が実際に行っている業務と、 MLEW での定義が一致しているかを確認してください。 * プロダクトマネージャー * プロダクトのビジネス的な成功、そのためにロードマップを作成しどのような機能を開発するか方針を示し意思決定を行う職責の方です。 * 参考: [プロダクトマネジメントのすべて 事業戦略・IT開発・UXデザイン・マーケティングからチーム・組織運営まで](https://www.amazon.co.jp/%E3%83%97%E3%83%AD%E3%83%80%E3%82%AF%E3%83%88%E3%83%9E%E3%83%8D%E3%82%B8%E3%83%A1%E3%83%B3%E3%83%88%E3%81%AE%E3%81%99%E3%81%B9%E3%81%A6-%E4%BA%8B%E6%A5%AD%E6%88%A6%E7%95%A5%E3%83%BBIT%E9%96%8B%E7%99%BA%E3%83%BBUX%E3%83%87%E3%82%B6%E3%82%A4%E3%83%B3%E3%83%BB%E3%83%9E%E3%83%BC%E3%82%B1%E3%83%86%E3%82%A3%E3%83%B3%E3%82%B0%E3%81%8B%E3%82%89%E3%83%81%E3%83%BC%E3%83%A0%E3%83%BB%E7%B5%84%E7%B9%94%E9%81%8B%E5%96%B6%E3%81%BE%E3%81%A7-%E5%8F%8A%E5%B7%9D-%E5%8D%93%E4%B9%9F/dp/4798166391/ref=d_pd_vtp_sccl_3_1/356-1302783-3087709?pd_rd_w=kMJMk&content-id=amzn1.sym.cbb45385-7b99-44b7-a528-bff5ddaa153d&pf_rd_p=cbb45385-7b99-44b7-a528-bff5ddaa153d&pf_rd_r=VNVE3FYZYAE1GYH2438T&pd_rd_wg=OvK72&pd_rd_r=829f808a-3dc8-49ff-8f8b-2affc105dce0&pd_rd_i=4798166391&psc=1) - * プロダクトでの機械学習導入に当たって、ユーザーの課題、ビジネスの課題の解決に直結しているか判断頂くために参加いただきます。 + * プロダクトでの機械学習導入が顧客の課題、ビジネスの課題に直結しているか判断頂くために参加いただきます。 * データサイエンティスト - * 機械学習モデルの構築、またデータの分析を行う職責の方をデータサイエンティストとしています。 - * 機械学習の専門家として、プロダクトで有用な用途や事例の提案、できること / できないことの判断等を頂くために参加いただきます。 + * 機械学習モデルの構築、またデータの分析を行う。 + * 機械学習の専門家として、プロダクトで有用な用途や事例の提案、できること / できないことを判断頂くために参加いただきます。 * 開発者 - * プロダクトの実装を行う職責を開発者と呼んでいます。アプリケーション、インフラエンジニアなどを指します。 - * 実行可能な計画をアウトプットするため、スケジュールや見積りの妥当性を判断いただくために参加いただきます。 + * プロダクトの開発スケジュールやチームのリソース状況を把握している方です。 + * 実行可能な計画をアウトプットするため、大まかな見積りや現在のスケジュールとの兼ね合いを判断いただくために参加いただきます。 -**MLEW はどの役割が欠けても成り立ちません。** プロダクトマネージャーのユーザー・ビジネスに対する知見がなければ単に技術的に可能でトレンドだから入れてみた状態になりかねませんし、データサイエンティストがいなければ機械学習や生成系 AI の技術的限界を超えたアイデアに取り組んでしまうかもしれません。開発者の方がいなければ、現行のプロダクト仕様や開発スケジュールを無視した計画を立ててしまうかもしれません。[機械学習プロジェクトの失敗確率は 8 割を超える](https://note.com/piqcy/n/n9c9e97896596) と言われており、失敗原因を防ぐには異なる職責の連携が不可欠です。 +**MLEW にはすべての役割が必要です。** [機械学習プロジェクトの失敗確率は 8 割を超える](https://note.com/piqcy/n/n9c9e97896596) と言われており、その要因としてチームの連携不足は理由の 1 つに挙げられています。 -**MLEW は機械学習をプロダクトで活用できるようになるための最初のステップ**です。ワークショップ終了後も連携は続きます。異なる職責で異なる知識を持っているので、プロダクトマネージャーからしたらビジネスを知らない、データサイエンティストからすると機械学習を知らない、開発者からすると開発プロセスや現状のプロダクトの仕組みをしらない、と感じられ**イライラすることもあるかもしれません**。対立はチームの組成に向けた健全なプロセスなので、対立をとりつくろわず、知らないこと、意見の相違は隠さず表明するよう努めてください(関心ある方は、「タックマンモデル」で検索してみたください)。 +**MLEW 終了後もチームとしての連携が続きます**。ワークショップが表面的な会話になると、終わった後に「実はインパクトが低いと思っていた」「実はスケジュール的に無理だった」と後出しで計画が変わることがあります。異なるロールの方と本音で議論するために、必要に応じ事前に情報共有・懇親の場を設けることをお勧めします。 ワークショップ実施者向けチェックリスト - [ ] : MLEW に参加が必須である 3 つの職責の方が参加メンバーに含まれるか ? - * 含まれない場合、該当の職責を持つ方にも参加いただくよう依頼してください。 -- [ ] : MLEW で期待される職責が、聞いていた話と同じか ? - * 異なる場合、参加をアサインした方 ( 主に経営層の方 ) と認識がずれている可能性があるため、ワークショップの目的と参加者について一度すり合わせの場を持たせてください。 + * 含まれない場合、該当の職責を持つ方にも参加いただくよう依頼してください。会社によっては担当がいない場合や肩書の定義が異なることもあるため確認をお願いします。 + * 3 つの職責に加え参加いただいたほうが良い方がいたら声がけをお願いします（例：カスタマーサポート / UX デザイナーな等） - [ ] : MLEW 参加者は顔見知りか ? * 今回初めて顔を合わせる場合、お互いに意見が言いやすいよう Day0 中に自己紹介の時間を取ります。お客様には参加者同士がやり取りできる Slack 等の作成や、必要があれば追加の顔合わせの時間を取って頂ければ幸いです。 +- [ ] : Day1 、 Day2 、 Day3 の事務手続きをお願いします + - [ ] : 日程の決定 + - [ ] : 会場の決定 ( オンライン / オフライン ) + - [ ] : 設備の確認 ( ホワイトボード / ペン / ポストイット ) + +※ MLEW ではオフラインを推奨しています。 ## ワークショップで行うこと @@ -56,50 +60,56 @@ MLEWでは以下の三つの職責が登場します。多義的な職責なの #### ワークショップ開始前 -ヒアリングシートへの回答と、参加者の調整をお願い致します。 +参加するチームメンバー１人１人に、ヒアリングシートへ回答するよう依頼してください。 ヒアリングシートの項目は次の通りで、 Day0 で確認します。 -Day0 終了後、ワークショップの参加者・日程の確定をお願い致します。プロダクトマネージャーは負荷の高い業務と認識しているので、日程調整などは適宜他の方に委譲していただければと思います。 +- [ ] プロダクト名は何ですか？（例：Amazon Trip） +- [ ] プロダクト概要について教えてください + - [ ] 想定顧客は誰ですか？（例：旅行をしたい人） + - [ ] 顧客のどのような課題を解決しますか？（例：旅行における交通手段や宿の情報が散在して、顧客が予定を立てるのに苦労をする） + - [ ] メインとなる機能は何ですか？（例：交通手段や宿の情報を集約し、同一アプリから予約まで完了できる） + - [ ] メインとなる収益源は何ですか？（例：宿からの広告掲載料、取引成立時の手数料） +- [ ] プロダクトの開発・運用体制について教えてください（例：アプリ開発チームとMLチームがある。カスタマーサクセスチームがお客様の声を集約している　など） +- [ ] プロダクトのターゲットユーザや成長戦略について理解するための定期・非定期の場はありますか ? またそれは十分ですか ? -- [ ] : [ヒアリングシート](##付録--ヒアリングシート)に回答する -- [ ] : ワークショップ出席者を選定し、チームを組織する（1チーム6人目安） - - [ ] : データサイエンティスト - - [ ] : 開発者 - - [ ] : 他、必要と判断した役職（例：カスタマーの声をより詳しく反映させるためにカスタマーサクセスチームに参加してもらう等） -- [ ] : 事務処理 - - [ ] : 日程の決定 - - [ ] : 会場の決定 - - [ ] : 設備の確認 +このヒアリングシートの目的は、各メンバーのプロダクトに対する理解度のばらつきを確認することです。 Day0 で確認し、ばらつきが大きい場合は事前にプロダクトやロードマップについて説明する場の開催を検討してください。 -#### Day1 理解編 +MLEW で議論する機能の範囲や使う技術の範囲は、絞られているほど具体的な計画作成に時間が割けます。プロダクトに関する定量・訂正データや経営方針との整合性などからスコープを事前に定義頂くようお願いします。 -ワークショップとして、データサイエンティストの方に提示いただいた事例をもとに機械学習でプロダクトを成長させるためのビジネスモデルを作成します。ビジネスモデルキャンバスを使ったワークの主導をお願い致します。他のメンバーは特に価値提供の右側の部分(顧客との関係、顧客セグメント、販路など)には明るくない可能性があるため、この点については丁寧に共有いただけると良いと思います。詳細は[理解編の実施ガイド](./day1.md)を参照してください。 +顧客の課題、ビジネスの課題についてチームメンバーに情報共有し、ユースケースの優先順位を提案してください。ユースケースの候補はデータサイエンティストの方に事前に調査し提案頂きますが、これまで交流が薄かった場合はワークショップ本番前に事前にどんなユースケースを俎上に挙げるかすり合わせをお願いします。 -![Business Model Canvas](./assets/day0/business_model_canvas.png) +理解編ではビジネスモデルキャンバスを作成するため、事前知識がない場合は参考書籍などを参照しておいてください ( 後述 ) 。 -- [ ] : 自社のビジネスモデルをわかりやすく説明するための準備を頂く。 - * ビジネスモデルキャンバスの各要素をリストアップしておくなど。 +- [ ] : ヒアリングシートへの回答を依頼し、収集する + - [ ] : 参加メンバー間で理解度に差がある場合、認識を一致させる場を設ける +- [ ] : MLEW で議論するプロダクトの機能や課題をあらかじめ絞っておく +- [ ] : データサイエンティストとの連携が不十分な場合、 MLEW で議論するユースケースを事前にすり合わせする場を設ける。 +- [ ] : ビジネスモデルキャンバスが初めての場合、参考書籍などに目を通しておく。 -#### Day2 応用編 +#### Day1 理解編 -理解編で作成したビジネスモデルを顧客へ提案するシナリオを作成し、提案に対する顧客の反応をロールプレイによりシミュレーションします。プロダクトのカスタマージャーニーマップやユーザーストーリーマッピングがあれば事前に共有頂くとスムーズです。当日もそちらをもとに顧客のペルソナや体験について他のメンバーに説明し、提案シナリオのインプットにしてください。詳細は[応用編の実施ガイド](./day2.md)を参照してください。 +顧客の課題、ビジネスの課題についてチームメンバーに情報共有し、ユースケースの優先順位を提案してください。優先度の高いユースケースについて、ビジネスモデルキャンバスの作成を主導してください。 -![Proposal Simulation](./assets/day0/proposal_simulation.png) +次回 Day2 では顧客の立場からビジネスモデルキャンバスが成立するか確認するので、現在の顧客体験を示す資料があれば事前に共有してください。 - [ ] : カスタマージャーニーマップやユーザーストーリーマッピングを事前に共有いただく。 +#### Day2 応用編 + +ロールプレイを行う際、普段接している顧客の立場からユースケースについて批判的な反応を共有してください。ロールプレイの結果を受け、ユースケースの再選択を実施してください。 + +![Proposal Simulation](./assets/day0/proposal_simulation.png) + #### Day3 開始編 -Day3 では Day2 で洗い出した顧客の反応に基づきビジネスモデルの価値を検証する 1-3 カ月の計画を策定いただきます。実現性がある計画を策定するため、開発者やデータサイエンティストより提示される見積もりやリソースを参考に、また最初から機械学習を使うことにこだわらずに計画を立ててください。計画のフォーマットは会社ごと異なると思いますので、 AWS より指定のフォーマットはありません。計画立案後、最終的に本ワークショップへの参加を了承いただいたCxOなどへの説明日程をスケジュールしてください。詳細は[開始編の実施ガイド](./day3.md)を参照してください。 +顧客への訪問などフィードバックを獲得する手段を提示し、必要なリソース ( デモや PPT 資料、アンケート送付の承認など ) がどの程度の期間で調整できるか他のロールの方に意見をもらってください。顧客からのフィードバックが得られる職責は参加者のうちプロダクトマネージャーのみなので、自身の行動を実行可能にするためにどんなリソースが必要なのかを共有することが重要です。 + +今後チームを連携していくため、ワークショップ内で以下の実施をお願いします。 - [ ] 機械学習の活用に向けた行動計画の作成 - [ ] ワークショップ参加メンバー間での連絡方法、会議体の確立 - [ ] CxOへの説明日程の決定 -#### ワークショップ後 - -ワークショップ実施後は、 Day3 の計画に沿い定期的な進捗の確認とマイルストンにおける CxO への説明を実施してください。 - ### データサイエンティストがワークショップで行うこと #### ワークショップ開始前 @@ -113,26 +123,15 @@ Day3 では Day2 で洗い出した顧客の反応に基づきビジネスモデ #### Day1 [理解編] -収集した事例を参加メンバーに共有してください。機械学習については他のメンバーがほとんど知らない可能性があるので、知識量に応じ話してください。ビジネスモデルの作成に当たっては、機械学習モデルの精度を高めるために資源としてどのようなデータを蓄積すべきか専門家の知見から意見を出してください。 - -- [ ] 収集した事例の共有 -- [ ] 機械学習モデルの精度を継続的に高めるため蓄積すべきデータについて意見する +収集した事例を参加メンバーに共有してください。他の参加メンバーは機械学習になじみがない場合もあるので、相手の知識に合わせて説明をお願いします。議論では AI/ML/ 生成 AI の実現可能性を専門家の立場から判断ください。 #### Day2 [応用編] -プロダクトマネージャーから顧客体験の情報としてカスタマージャーニーマップやユーザーストーリーマッピング等の資料が提供されます。これらをインプットし、機械学習モデルの用途について意見を出してください。 - -- [ ] 顧客体験の理解をもとにした機械学習モデルの用途について意見する +ロールプレイで、提案役として顧客への提案シナリオの作成とプロダクトマネージャー演じる顧客への提案をお願いします ( 役割は当日決めますが提案役となることが多いです ) 。 #### Day3 [開始編] -Day3 では Day2 で定義した顧客体験においてボトルネックとなる点を解決する　1-3 カ月の行動計画を策定いただきます。最終的なモデルの構築に向け、データの収集や評価メトリクスの定義といった将来に向けて必要なステップが含まれているか確認してください。 - -- [ ] 機械学習モデル実装に必要なステップに抜け漏れがないか確認する - -#### ワークショップ後 - -ワークショップ実施後は、 Day3 の計画に沿い定期的な進捗の確認とマイルストン実現のための検証などをお願い致します。 +実行計画を現実的にするため、技術的実現性や期間内に実装できるかを専門家の立場から判断ください。 ### 開発者がワークショップで行うこと @@ -146,69 +145,42 @@ Day3 では Day2 で定義した顧客体験においてボトルネックとな ビジネスモデルの作成を行う際、すでに保有しているデータ ( 資源 ) や利用している外部リソース(API等) ( 協力者 ) について共有してください。 -- [ ] プロダクトに蓄積されているデータ等の資源、利用している外部リソースの共有 - #### Day2 [応用編] プロダクト開発者の観点から、顧客が機械学習を用いた機能を利用する手順 ( ユーザーインターフェース ) について意見を出してください。 -- [ ] 顧客のプロダクト操作手順に関する情報の提供、意見出し - #### Day3 [開始編] -Day3 では Day2 で定義した顧客体験においてボトルネックとなる点を解決する　1-3 カ月の行動計画を策定いただきます。プロダクトマネージャーやデータサイエンティストから提案されるアクションに対し概算の見積もりを提示し、最初の計画として、1-3ヶ月の範囲で収まるように調整してください。 +実行計画を現実的にするため、開発スケジュールや実装の実現性を専門家の立場から判断ください。 -- [ ] 提示された行動に対する概算見積りの提示 -- [ ] 開発チームのエンジニアリングリソースの状況の共有 -- [ ] 実行計画作成の主導 +### ワークショップ終了後行うこと -#### ワークショップ後 +ワークショップ終了後、ワークショップで定義した実行計画に従い定期的な進捗確認のミーティングで状況を共有し 1~3 カ月以内に CXO への報告を完了してください。 -ワークショップ実施後は、 Day3 の計画に沿い定期的な進捗の確認とマイルストン実現のための検証などをお願い致します。計画に収まらなかったタスクについては、プロダクトマネージャーに確認の上バックログなどに記載し将来取り組めるよう記録しておいてください。 +開発リソースに課題があれば、 AWS のプロトタイピング支援の活用などの相談を開始してください。 -- [ ] 積み残した課題/タスクのバックログ登録 +#### AWSからできる支援 -## 必要な支援の確認 +* AWS SA からのアーキテクティングやサンプルコードの紹介支援。 +* プロトタイピングチームからのアプリケーション / ML 基盤構築支援 +* [Generative AI Innovation Center](https://aws.amazon.com/jp/about-aws/whats-new/2023/06/aws-announces-generative-ai-innovation-center/) からの PoC 支援 +* [AWS 機械学習コンピテンシーパートナーのご紹介](https://aws.amazon.com/jp/machine-learning/partner-solutions/) -参加者の方にワークショップを推進するにあたり、必要な事前インプットがないか確認します。 +## 参考書籍 -ワークショップ実施者向けチェックリスト +ワークショップを推進するにあたり、必要な事前インプットがないか確認します。インプットに有用な書籍やリソースを紹介します。 - [ ] プロダクトマネージャーの方はビジネスモデルの作成やカスタマージャーニーの作成の経験があるか ? * あまりない場合、プロダクトマネージャーとしてビジネスモデルの作成や顧客体験の可視化を主導できるように、下記の推薦図書で事前のインプットを行ってください。 * [プロダクトマネジメントのすべて 事業戦略・IT開発・UXデザイン・マーケティングからチーム・組織運営まで](https://www.amazon.co.jp/%E3%83%97%E3%83%AD%E3%83%80%E3%82%AF%E3%83%88%E3%83%9E%E3%83%8D%E3%82%B8%E3%83%A1%E3%83%B3%E3%83%88%E3%81%AE%E3%81%99%E3%81%B9%E3%81%A6-%E4%BA%8B%E6%A5%AD%E6%88%A6%E7%95%A5%E3%83%BBIT%E9%96%8B%E7%99%BA%E3%83%BBUX%E3%83%87%E3%82%B6%E3%82%A4%E3%83%B3%E3%83%BB%E3%83%9E%E3%83%BC%E3%82%B1%E3%83%86%E3%82%A3%E3%83%B3%E3%82%B0%E3%81%8B%E3%82%89%E3%83%81%E3%83%BC%E3%83%A0%E3%83%BB%E7%B5%84%E7%B9%94%E9%81%8B%E5%96%B6%E3%81%BE%E3%81%A7-%E5%8F%8A%E5%B7%9D-%E5%8D%93%E4%B9%9F/dp/4798166391) : プロダクトマネジメントについて網羅的に紹介されている書籍です。Part1 / Part2 の箇所が目を通していただければ幸いです (書籍内ではビジネスモデルキャンバスに近いリーンキャンバスを使用しています) 。Part1: プロダクトの成功 (27 ページ)、Part2: プロダクトを育てる (131 ページ) まで読んでいただければ。 * (Optional) [ビジネスモデルの教科書: 経営戦略を見る目と考える力を養う](https://www.amazon.co.jp/%E3%83%93%E3%82%B8%E3%83%8D%E3%82%B9%E3%83%A2%E3%83%87%E3%83%AB%E3%81%AE%E6%95%99%E7%A7%91%E6%9B%B8-%E7%B5%8C%E5%96%B6%E6%88%A6%E7%95%A5%E3%82%92%E8%A6%8B%E3%82%8B%E7%9B%AE%E3%81%A8%E8%80%83%E3%81%88%E3%82%8B%E5%8A%9B%E3%82%92%E9%A4%8A%E3%81%86-%E4%BB%8A%E6%9E%9D-%E6%98%8C%E5%AE%8F/dp/4492533435) : ビジネスモデルについて様々な事例を知りたい場合、副読書的に参照いただければと思います。 * (Optional) [ジョブ理論 イノベーションを予測可能にする消費のメカニズム](https://www.amazon.co.jp/%E3%82%B8%E3%83%A7%E3%83%96%E7%90%86%E8%AB%96-%E3%82%A4%E3%83%8E%E3%83%99%E3%83%BC%E3%82%B7%E3%83%A7%E3%83%B3%E3%82%92%E4%BA%88%E6%B8%AC%E5%8F%AF%E8%83%BD%E3%81%AB%E3%81%99%E3%82%8B%E6%B6%88%E8%B2%BB%E3%81%AE%E3%83%A1%E3%82%AB%E3%83%8B%E3%82%BA%E3%83%A0-%E3%83%93%E3%82%B8%E3%83%8D%E3%82%B9%E3%83%AA%E3%83%BC%E3%83%80%E3%83%BC1%E4%B8%87%E4%BA%BA%E3%81%8C%E9%81%B8%E3%81%B6%E3%83%99%E3%82%B9%E3%83%88%E3%83%93%E3%82%B8%E3%83%8D%E3%82%B9%E6%9B%B8%E3%83%88%E3%83%83%E3%83%97%E3%83%9D%E3%82%A4%E3%83%B3%E3%83%88%E5%A4%A7%E8%B3%9E%E7%AC%AC2%E4%BD%8D-%E3%83%8F%E3%83%BC%E3%83%91%E3%83%BC%E3%82%B3%E3%83%AA%E3%83%B3%E3%82%BA%E3%83%BB%E3%83%8E%E3%83%B3%E3%83%95%E3%82%A3%E3%82%AF%E3%82%B7%E3%83%A7%E3%83%B3-%E3%82%AF%E3%83%AA%E3%82%B9%E3%83%86%E3%83%B3%E3%82%BB%E3%83%B3/dp/4596551227) / [ユーザーストーリーマッピング](https://www.amazon.co.jp/%E3%83%A6%E3%83%BC%E3%82%B6%E3%83%BC%E3%82%B9%E3%83%88%E3%83%BC%E3%83%AA%E3%83%BC%E3%83%9E%E3%83%83%E3%83%94%E3%83%B3%E3%82%B0-Jeff-Patton/dp/4873117321) : カスタマージャーニー / ユーザーストーリの作り方についてより詳しく知りたい場合、副読書的に参照いただければと思います。 -- [ ] データサイエンティストの方にプロダクトの課題などについてインプットがされているか ? - - インプットがない場合、プロダクトの課題に沿った事例を提案できるよう、プロダクトマネージャーにビジネスやプロダクトの課題を事前にヒアリングし認識を合わせておいてください。 - - また、競争優位なユースケースにあたりをつけるため、競合他社やベンチマークとすべき目標企業の事例を確認しておいてください。 - - -### AWSからできる支援 - -* 無償のサポート - * AWS 事例の紹介、実装のドキュメントやサンプルコードの紹介 - * 実装のアーキテクティング支援 - * モデル開発、モデルの運用プロセス (MLOps) の開発支援 - * 生成系 AI については無償の [Generative AI Innovation Center](https://aws.amazon.com/jp/about-aws/whats-new/2023/06/aws-announces-generative-ai-innovation-center/) をご案内できます。 -* 有償のサポート - * [AWS 機械学習コンピテンシーパートナーのご紹介](https://aws.amazon.com/jp/machine-learning/partner-solutions/) - * コンサルティングチームによる要件定義・実装支援 +い。 ## 質疑応答 ワークショップの目的、職責の不明点などについて質問をください。 -## 開催日程確認 +## Next Step 開催の日程、場所、使用するツール、特にホワイトボードのツールを確認します。 - -## 付録 : ヒアリングシート - -- [ ] プロダクト名は何ですか？（例：Amazon Trip） -- [ ] プロダクト概要について教えてください - - [ ] 想定顧客は誰ですか？（例：旅行をしたい人） - - [ ] どのような課題を解決しますか？（例：旅行における交通手段や宿の情報が散在して、顧客が予定を立てるのに苦労をする） - - [ ] メインとなる機能は何ですか？（例：交通手段や宿の情報を集約し、同一アプリから予約まで完了できる） -- [ ] プロダクトの開発・運用体制について教えてください（例：アプリ開発チームとMLチームがある。カスタマーサクセスチームがお客様の声を集約している　など） -- [ ] 開発メンバーはプロダクトのターゲットユーザや成長戦略について理解していますか？定期・非定期にそれらについてインプットしたり会話する機会はありますか？（組織図・体制図があれば） diff --git a/docs/presentations/ml-enablement-01-architect.pdf b/docs/presentations/ml-enablement-01-architect.pdf index 40bda6a..dc9e51e 100644 Binary files a/docs/presentations/ml-enablement-01-architect.pdf and b/docs/presentations/ml-enablement-01-architect.pdf differ diff --git a/docs/presentations/ml-enablement-02-application.pdf b/docs/presentations/ml-enablement-02-application.pdf index 3e52fb5..767ab29 100644 Binary files a/docs/presentations/ml-enablement-02-application.pdf and b/docs/presentations/ml-enablement-02-application.pdf differ diff --git a/docs/presentations/ml-enablement-03-action.pdf b/docs/presentations/ml-enablement-03-action.pdf index 65c0a1d..693bd74 100644 Binary files a/docs/presentations/ml-enablement-03-action.pdf and b/docs/presentations/ml-enablement-03-action.pdf differ