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。

Transcript

1. © 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.
2. 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
3. Product / Machine Learning (ML) Fit
4. 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？
5. 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？
6. 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
7. 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
8. プロダクトの価値とビジネス指標
9. 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
10. 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
11. 簡単に解けるタスクを知る
12. 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
13. PMF (Product Market Fit) と機械学習
14. 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 ֮ז׋ךؽآطأכ⡦דַׅ
15. 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 ֮ז׋ךؽآطأכ⡦דַׅ ٖ؝ًٝس 儗禸⴨✮庠
16. • 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
17. 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. ؚٗ׾׍ׯ׿ה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. ؚٗ׾׍ׯ׿ה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
18. まとめ
19. 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。
20. Q&A
21. Thank you © 2021, Amazon Web Services, Inc. or its affiliates. All rights reserved.
22. 
    ೥ 
    ݄ 
    ೔ʢՐʣɺ
    ೔ʢਫʣ։࠵ 事前登録が開始されました！！！ 告知：AWS Summit Online
23. 告知：AWS Startup Community