2024-12-11

広告運用Agentを発想するためのLLM基礎研究への招待

Technology

ノバセルテクノロジー開発部の吉田と申します。

今回の記事では生成AIの将来を直近発表された論文をとおして論じていきたいと思います。

はじめに

生成AIが普及し、総務省の調べでは日本では個人10%弱, 企業50%弱の人々が日常的に生成AIに触れるようになりました。

生成AIのユースケースが増加している現在、その流れが今後さらに拡大していくことは容易に予想されます。加えて大規模言語モデル（LLM）がもともと備えている検索から要約といったプロセスの自動化を基盤に、 LLMを活用してタスクを包括的に完結させる「LLMベースのエージェント」の概念が発展しています。この進化により多種多様な情報を処理し、不確実性の高いタスクを遂行する能力が向上しており、特定の場面では人間よりも適していると考えられる点からさらなる発展が期待されています。そこで生成AIの裏側のアルゴリズムを理解することで、AI Agentを深く理解ヒントを得ることができると考えており、関連基礎研究を次に概観していきたいと思います。

参考論文1: ReAct: Synergizing Reasoning and Acting in Language Models

論文リンク: ReAct: Synergizing Reasoning and Acting in Language Models

ざっくりいうと推論と行動をシームレスに連携することで相乗的に更新できるアルゴリズムを開発できましたというもの。例えば朝出勤して今日の段取りを考えて行動しながら時間の経過や出来を確認して今後の段取りを変更するなど考えながら行動し、行動しながら行動すると言ったことは日常茶飯事であり、どちらかだけしても結果の総量は上がらないと言った経験は多いのではないか本論文ではこれまで推論(Reasoning)だけのアルゴリズム、果ては行動(Acting)だけのアルゴリズムといった誤りも学習してしまう脆いアルゴリズムに対して頑健に出力できるアルゴリズム(Reasoning and ActingというわけでReActモデル)ができましたというものになります。

例を見るのが早いのでActingのみ, Reasoningのみ(CoT), Reactの順番で見てみます用いた検証方式はFEVERを例にします。これは質問に対してWikipediaの文章が存在するかどうかに対して「支持する」「支持しない」「情報が無い」の3つに分類するベンチマークテストとなります。

結果として全て合っているのですが、ReActはThought, Action, Observationがバランスよく人の推論から結論に辿る過程とよく似ていることがわかると思います。バランスよく言語空間に対してActionとThoughtをしているので頑健に結論を出していることが直感的に気づくことができるかと思います。

参考論文2: Reflexion: Language Agents with Verbal Reinforcement Learning

論文リンク: Reflexion: Language Agents with Verbal Reinforcement Learning

次に見ていくのはReActにさらにReflextionという概念を付け加えたものになります。以下の失敗を反省材料として次に活かしていくものになります

1. 繰り返し行動の検出
同じ行動が何度も繰り返され、同じ結果（無益な観察）が得られる場合、それを「非効率的な行動」としてフラグします。
例:
エージェントが「引き出しを開ける」行動を3回繰り返してもアイテムが見つからない場合、他の探索方法を考えるべきと判断。
2. 行動の無効性
特定のアクションが無効な場合、それを記録し、将来の試行ではその行動を回避します。
3. 探索の不十分性
環境内で特定のオブジェクトや情報が見つからない場合、探索が十分でないと判断し、次回の試行で探索範囲を拡大します。

Algorithmを見ていきましょう。

Reflexionとして内部で反省材料に対して負の報酬条件を定義しており、エージェントが"「引き出しを開ける」行動を3回繰り返してもアイテムが見つからない場合、他の探索方法を考える" のように別の行動を促す仕組みになります。これによりReActだと失敗結果が次に活かせないことになっていましたが、本提案では次の推論-行動に活かせる仕組みになることがわかります。

AI Agentへ

上のようなアルゴリズムを知ってどんな意味があるの？と思うかもしれませんが Reflectionを使ったAI Agent例はでてきており、このようにアルゴリズムを知ることでどこまでできることなのか？学習時間(学習の反映)はどの程度かかるものか？などエージェントの特性を理解することに役立ちます。

他にノバセルのように広告代理店業務に役立ちそうなエージェントのアイディアとしては不確実な情報にならざるを得ない場面での情報量を多くなるような対話シミュレーションモデルの提案がなされています。このようなアイディアはクライアント様の情報が必ずしも完備じゃない場合にどのような対話をすることで不確実性を下げることができるのかを何かしらのエントロピー計算をすることで下げるための探索シミュレーションが可能だと想像を掻き立ててくれます。

さいごに

LLMの基礎研究を知ることで、今後必要とされるAI(LLM) Agentへの理解・開発のきっかけを与えてくれることを見てきました。今回ご紹介した研究はごくごく一部になり、これらの研究は非常に盛り上がっています。多くの先人の知恵を確認することで有益なAI Agentをクライアント様と創り上げていきたいと考えています。

2024-12-10

sklearnとstatsmodelsのデフォルトの回帰モデルで得られる決定係数の違い

TECHNOLOGY Python

この記事はノバセル Advent Calender 10日目です。

ノバセルでデータサイエンティストをしている宮野です。前回は CausalImpactのアンチパターンについて記載しました。今回はライト目に、自身の備忘録として書き残します。

はじめに

ノバセルでは、比較的シンプルな分析ロジックを用いた分析で意思決定の支援をできるものは、streamlitを活用したWebアプリケーションを社内展開しています。その中には、単回帰分析で得られた決定係数を活用する部分が1部含まれています。

この実装を進める中で、Pythonのsklearnとstatsmodelsを用いて決定係数を求めた際、デフォルト設定で計算される値に差異があることがわかりました。本記事では、この差異の理由を掘り下げていきます。

決定係数について

決定係数とは、回帰モデルにおいて、モデルのあてはまりの良さの判断基準に使われる指標で、以下のように定義されます。

$y_i$ ：実測値
$\hat{y_i}$ ：予測値
$\bar{y}$ ：実測値の平均値

決定係数は、回帰直線のあてはまりがよければ１に近い値をとり、悪ければ０に近い値になります。

`sklearn`と`statsmodels`で決定係数を求める

実際にサンプルデータを用いて、sklearnとstatsmodelsのデフォルトで求められる決定係数が違うことを示します。

サンプルデータを用意します。

import pandas as pd
import numpy as np
import statsmodels.api as sm
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt


# サンプルデータの生成
np.random.seed(123)
x = np.random.rand(50) * 10
y = 3 * x + np.random.randn(50) * 2

# データフレームの作成
df = pd.DataFrame({'x': x, 'y': y})

得られたデータの散布図が図 1です。

# 散布図の描画
plt.scatter(df['x'], df['y'], alpha=0.7)

# x軸とy軸を0開始に設定
plt.xlim(0, df['x'].max() + 1)
plt.ylim(0, df['y'].max() + 1)

# ラベルを設定
plt.xlabel('x')
plt.ylabel('y')

# グラフを表示
plt.show()

次に、このサンプルデータを用いてsklearnとstatsmodelsで決定係数を求めます。

`sklearn`

model_lr = LinearRegression()
model_lr.fit(df[['x']], df['y'])
round(model_lr.score(df[['x']], df['y']), 4)

0.9044

`statsmodels`

model = sm.OLS(df['y'], df[['x']])
res = model.fit()
round(res.rsquared, 4)

0.9825

どちらも求められた決定係数が１に近い値になっていますが、statsmodels で求めたほうがより１に近い値になっています。

極端な例

続いて、極端な例として、回帰モデルのあてはまりが悪くなるようにサンプルデータを作成し、決定係数の違いを確認します。

# サンプルデータの生成
np.random.seed(123)
x_extreme = np.random.rand(50) * 10  # 0から10までのランダムな値
y_extreme = np.random.rand(50) * 10  # 0から10までのランダムな値（x_extremeとは独立）

# データフレームの作成
df_extreme = pd.DataFrame({'x_extreme': x_extreme, 'y_extreme': y_extreme})

# 散布図の描画
plt.scatter(df_extreme['x_extreme'], df_extreme['y_extreme'], alpha=0.7)

# x軸とy軸を0開始に設定
plt.xlim(0, df_extreme['x_extreme'].max() + 1)
plt.ylim(0, df_extreme['y_extreme'].max() + 1)

# ラベルを設定
plt.xlabel('x_extreme')
plt.ylabel('y_extreme')

# グラフを表示
plt.show()

`sklearn`

model_lr.fit(df_extreme[['x_extreme']], df_extreme['y_extreme'])
round(model_lr.score(df_extreme[['x_extreme']], df_extreme['y_extreme']), 4)

0.0679

`statsmodels`

model_extreme = sm.OLS(df_extreme['y_extreme'], df_extreme[['x_extreme']])
res_extreme = model_extreme.fit()
round(res_extreme.rsquared, 4)

0.5728

散布図からもわかるように、今回作成したサンプルデータでは回帰直線の当てはまりは悪くなる ≒ 決定係数は０に近くなるはずです。

ですが、sklearnで求めた決定係数は０にかなり近いのに対し、statsmodelsで求めた決定係数は０に近いとは言えず、大きく異なる結果になりました。

差分が起こる理由

ここが本題ですが、差分の理由は「切片を含むモデルか、含まないモデルか」です。切片を含まないとは、回帰直線が原点（0, 0）を通ることを意味します。

sklearnのLinearRegression()では、デフォルトでは切片を含むようになっているのに対し、statsmodels のデフォルトでは切片を含まないようになっています。この違いが決定係数の差分を引き起こしています。

極端な例で用意したサンプルデータの散布図（図 2）に、切片を含む回帰直線と、切片を含まない回帰直線を引いた図が以下の通りです。

切片を含まないモデルで得られる決定係数は、回帰モデルのあてはまりを表す指標ではなくなるため注意が必要です。

切片を含まない場合の決定係数は以下のように定義されます。

statsmodelsで切片を含むモデルの決定係数を得るには、以下のように定数項を追加すると、sklearnで得られる決定係数と一致します。

# 定数項を追加
x_extreme_with_const = sm.add_constant(df_extreme[['x_extreme']])

model_intercept_extreme = sm.OLS(df_extreme['y_extreme'], x_extreme_with_const)
res_intercept_extreme = model_intercept_extreme.fit()
round(res_intercept_extreme.rsquared, 4)

0.0679

おわりに

生成AIの普及により、データサイエンティストなどの専門家に聞かなくとも、コードや数式をすぐに生成し結果が得られる時代です。しかし、本記事で示したように、sklearnとstatsmodelsでは、デフォルト設定のわずかな違いが、分析結果に基づく意思決定や施策の方向性に影響を及ぼす可能性があります。

ツールやライブラリを用いる際には、それらのデフォルト設定や実装の違いを正確に理解することが求められます。

参考資料

回帰直線が原点（0, 0）を通る場合の決定係数については「Rで学ぶ確率統計学　多変量統計編」の第3章にまとめられています。

2024-12-09

新卒1年目がノバセルで学んだ「仕事を進めるコツ」

この記事はノバセル Advent Calender 9 日目です。

こんにちは、ノバセル 24 年新卒の秦です。テクノロジー開発部にて、データエンジニアをしています。

入社をしてから８ヶ月ほどが経ちました。

最初は仕事がなかなか上手く進められず、一つの仕事に必要以上に時間がかかっていました。しかし、「あること」を意識するようになってから、少しずつ仕事が上手く進められるようになってきました。今回は私が実践して効果を感じた「仕事を進めるコツ」を共有したいと思います。

コツは「分解」すること

そのコツとは「分解すること」です。

仕事は以下の二種類に大別できます。

具体的でわかりやすい仕事
- 例: 「このデータベースから特定のデータを取得する」
抽象的で漠然とした仕事
- 例: 「このページをお客さんが使いやすくする」

前者のような具体的な仕事は取り掛かりやすいですが、後者は何から始めればいいか分からず、進めるのが難しいです。この「抽象的な仕事」の抽象度を下げ「取り掛かりやすい仕事」にするために必要なのが「分解」という技術です。

分解の実例: 「オムライスを作る」

例えば「オムライスを作る」という仕事を例に考えてみます。この状態だと抽象度が高く取り掛かりにくいです。そこで、以下のように分解していきます。

料理は「食材の準備」と「調理」に分けられます。

オムライスを作る
- 食材の準備
- 調理

まだ実行可能な抽象度ではないので、さらに分解していきます。

オムライスを作る
- 食材の準備
  - 冷蔵庫にある食材を確認する
    - （必要な食材は何？）
  - 足りない食材を買い出しに行く
- 調理
  - （そもそも作り方知らないぞ？）

分解をしてみると食材の準備として何を準備する必要があるのか、そもそもどういう調理をすればオムライスを作れるのかわからないということに気づきました。つまり、見落としている仕事があったという事です。見落としている仕事を追加してさらに分解します。

オムライスを作る
- オムライスの作り方を調べる
  - レシピサイトで検索する
  - どのレシピを使うか決める
- 食材の準備
  - レシピにある食材を確認する
  - 冷蔵庫にある食材を確認する
  - 足りない食材を買い出しに行く
- 調理
  - レシピを参考にする

このように分解することで

抽象的な仕事を実行可能な具体的な仕事にできる。
分解前は見落としていた仕事を発見できる。

というメリットが得られました。

分解をしていなければ

とりあえず買い出しに行って、結局何を買えば良いかわからない。
作り方を調べる時間を考慮しておらず、完成を約束した時間に間に合わない。

ということが起こり得ます。

分解を身につけるには

分解をすれば良いとわかっても、いざ分解してみようとすると思いのほか難しいです。自分なりにどうしたら分解しやすくなるかを書きます。

まず分解の出発点は「仕事の目的を明確にすること」です。目的があいまいなまま分解に取り掛かると必要な要素を見落としたり、無駄な作業が増えたりすることになります。

再度「オムライスを作る」を例にします。「お客様に振る舞う」のが目的なら見た目や盛り付けが重要ですが、「自分で食べる」なら味に集中すれば十分です。目的を明確にすることで、何を分解すべきかも明確になります。

あとは、分解のためのフレームワークを活用する事です。調べたら色々出てくると思いますが、例えば前中後というフレームワークがあります。このフレームワークでは、仕事を三つに分けて考えます。

前: 取り掛かる前に行う準備
中: 実際に行う作業
後: 終了後に必要な確認や後始末

オムライスの例で言うと以下のようになります。

前：オムライスの作り方を調べる、食材の準備をする
中：調理をする
後：盛り付けをする、食卓に出す、洗い物をする

このようにフレームワークを活用することで分解がしやすくなり、さらに見落としていた仕事を見つけることができます。今回でいえば、後の仕事が漏れていたことに気づくことができました。他にも色々フレームワークがあるので調べて活用してみてください。

あとは分解する時間を意識的に取ることが大事です。仕事が忙しかったりすると、分解を省略してしまいがちですが、分解をしないと結局仕事を上手く進められず必要以上に時間がかかることにつながります。仕事に取り掛かる前に仕事の目的を確認し、分解をする癖づけをしましょう。

分解は難しいものですが、経験を積めばどんどん上達していくはずです。日々分解を意識し、分解する経験を積むことで今までより仕事が上手くできるようになるはずです。

まとめ

抽象的な仕事は進めにくいですが、「分解」を意識することで具体的な仕事に分解できます。具体的な仕事になれば仕事に取り掛かりやすくなり、今自分が何をしてるかを人に共有しやすくもなります。そして、具体と抽象という本にもあるように、具体と抽象の両方をセットで扱える力が必要です。今回は分解をすることで抽象から具体化することができ、仕事がしやすくなるという話をしました。逆に具体から抽象化する力も身につけることで、より仕事がしやすくなると考えています。具体化力と抽象化力を鍛えてもっと仕事ができるようになりましょう！

最後まで読んでいただきありがとうございました！

2024-12-08

おそらくあなたがまだ知らない AI 情報系 YouTube チャンネル 5 選

序文

この記事はノバセル Advent Calender 8 日目です。ノバセルで CTO をしている戸辺です。

ノバセルはいま AI を "使う" ということに力を入れており、AI を使って徹底的に社内外の生産性を改善したいと考えています。もともと私たちの親会社であるラクスルの Vision は "仕組みを変えれば、世界はもっとよくなる" ということで、レガシーな産業に IT 等の仕組みを取り入れることで、世界を良くするということにアプローチしてきました。ノバセルもそこは同じで、特にそれをマーケティング領域で実現していこうという事業体なだけです。

この観点にたつと、before AI の世界における IT は after AI の世界からみるとレガシーであり、AI を取り入れて仕組みを変えて、世界をもっとよくするということは、私たちの Vision そのものに通ずることであり、かついまやるべきことなのです。

単に、私がこの手の領域がとても好きというのがありますが。

自身でも囲碁を、だいたいアマ 2 段くらいの腕でやり、ゲーム AI 開発を嗜んでいた身からすると、AlphaGo の登場は衝撃でした。当時世界で一番強かった人類最強の棋士を相手に、3 戦全勝。このときに、AI は人間の代替や、部分的な生産性改善ではなく、いわゆる "超知性" 足りうることを証明したと感じました。AlphaGo はあくまでも囲碁という閉じた領域ではありましたが、これをアナロジーとし、あらゆる人間の知識労働は、"超知性" として置き換えられるだろうと確信しています。

どちらかというと興味の領域は、それがなるかどうかではなく、いつなるか、です。

そのために欠かさず情報キャッチアップをしている次第です。単に好きなだけですが。大事なことなので 2 回いいました。

※ わかりやすさのために、 before AI とか after AI という言葉を使いましたが、これは ChatGPT がリリースされた 2022 年 11 月 30 日以前以後のことです。AI とは受け手にとって曖昧な用語だと思いますが文脈からご判断いただけますと幸いです。ちなみに、AlphaGo の文脈で述べた AI は LLM でもないので、技術的には全く別のものということは理解したうえでなお、そのアナロジーは通じると考え、例示してあります。

選考基準

せっかくこの記事を読んでくださった方に新規の情報を届けたいと思いまして、思い切って "あなたがまだ知らない" と題してしまいましたので、まず、チャンネル登録者数を 20 万人未満のものに厳選しました。ちなみに、OpenAI は執筆時点で 132 万人の登録者がいました。とはいえ、見る価値があるクオリティも必要だと思いますので、その観点で登録者数は 1 万人以上という条件もつけました。登録者数が多ければ質が担保されるというわけではないかもしれませんが、一定の相関はあると思いますし、質については一応私が見ての判断も加味されていますので。

続いて、次の基準として、これ自体が Tech Blog ということ、つまり読者はおそらくエンジニアであろうということから、エンジニアに向けて特に有用なものを選びました。

最後に、これは少し特殊かもしれませんが、英語に限定しています。これは私自身が英語学習を兼ねながら見ているということもあるのと、日本語の情報は割と受動的にも入ってきやすいのに対して、英語での情報は能動的に取りに行くほうが早く情報が得られるという側面もあり、英語でピックアップしています。

選考基準まとめ

チャンネル登録者数 1 ～ 20 万人
エンジニアにとって有用
英語

最後に英語で YouTube を見るときに有用なブラウザ拡張も紹介しておこうと思います。

おそらくあなたがまだ知らない AI 情報系 YouTube チャンネル 5 選

(特におすすめ順というわけではありません)

1. AICodeKing

@AICodeKing: 4.75 万人

概要

まずは AICodeKing から。このチャンネルは主に IDE や Editor などの開発環境に関する話題が多めです。特に人気なのは "Stop Using xxx" シリーズ。みんな "Cursor" 使ってるけど、"VSCode + AIder + Supermaven" 使うほうがいいよーとか、そういうやつ。また、最新の IDE などにもよく触れてくれており、最近だと Google の IDX の紹介もしてくれていました。なんだか眠くなるトーンの声の方なのですが、IDX の紹介の時は結構テンションが高かったように思います。他には、Aider については本人も好きなのか、何回かに分けて説明してくれており、ユースケースの理解に役立つと思われます。WindSurf とか、日本では紹介記事が少なめの Editor もよく取り上げてくれています。

2. IndyDevDan

@indydevdan: 2.96 万人

概要

エンジニア向けだとどうしてもコードアシスタントが多くなってしまいます。この方も AIDER を使ったコードアシスタントの動画をたくさんあげてくださっているので、AIDER 解像度を上げてコードアシストしてもらおうという方には便利です。加えて、このチャンネルではプロンプトエンジニアリングの解像度をあげてくれるコンテンツもあり、プロンプトエンジニアリングの考え方のフレームワークを提示してくれたり、今後それがどれだけ大事になるかなどを具体例を示しながら教えてくれたりします。

3. WorldofAI

@intheworldofai: 8.18 万人

概要

最初に紹介した AICodeKing と少しテイストが似ているところはあるのですが、それよりはコードを書くことだけに限定されず、もう少し広く日常の仕事を便利にするための AI 利用について紹介してくれています。

4. techfren

@techfren: 0.9 万人

概要

(少し基準に届いてないけど許してください) この方はライブが多めで、ライブ動画を編集してあげてくれています。そのため、実用的なものが多くまた、躓きながら乗り越えていくという生の部分が見られるのがとても有用です。

5. Anthropic 公式

Anthropic の公式: 5.72 万人

概要

"あなたがまだ知らない" ってことはさすがにないとは思いますが、選考基準にギリギリ入っているので(ギリギリというのはエンジニア向けという意味で)最後に紹介させていただきます。OpenAI のチャンネル登録者数が 132 万人であることを考えるとずいぶん少ないと思います。出しているモデル、機能は素晴らしいのですが。Computer use や MCP などここ数ヶ月は話題に事欠かない Anthropic でしたが、それらをもう少し理解しやすい具体的なユースケースを結構紹介してくれているのがこちらです。

(おまけ) 英語で YouTube を見やすくするブラウザ拡張

NoteGPT これの Chrome 拡張が無料で使えます。これをいれると、YouTube の画面の右側に動画の Transcript が出せます。Summary などを見る場合はログインが必要になりまが、Transcript だけであればログインもアカウントも不要です。また、Transcript さえあれば、コピペで Claude なり ChatGPT なりに渡して、サマリーを得たり、考察の壁打ちなどをするのも自由にできるかと思います。ぜひお試しください。

※ 社内の英語レッスンで先生に教えていただきました

2024-12-07

ノバセルPdMが「プロダクトマネジメントのおすすめ本」を語る

プロダクト開発

この記事はノバセル Advent Calender 7日目です。

こんにちは。ノバセルにてプロダクトマネージャーをやっている林です。本記事では、私が今年読んだ本の中からプロダクトマネジメント関連のおすすめ本を2冊ご紹介したいと思います。

おすすめ本①：プロダクトマネージャーのしごと第2版

1冊目は『プロダクトマネージャーのしごと第2版 ―1日目から使える実践ガイド』です。

プロダクトマネージャーのしごと第2版 ―1日目から使える実践ガイド

作者:Matt LeMay
オーム社

Amazon

この本を一言で言うと「PdMが実際の仕事で成果を出すための心構え/TIPSが学べる本」です。プロダクトマネジメントの単なるベストプラクティス解説ではなく（むしろべスプラを盲信する危険性が語られる）、様々に変化する組織/事業状況に上手く対応するための方法が書かれています。かといって、「特定の場面にしか使えないTIPSの羅列」という訳でもなく、PdMとして仕事を進める上での指針となる思考法が豊富な具体例と共に載っています。

どんな人におすすめ？

個人的には「PdMを数年やっているが、一皮むけて成長したい！」という人におすすめです（まさに私です笑）。これからPdMを始める方にも参考になるとは思うのですが、本の中に出てくる事例がリアリティを持って迫ってくる（そして、思い出したくない過去の失敗が走馬灯のように...）のはミドル～シニアを目指す方かなと思います。

おすすめ本②：Continuous Discovery Habits

2冊目は『Continuous Discovery Habits: Discover Products that Create Customer Value and Business Value』です。

Continuous Discovery Habits: Discover Products that Create Customer Value and Business Value (English Edition)

作者:Torres, Teresa
Freesun

Amazon

この本を一言で言うと「顧客価値とビジネス価値を両立させるプロダクトを発見するための体系的な方法を学べる本」です。残念ながら日本語訳が出ていないのですが、海外の方が書いたPdM向け読書リストには必ずと言っていいほど入っている一冊です。

どんな人におすすめ？

「顧客課題発見系の本を色々読んで来たが、1本筋を通す体系を学びたい」という方におすすめです。あと、「PdMが普段する会話を英語で書くとどうなるか？」も学べるので、ビジネス英語を勉強したい方にもおすすめ！

ノバセルの実務で活かしてみて

最後に、私のノバセルでのPdMの実務において、2冊の本で学んだことを活かしたケースについて話そうと思います。

活かした内容

1冊目：過剰コミュニケーション（第4章：過剰コミュニケーションの技術）
2冊目：真の課題に辿り着くには「一般的な状況でどうすると思うか？」ではなく「具体的な状況でどうしたか？」を聞く（Chapter Five: Continuous Interviewing）

※「過剰コミュニケーション」とは？：「最適なコミュニケーション量が分からず失敗するくらいなら、コミュニケーション過剰に倒した方がよい」という原則のこと

具体的なケース

あるクライアントの商談に同席していた時、「Aという作業が直近大変なんだよね」という話がポロっと出ました。ただ、クライアントの社内用語を使って説明されたので、私としては「なんか大変そうだけど、具体的に何が大変か分からないなあ」という状態でした。そのような状況で、今までの私の場合「頓珍漢な質問をしたら『なんかよく分からないことを聞かれた』と思わるんじゃないか？」「MTG後に同席メンバーと『あれってどういう意味だった？』を確認しよう」と質問を躊躇することが多かったです。

でも、ここは「過剰コミュニケーション」の原則に則って「馬鹿だと思われてもいいから徹底的に顧客に聞こう」と意思を固めました。かつ、顧客への質問の仕方として「なんでAという作業が大変なんですか？」という一般的な状況ではなく、「Aという作業を実際に見せてください」という具体的な状況を聞くことにしました。すると、よくよく顧客の話を聞くと「大変な作業Aが発生しているのは、定常的にやるべき作業Bが出来ていないから」「本当は作業Bを定常的に実施できるようにしたい」という話が出てきました。「臆せず顧客に質問した結果、真のニーズに辿り着けた」瞬間でした。

これはほんの一例ですが、今後も学んだことを実務に活かしてPdMとして一歩も二歩も成長していきたいです。

まとめ

今回はプロダクトマネジメント関連のおすすめ本を2冊紹介しました。気になった方は是非読んでみてください。

明日は弊社CTOが登場！「今年購読を開始した AI 情報系 YouTube チャンネル」について書くということで、乞うご期待！

はじめに

参考論文1: ReAct: Synergizing Reasoning and Acting in Language Models

参考論文2: Reflexion: Language Agents with Verbal Reinforcement Learning

AI Agentへ

さいごに

はじめに

決定係数について

sklearnとstatsmodelsで決定係数を求める

sklearn

statsmodels

極端な例

sklearn

statsmodels

差分が起こる理由

おわりに

参考資料

コツは「分解」すること

分解の実例: 「オムライスを作る」

分解を身につけるには

まとめ

序文

選考基準

選考基準まとめ

おそらくあなたがまだ知らない AI 情報系 YouTube チャンネル 5 選

1. AICodeKing

概要

おすすめの一本

2. IndyDevDan

概要

おすすめの一本

3. WorldofAI

概要

おすすめの一本

4. techfren

概要

おすすめの一本

5. Anthropic 公式

概要

おすすめの一本

(おまけ) 英語で YouTube を見やすくするブラウザ拡張

おすすめ本①：プロダクトマネージャーのしごと 第2版

おすすめポイント

ポイント①：きれいごとだけではない「PdMとして上手くやるためのノウハウ」が詰まっている

ポイント②：気を付けるべき観点/アクションが端的にまとめられている

どんな人におすすめ？

おすすめ本②：Continuous Discovery Habits

おすすめポイント

ポイント①：「継続的ディスカバリー」の明確な定義が分かる

ポイント②：「継続的ディスカバリー」の一連の流れを理解できる

どんな人におすすめ？

ノバセルの実務で活かしてみて

活かした内容

具体的なケース

まとめ

`sklearn`と`statsmodels`で決定係数を求める

`sklearn`

`statsmodels`

`sklearn`

`statsmodels`

おすすめ本①：プロダクトマネージャーのしごと第2版