■ はじめに こんにちは、LayerX・バクラク事業開発の稲田(@HirotoInada)です！ 今回は事業開発をしていく上で必要になる”顧客解像度”をどのように上げていくのかに関して自身の経験を踏まえてまとめていきます。 この記事は 「BtoB事業開発アドベントカレンダー」 の6日目の記事です！ 前回は Pitta CEO 中村さんによる「toB事業立ち上げ時のBizOpsをどこまで設計すべきか」でした ぜひハッシュタグ「#BtoB事業開発アドカレ」をつけて感想などシェアをお待ちしております！ 全ての記事はこちらから(大人気につき2枠目も増設 計50人が参加してます) ・ BtoB事業開発アドカレ 1/2 ・ BtoB事業開発アドカレ 2/2 時間がない方向けのAIサマリー 時間がない方は、サマリーを読んでもっと詳しく知りたいなとなったら、ぜひ全文読んでみてください！ この記事は、事業開

「”100年後の世界を良くする会社”を増やす」をミッションに掲げるコンサルティング会社 リブ・コンサルティングが、「自社プロダクトがキャズムを超えるためのGPT活用方法」をテーマとしたイベントを開催。今回は、同社シニアコンサルタントの島孝行氏が登壇したセッション「GPTがもたらす影響」の模様をお届けします。ChatGPTの登場で起きた市場環境の変遷や、日本市場におけるGPT活用企業のカオスマップなどが紹介されました。 ChatGPTの登場で起きた市場環境の変遷 司会者：さっそく、弊社リブ・コンサルティングの島から、第2章「GPTがもたらす影響」についてお話ができればと思います。それでは島さん、よろしくお願いします。 島孝行氏（以下、島）：よろしくお願いいたします。私からはGPTの市場環境や、ベンチャー企業さんがどういったかたちでGPTをサービスに使っていけばいいかについて簡潔にお伝えさせて

現職のコンサルっぽい仕事・インフラアーキなエンジニアな仕事も大好きですが, やっぱデータを見ると興奮するぐらいにデータ好きな人です. startpython.connpass.com 本日（2023/1/19）, ありがたいご縁がありまして, 「機械学習エンジニアが目指すキャリアパスとその実話」というお話をさせていただきました. 参加者の方々, ご清聴ありがとうございました&参加されていない方も気になるポイントあればぜひ御覧ください. 1/19の #stapy で「機械学習エンジニアが目指すキャリアパスとその実話」なるトークをすることになりました, 自画自賛ですが思ったよりいい内容に仕上がった気がします, 機械学習とかデータサイエンティストとかのキャリアでお悩みの方に届くと嬉しいです, 来てねhttps://t.co/KHxAXYY5mr pic.twitter.com/eguUyEnfb

業務マニュアルの受託制作の経験を通して感じたことを、ここに書き連ねていこうと思います。 社内で、業務マニュアルや教材づくりを検討されている方のために、何かしらお役に立てれば幸いです。 業務マニュアルTipsについて 業務マニュアルの受託制作の経験を通して感じたことを、ここに書き連ねていこうと思います。 社内で、業務マニュアルや教材づくりを検討されている方のために、何かしらお役に立てれば幸いです。 マニュアルの作り方そのものについては、すでに良書がたくさんありますので、ここでは社内でマニュアルを作る場合の周辺のモロモロに焦点をあてることにします。 思いついたことからランダムに掲載していく予定です。忙しいとどうしても更新が滞りがちになるのですが、激励メールなどをいただけると、調子にのって更新するかもしれません（？）。 なお、ここでは「業務マニュアル」を次のように広くとらえています。 社外向けの

この記事は？ IT企業の業務形態には大きく分けて自社開発、受託企業、SES(ITエージェント)の三形態があり、それぞれが利益を上げるために日々企業として活動を行なっています。 自社開発: 自社プロダクトのグロースによって利益を上げていく企業。 受託企業: ITプロダクトの開発を請け負いそれによって利益を上げる企業。SESとの違いは請負契約が主体で、契約内容の完了によって利益を上げる仕組みになっている。 SES/ ITエージェント: 主に業務委託形式で各現場にエンジニアの労働力を提供し、そこから得られるマージンによって利益を上げていく企業。 本記事では、これらの企業が儲ける仕組みについてそれぞれ概観をしていきます。 著者は？ クライアントワークを中心とするソフトウェアエンジニアとして働き、エンジニアの採用活動に関わった経験と、正社員およびフリーランスエンジニアとしての経験がある。 対象読者

業務改善に必要なフローの作成・更新のノウハウに関して、株式会社TMJ 事業変革部 東日本立上・改善支援センターの中村拓磨氏、株式会社TMJ 情通サービス営業本部 第1営業部 4課の青木俊子氏が解説する「業務改善の第一フェーズ！　仕事の流れを客観的に図解する『業務フロー』の作り方」の模様を公開します。 ■動画コンテンツはこちら（※動画の閲覧には会員登録が必要です） 「仕事の流れを客観的に図解する『業務フロー』の作り方」 青木俊子氏（以下、青木）：みなさん、こんにちは。株式会社TMJの青木と申します。このセミナーでは「業務改善の第一フェーズ！　仕事の流れを客観的に図解する『業務フロー』の作り方」と題して、業務改善に必要なフローの作成、更新のノウハウをお話しいたします。 弊社TMJでは日々さまざまな企業さまから、コールセンターやバックオフィスの業務をお預かりしており、本日は実際にそれらの業務運用

こんにちは。機械学習エンジニアをしている古賀です。 最近は愉快な上司@tereka114 のもと、精度の上がらないモデルに四苦八苦しています。 そんな私が普段データ分析をする際に難しいことの一つとして、特徴量エンジニアリングがあります。 特徴量エンジニアリングとは、元のデータに新たな特徴量を追加することでモデルの精度を向上させるプロセスのことです。 この結果によってモデルの精度が大きく変わりますが、正しく実行するにはデータへの深い理解やデータ分析力が必要になります。 私もあまり得意ではないのですが、これを簡単にする xfeat という便利なライブラリがあると上司が教えてくれたので、実際に使ってみて便利だったことをまとめました。 ※本記事は、Pythonその3 Advent Calendar 2020 の15日目の内容になります。 目次は以下です。 xfeat とは 準備 実行環境 xfea

DataRobot Pathfinderは、すでに業界で普及している100以上のAI導入のユースケースを発見、理解、実装するためのライブラリです。今すぐAI導入の成功へのヒントを見つけましょう

プラットフォームの概要 AI Platform 生成 AIおよび予測 AIのプラットフォーム もっと詳しく ドキュメント 新機能 ログイン 無料で始める 運用 自信を持ってAIを拡張し、比類のないエンタープライズ・モニタリングとコントロールでビジネス価値を促進 デプロイと実行 再学習と最適化 監視と介入 ガバナンス AIの環境、チーム、およびワークフローを統合し、大規模な範囲での完全な可視性と監視を実現 レジストリと管理 監査と承認 コンプライアンスドキュメント生成 構築 ニーズの進化に合わせて自由に適応できるオープンなAIエコシステムで、迅速なイノベーションを実現 分析と変換 学習とチューニング 組立てと比較 プラットフォーム統合 インフラストラクチャーへのデプロイ ソリューション 業界ごと ヘルスケア 製造 小売業 金融サービス 成果ごと ユースケースのライブラリー お客様事例 Dat

PyCon JP 2020 での発表スライドです。 GitHub: https://github.com/taishi-i/toiro/tree/master/PyConJP2020

私自身もこういったアンチパターンに遭遇し失敗した経験がある。 冒頭にあげた鬼十則はその反省から生まれたものであるが、ここからそれぞれの項目を解説していきたい。 1. データは自ら集めるべきで、与えられるべきではない 主人公の「データがないから開発できない」の発言は間違ってはいない。しかしデータがないと嘆くのではなく、そのデータを取りに行く努力が必要である。昨年データサイエンティスト界隈で話題となった『アルキメデスの大戦』では上のいざこざでデータ（設計図）が手に入らない時、自らデータを集めて突破口を開くエピソードが綴られている5。この姿はまさに理想のデータサイエンティスト像といえるだろう。データ収集の壁は数多く挙げられるが6、その壁を乗り越える努力を怠ってはいけない。自らが安心して開発を進めるためにも、データ取りには十分に入り込んでいくべきである。 2. 目標とは、先手先手と働き掛けていくこ

本記事では、AIエンジニアやAI関連のビジネスパーソン向けに、起業および新規事業立案に関するノウハウ・情報をお知らせします。 AIに特化していない新ビジネス立案関連の内容も多いのですが、ご容赦ください。 AIに関わる内容は本記事の後半部分から始まります。 本記事は、 [1] スタートアップ系での有名なアドバイスを引用掲載 [2] それに対して、私（小川）なりの私見を記載 という構成で執筆します。 AIエンジニア向け記事シリーズの一覧 その1. AIエンジニアが気をつけたいPython実装のノウハウ・コツまとめ その2. AIエンジニアが知っておきたいAI新ビジネス立案のノウハウ・コツまとめ（本記事） 本記事の目次 はじめに 0. 起業や新規事業立案を学ぶうえで知っておきたい人物・組織 アイデアの見つけ方 アイデアの育て方 ユーザーインタビューの仕方 AI新ビジネス立案について MVPの作成

データマネジメントなきMLは、破綻する。 〜こんなデータじゃ機械学習できねぇよ問題の処方箋〜 Machine Learning Casual Talks #12 の発表資料です。 https://mlct.connpass.com/event/172550/ 参考文献『データマネジメントが30分でわかる本』 https://amazon.co.jp/dp/B085W4YSZJ/

1, はじめに こんにちは, Researcher Intern の中野です. 新型コロナウイルスが世界中で猛威をふるい、個人の生活スタイルのみならず社会全体に変革が迫られているのを感じます。 医療従事者の方々には頭が上がりませんが, 機械学習のコミュニティでもKaggleのコンペ, SIGNATEのコンペ等, なんとか状況の改善に貢献しようという動きが見られます. このような直近の例にも見られるように, 機械学習はデータを扱うあらゆる分野での応用が考えられます. 自分も, 大学での専攻は物質プロセス工学（材料工学系）なのですが, 材料工学に機械学習を応用するマテリアルズインフォマティクスという分野での研究を行っています. 軽く内容を紹介させていただくと, 研究では新素材の製造プロセスを, ガウス過程回帰に基づいたActive Learning アプローチを用いて, 低コストかつ高速に最適

機械学習系の話題が多い昨今ですが、実際触ってみると期待した精度・結果が出ないなんてことはよくあることではないでしょうか。 機械学習特有の性質として、データ自体がモデルを変化させ、結果として業務に影響を与えたりします。 仮に、機械学習屋さんが精度が出るモデルを構築したと言っても、それを導入するときに、システム全体での品質の維持に苦労したりします。 ということで、不確実性の大きい機械学習系開発についての、設計・テスト戦略でどうやってリスクを低減していけるかが一つカギになってくると思い、方法論について勉強しましたので、そのメモです。 非常に参考にしたのはこちら。 arxiv.org テストそのもののテクニックなどは、一般的なテスト駆動開発に関する書籍を合わせてをご参考ください。 テスト駆動開発 作者:Kent Beck発売日: 2017/10/14メディア: 単行本（ソフトカバー） テスト駆動P

本番環境でやらかしちゃった人のアドベントカレンダーです。 例） 本番DB吹き飛ばした 本番サーバをデストロイした ネットワーク設定をミスって本番サーバにアクセス出来なくなり、サーバが世界から孤立した などなど... 以下の２点については必須項目なので、記述お願いします。 惨劇はなぜおこってしまったのか 二度と惨劇を起こさないためにどうしたのか もう二度とあの惨劇を繰り返さないために、みなで知見を共有しましょう。