A：育成装置

コンセプト

ターゲット

• PO・PM・Eng

価値

• 方法論ではなく具体的なケースとして学べる。

ファンクション

全ロール向けのCaseStudy

• 基本的な実務実装に伴う観点を養う基本Input

• 実用化できなかった失敗アプリを触れ、なぜ作れなかったのかが学べる

  • 3ケースほど
    • 精度97%くらいのやつ。
    • ユーザーからの信用が担保できなくて利用されなかったもの

• 実用化できた成功アプリを触れ、なぜ作れたのかが学べる

  • 3ケースほど

Projectシミューレーションプログラム

• 基本的にはデジタルOJTで行っている内容を想定。

B：マッチング

コンセプト

ターゲット

• 発注者

価値

• 国内唯一の実際に実用化を行なったことがある人材にだけ相談できるPF
• 過剰ではない体制で成果が得られる。
  • 外部人材だけではなく、内部人材でやっていける可能性なども適切にわかるようになる場になると直近では価値が高そう。

ファンクション

必要十分なAI人材を診断する

• 入力
  • どういうことを実装したい、どういうデータはある、どういう業務制約があるなど。
• 出力
  • どういったことをどこまで実装する必要がある、どういう経験のある人材が必要。など

セカンドオピニオンを3日くらいで取れるマッチング

• 状況、実装過程、実装計画を共有しリスク検知やアプローチ幅を広げるための対話ができる。

状況に沿った人材分類やマッチング

• RAG以前の問題を多く抱えているケース
  • 知識やドキュメントなどのデータ作りから始める必要がある。
  • 技術タグ：HIL・メタデータ作成・評価
• 精緻なRAGを実装していく段階
  • ex.割とよくあるやつ
• 精度や実用性を突き詰める段階
  • ex.SLM

C：Project装置

コンセプト

ターゲット

• Eng

価値

• 1/3の実装時間でプロジェクト遂行ができる。

ファンクション

セキュリティ上安全なプロトタイピングのための仮想データサーバ

• 初期段階で本番環境以外でライトに作って、壊してを行いたいがデータのやりとりが個人のもっている環境では行えないため、いきなり環境整備してもらわないと開発にすら参加できない。
• データのアップロード、編集処理、前処理などをここで行える。

知識の自動クレンジング

• 数千の社内知識ドキュメントのうち有効な知識を特定する。
• カテゴリー分類や1つのドキュメントから必要十分なサイズに切り取ったりもする。

分類器の作成と自動評価

• カテゴリーを特定するためのSLMやMLの作成。
  • 「商品名ほげほげ」「これはカレーか、カレーじゃないか」
• 結構めんどい。

正規化処理の作成と自動評価

• AI以外のシステムへ連携する際にシステム上扱えるデータ形式に正確に変更する処理。
• 多くでは簡単なMLを実装することになる。めんどい。

AIへの共通自動評価システム

• 知識に対するハルシネーションテストなど
  • 数万処理を自動で行う。

AIへの人手評価の簡易化システム

• 出力に対する人手評価が簡単にできる。
  • ここ結構難しい＆めんどくさいです。

生成AIを含んだ実装に特化したバックログ

• PM・Engあたりでのコミュニケーションのみを想定した管理ツール。

D：全社のAIプロジェクト管理・可視化

※Project装置が搭載されている前提になりそう。

コンセプト

• ターゲット
  • 経営層＋既存社員のうちAI構築力を身につけていく人材
• 価値
  • 解像度が高く、解像度が揃っている形式で実践知識が獲得でき、過剰でも矮小でもないAIへの期待と計画を持てるようになる。

ファンクション

AIに関するB/Sの可視化

• 現在の貢献業務量・かかっているAIの従量コスト・かかった構築期間や人材費

現時点の能力・評価の共通指標での可視化

• ハルシネーションテスト結果、処理効率、対象業務の自動化達成率、PM目線での1年後の削減見込み。

カンバンボード

• どういうAI実装が社内で行われているか、進捗ステータスごとの一覧。

共通フォーマットでのプロジェクトレポート

• 学びの共有、経営者のAIへの期待の適正化などを意図する。

LLM関連での確かに成果を得られた実例をまとめる

商談・インタビュー

ソリューション仮説まとめ