生成 AI は、技術チームの全員が価値を実現するのにどのように役立ちますか?

この記事は、テンセントCSIGテクニカルディレクターの黄文馨氏が[WOT2023深圳駅]カンファレンスで行った基調講演をまとめたものです。よりエキサイティングなコンテンツと現場のPPTについては、51CTOテクノロジースタックの公式アカウントをフォローし、[WOT2023PPT深圳]にメッセージを送信して直接受け取ってください。

ゲスト | 黄文鑫

編集者 | ユン・チャオ

制作：51CTO テクノロジースタック（WeChat ID：blog）

R&D チームの管理は、常に新しい方法で議論されている古いトピックです。インターネットが急速に発展した時期には、大手企業のチーム規模が拡大段階にあり、「996」が流行語になり始め、管理者はビジョンの設定方法やイノベーションの方法について議論する機会が増えました。疫病流行後、コスト削減と効率向上の文脈で、チーム管理はイノベーション重視から「プロセスと実行」と「時間とコスト」重視へと移行し始めました。

しかし、問題は、「プロセス」と「実行」に重点を置くと、チームメンバーが次第に仕事上の「ネジ」や「道具」になっていくことであり、それは管理者が望んでいることではありません。

チームメンバーの総合的な能力にばらつきがあるのは事実であり、それぞれが得意分野を持っているのも事実です。全員が「独り立ち」できることを期待するのは非現実的です。では、チームの各メンバーが独自の価値を発揮できるようにするにはどうすればよいでしょうか?

最近、51CTOが主催したWOTグローバルテクノロジーイノベーションカンファレンスで、テンセントCSIGテクノロジーディレクターの黄文馨が「AIによる技術チームの武装：課題からブレークスルーへ」と題した基調講演を行いました。生成AIでチームを武装させる際の多くの課題に焦点を当て、技術マネージャーとして、最先端のテクノロジーがチームメンバー一人ひとりが一歩ずつ自分自身を突破し、独自の価値を発揮するのをどのように支援できるかを詳細かつ鮮明に紹介しました。

この記事では、素晴らしいコンテンツのいくつかを選択し、統一された方法で整理して、皆さんにインスピレーションを与えたいと思います。

1. 動機: ジェネレーティブAIを活用してチーム全員が自分の価値を実感できるようにする

2023年、約4時間続いた社内情報共有セッション中に、先輩の一言が、マネージャーとしての私に、テンセントに入社した当初の意図を思い出させました。それは、小さなチームであれば、誰もが自分の価値を最大限に高めることができるということです。

なぜそんなことを言うのですか？ある意味、私がテンセントに入社したのはこのためです。私たちのチームの全員が、単なるネジや道具ではなく、価値を貢献してくれることを願っています。しかし、私がプロセスを策定していたとき、当初の意図はそれらをツールとして扱うことでした。

ただし、そのプロセスは必要です。私たちの社内チームは非常に大きく、メンバーの能力もさまざまです。それを管理・制御するプロセスがなければ、深刻な問題が発生します。プロダクトマネージャー、インタラクションデザイナー、UIデザイナー、テスター、その他多くの役割間のさまざまなコミュニケーションとコラボレーションには、対応するプロセスと明確な境界が必ず必要です。

エリートチームのように、全員の能力が非常に包括的で、あまり多くの作業を必要としないわけではありません。全員が協力していれば物事は達成でき、あまり多くの人手を必要としません。

このような大規模な機能階層化アーキテクチャを持つチームの容量とコストの問題をどのように解決するのでしょうか?

今年3月、OpenAIがGPT-4をリリースしました。記者会見を見て不安になりましたが、同時に、このような階層化され分断されたチームを生成AIで支援し、各人の個人的価値を最大化する方法という提案を思いつきました。これはまさに、私がこの3、4か月間探求し、実践してきたことです。

2. 探索プロセスにおける3つの障害

以下は、探索と実践のプロセス中に遭遇する 3 つの障害、つまり認知、データ、習慣です。

1. 認知：経験は認知を突破するための最初の障害である

中級および草の根レベルの幹部の多くは、多くの成功経験を持っています。しかし、成功体験は AI を受け入れる上で大きなボトルネックとなることがよくあります。

たとえば、ビジネス モデルに対応するために組織構造を調整する必要があると通常は考えますが、「AI 対応チームに変革する際に組織構造はどのように連携すればよいのか」という質問についてはほとんど考えません。

写真

多くの管理職は、AI は単なるおまけに過ぎないと考えているため、この問題について考えていません。これが、興奮が起こった後、ほとんどの AI の活動が落ち着く理由です。

例えば、技術的な知識がしっかりしている学生の多くは「AIが生成したものは良くない」と考えていますが、本当にそうでしょうか？プロンプトがうまく書かれていないのかもしれません。ですから、認知を変えることは難しいことです。

もちろん、心理的な惰性の中で、誰もが多かれ少なかれ「AIの神秘化」という現象を経験しているという現実もあります。

例えば、今年はAIの機能が充実しているという記者会見が多くありましたが、一見使いやすいように見えても、実際に使ってみるといまいちであることがわかり、AIに対する懐疑心が強まりました。

では、認知を突破するにはどうすればいいのでしょうか?まず、チーム全体を認知突破させることは不可能であり、適切な「先駆者」を選抜する必要がある。実際には、フロントエンドチームとバックエンドチームからそれぞれAIに興味のある人を1人ずつ選び、それに応じた人材在庫とコスト精算の調整を行い、新たな戦場を与えました。

AIにとって、戦場の選択は重要ですか?価値があるように見えても、実際には役に立たないものが多すぎます。

影響が広く、メリットが大きい戦場をどうやって選ぶか？

下の図では、需要設計、コード開発、コンパイル統合など、考えられる多くの戦場をリストしています。

写真

ここでは、プロセス全体によって生成されたデータの表示と分析が空の半分を占めていることがわかります。すると、最も影響範囲の広い戦場が出現することになります。 AI技術により、データ分析・表示のコストをさらに削減できるでしょうか？答えは「はい」です。AI はデータ分析には成熟しすぎてはいけません。最も多くのデータを保存する場所はデータベースです。したがって、私たちが最初に選んだ戦場は、非常に「普通の」Text2SQL です。

さらに、それは「敵陣」の奥深くまで侵入するのに役立つ戦場でもあります。

まず第一に、私たちは巨人の肩の上に立つことができます。Text2SQL には大きなメリットと明確な道筋があるため、市場には多くのチームが Text2SQL に取り組んでおり、経験を共有し、対応する Fine Tune プロセスとデータを含むオープンソースおよびプライベート モデルを提供しています。それらは実際の生産環境からは程遠いものです。これが「敵陣の背後に回る」という意味です。私は「先駆者」たちに、私たちが作るものは実装可能でなければならないという要件を提示しました。そのため、私たちが使用しているデータベース プラットフォームにアクセスした後にユーザーが変更するフィールドの数を決定し、その後 SQL を実際に実行できるようにする必要があります。

第二に、Text2SQL は「困難」を軽減するのに役立ちます。Text2SQL の SQL は検証できるため、完全に自動化されたデータ生産ラインを構築することができます。SQL、テーブル、挿入されたデータはすべて生成され、検証されます。

さらに、ClickHouse は私たちをさらに深いところへと押し進めます。私たちは、自分たちも含め、多くのビジネスで Clickhouse を使用していますが、残念ながら、これらの垂直 Text2SQL モデルのサポートは非​​常に弱いです。これは、メタデータと一連の独自の関数が大幅に不足している大規模で幅の広いテーブルを処理する必要があるため、理解できますが、これはまさに Text2SQL が処理しなければならない問題です。当時、私たちは ClickHouse のような難しい問題を解決したので、MySQL のような他のものも簡単に解決できるだろうと考えていました。

最後に、より深いレベルです。私たち自身がパフォーマンス エンジニアリングに取り組んでいるため、Text2SQL は、これに基づいて、チームに AI モデルのより深いチューニング、CPU 推論、モデルのプルーニング、MOE、およびその他のパフォーマンスの最適化を行う機会を提供できます。私たちは、上記のすべてに直面し、実践しようと努めてきました。上司は間違いなく「なぜそのようなクロスドメインのことをするのですか？」と尋ねるでしょう。これは敵陣の奥深くにある戦場であり、私たちのチームが AI プロセス全体を実行し、すべてのアイデアを検証し、すべての落とし穴を発見するのに役立ちます。

要約すると、最も成熟した分野を見つけてください。これは確実に利益をもたらし、最も広範な利益をもたらします。敵陣の背後のエリアに深く入り込み、完全に侵入すると、チームの AI 機能を向上させることができます。次に大切なのは経験を共有することです。

経験を共有する際には、注意すべき点が 2 つあります。 1つは、AIの先駆者が深い経験を共有する必要があり、もう1つは、マネージャーがチームの雰囲気を作り出す必要があることです。

下の図は、チームの共有状況の大まかな図です。先駆者チームは、「AIネイティブの最初のレッスン」など、同様の3つのコースを共有し、その後、使い方、最適化の方法などの深層体験を行います。

写真

深海エリアのコースは、先鋒チームが「戦いを支援するために戦う」という内容ばかりで、戦いながら内容をまとめ、その後、事例を使ってチーム内で共有します。

一方で、AIを活用するための雰囲気づくりも必要です。たとえば、3 ～ 5 分程度の短いライトニング シェアリングを行うことができます。あまり多くを語る必要はなく、仕事で使用したプロンプトや AI ツールを共有するだけで済みます。

まとめると、認知を突破するためには、経営の観点から、人材の採用や選考の際に、AI関連の質問をもっと多くする必要があります。AIは将来の研究開発人材にとって間違いなく非常に重要な能力であり、そうでなければ遅れをとることになるからです。次のステップは、チームを率いる先鋒を選出することです。 2つ目は、自分だけの雰囲気とトレーニングを創り出すライトニングシェアリングです。

写真

認知を突破するこのプロセスを通じて生み出された価値を私は非常に誇りに思っています。現在までに 30 回以上のライトニング シェアリング セッションを実施し、チーム メンバーが自主的に船荷証券や CR の実装に着手し、その成果は Text2SQL とデータ ミドル プラットフォームの組み合わせなど、社内の非常に重要な業務に適用されています。

2. データ: AI をトレーニングするためのデータはどこから来るのでしょうか?

ご存知のとおり、データは AI にとって非常に重要です。しかし、ここには 2 つの問題があります。1 つ目は、プロセスがなく、デジタル化されておらず、有用なデータがないことです。2 つ目は、データがあっても、育種に対する意識がないことです。

写真

最初の問題は、データサイロだけの問題ではないということです。まず第一に、デジタル化に関しては、インターネット企業自身でさえ、必ずしもそれをうまく行っているとは限りません。たとえば、テストプロセスは本当にデジタル化されていますか?実は、違います。テストケースやテスト結果の一部しかデジタル化されていませんが、クリック方法、使い方、テスト時のテスト方法などがすべてブラックボックス化されています。

たとえば、より詳しい例を挙げてみましょう。Text2SQL のトレーニングを行っていたとき、データに大きな問題がありました。つまり、R&D が SQL ステートメントを記述し、その SQL ステートメントを変更した記録がなかったのです。このような詳細なプロセスの多くはデジタル化されていません。

さらに重要なのは、多くの場合、プロセスが欠落していたり​​、効果がないということです。プロセスは、デジタル プロセス データの正確性と標準化の基盤です。プロセスとデジタル化がなければ、データはどこから来るのでしょうか?データなしで AI をトレーニングするにはどうすればよいでしょうか?

別の難しさを見てみましょう。データがあると仮定すると、多くの人は給餌の意識を持っていません。

たとえば、パフォーマンス面接中に、テスターの 1 人がエラー コードに遭遇し、チーム内の経験豊富な専門家に質問したところ、専門家はエラー コードに基づいて問題の原因を直接見つけることができたことがよくあります。彼はいつも私を羨ましがり、大きくなって彼のようになりたいと思っていると言っていました。その時、私は自分自身に尋ねずにはいられませんでした。もしこの時点で対応する製品ドキュメントがあれば、このドキュメントを AI ナレッジベースに「フィード」し、その後、あなたの質問を使用して、ナレッジベースが専門家のように質問に答えることができるかどうかを確認すれば、もっと良いのではないでしょうか。

専門家が回答した質問には、ナレッジベースでも回答できます。たとえば、現在では誰もが ChatGLM3 を埋め込みナレッジベースと組み合わせて使用​​しており、その効果は実に良好です。これはデータ認識を「フィードする」という問題です。

では、この2つの点をどう打破すればよいのでしょうか?データはどのように生成されますか?どうやって餌を与えるの？

まず、自動データ生成のための非常に重要な 3 つのリンクを設定しました。ビジョンは、R&Dやその他のプロセスで最初に70〜80の精製データを蓄積することです。LangChainチェーンなどの自動化チェーン全体を通じて、数百、数千、さらには数万のデータを迅速に生成でき、これらのデータは依然として高品質です。どうやってやるんですか？

写真

3つのモデルを設定しました。最初のモデルでは、実際の実行リンクを使用してデータを生成します。たとえば、コードが完了した後、コード実行中にクラッシュが発生し、コードとクラッシュの間のデータが利用可能になります。

次に、ロジックを使用して一般化します。ピラミッド原理はご存知のとおり、演繹的推論、仮説的推論、帰納的推論の 3 つです。さまざまな推論方法では、生成 AI を使用してさまざまな問題を進化させ、それによってデータを一般化します。

3つ目は、さまざまなシナリオを通じて一般化することです。たとえば、現在データベースに使用されている Text2SQL は、産業シナリオ、ユーザー行動シナリオなどに一般化できるため、さまざまな異なるデータを一般化できます。

生産データの 3 つのコアリンクができたら、次のステップはフィードです。まず、毎日のウィキデータをベクターデータベースであるAIナレッジベースに入力します。その後、WeChat for Business ロボットを通じて対応する質問をすると、比較的質の高い回答を直接かつ迅速に得ることができます。

もう 1 つ重要なことは、前述の Lightning 共有もこの機能を促進する重要な方法であり、この機能をチーム内の他のユーザーが利用できるようにすることです。このステップは必ず実行する必要があります。そうしないと、クローズドループがなくなり、そのような機能がすでに存在していることを誰も知ることができなくなります。

写真

まとめると、データは重要であり、データを完全に自動的に生成することがさらに重要です。現在、AI 開発のスピードはほぼ数日で計算できますが、最も安定しているのは実はデータであり、データが王様です。

したがって、AI チームは数百個のデータだけで満足すべきではありません。自動化されたプロセスを使用して、毎日数万個のデータを生成できる必要があります。同時に、この自動化されたプロセスは、生成されるデータの品質も保証する必要があります。

3. 習慣を破る: AIを習慣に浸透させる

習慣を破ることは、AI を開発している人であっても、誰もが克服しなければならない課題です。私は非常に興味深いことに気づきました。AI 開発の先駆者たちは AI アプリケーションを開発していますが、いまだに AI を使用せずに自分でコードを書いています。 AIに対して最も受容的な人でも、自分の直感や経験の方が便利で、すぐに実装できると感じる癖があります。

写真

私たちが打破する必要がある2つ目のことは、私たちが常に自分の価値を自分の分野の範囲内に置くことに慣れていることです。第一線で活躍する人が、自分の価値をさらに広げたり、さらに一歩先へ進みたいと思ったりすると、他の人が自分の言語を理解できないという問題に直面することがよくあります。

たとえば、当社の研究開発部門の同僚は優れた技術力を備えており、強力な製品を開発しています。しかし、製品の売れ行きが芳しくなく、テクノロジーの収益化を加速するためにさらに努力したいと考えています。しかし、販売員はあなたが言っていることを本当に理解していません。このテクノロジーによってもたらされる機能や利点を説明する権利はありますが、営業が本当に求めているのは「顧客の利益」です。

 FAB prompt:你是销售总监，能帮助我把Feature的描述变成Advantage和Benefit。 #注意：请保持用中文回答； #思考步骤： 1. 先把Feature的描述变成Advantage 2. 从Advantage中，分别研发、产品经理、技术运维、质量保障的一线员工或主管的角色去脑暴Benefit 3. 再用MECE 原则会归纳，并用吸引眼球&打动人心的语言和精炼有力的短句的输出#功能描述：该功能叫热点性能动态分析，程序会调用perf收集程序的热点函数和热点汇编，然后在我们的工具页面中通过火焰图和表格来展示数据，并会自动分析数据给出初步的性能优化建议

さらに、テストが「あと1キロ」進みたいとき、「R&Dの言語」をどのように使用して、R&Dがより速く問題を解決できるようにするか、製品が「あと1キロ」進みたいとき、「技術の言語」をどのように使用して、技術と製品の共鳴を実現するか、このとき、AIは間違いなく不可欠です。AIは世界知識を持っているため、あなたの言語を他の分野で理解できる言語に変換することができ、これは非常に自然なことです。

写真

次に、この習慣をどうやって変えればよいのでしょうか?上記の表を見ると、ドキュメントデータやプロセスデータ以外にも、データ分類には多くのプラットフォームがあり、プラットフォーム上で研究開発やテストなどさまざまな役割があることがわかります。彼らはすでにこれらの既存のプラットフォーム上で習慣を形成しています。私の考えは非常にシンプルです。私たちは、本来の「習慣」を破壊したり変えたりすることを急いでいません。AI をこれらのプラットフォームと共存させ、AI の使用習慣に浸透させたいのです。

そこで私たちは、Fibona AI ブラウザ プラグインという実験的なプロジェクトを開発しました。 （フィボナはフィボナッチ数列にインスピレーションを得て、AIを私たちの仕事習慣に調和的に統合することを望んでいます）

以下に 2 つの部分からなる短いビデオがあります。1 つの部分では、Fibona を既存の Tencent Cloud QAPM クライアント パフォーマンス監視に統合する方法を説明します。Fibona に継続的に手がかりを追加していくと、問題が分析され、最終的にどのクラッシュが主な原因であるかが判断されます。もう 1 つの部分は、R&D で最も見つけるのが難しいスレッド セーフティの問題に関するものです。当社のプラグインは複数の手がかりを提供し、最終的に解決策に導きます。

、再生時間 00:36

私のビジョンは、このコンパニオン プラットフォームが社内のすべてのプラットフォームに拡張され、将来さらに商用化されることです。たとえば、DevOps プラットフォームと連携して、この AI 機能を提供することができます。

写真

つまり、私たちは習慣を変えているのではなく、この付随的な方法を通じて AI の使用習慣に浸透しているようです。ここで、認知、データ、習慣という 3 つの非常に重要なボトルネックを突破しました。

4. 詳しく見てみましょう

ここでは、データ分析や不具合箇所の解決に AI を使用する方法、SQL を理解していない同僚が SQL を記述できるように Text2SQL を使用する方法、会社の AI モデルを使用して CR アドバイスを提供する方法、先ほど説明したナレッジ ベース AI マスターなど、多くのシナリオについて話し合いました。

これらすべてのシナリオを表にまとめると、非常に興味深いことがわかります。

写真

1. 知識と経験の平等

最初の次元については、実際に多くの AI に関する本で取り上げられており、ブルームの教育目標の分類法にも言及されています。記憶、理解、応用、分析、評価、創造です。これらは異なるレベルです。私たちが尋ねる質問のほとんどは、実際にはこれら 6 つのポイントから切り離せません。これら 6 つのポイントは、それに応じて一連の値を生成します。

例えば、「理解」に関して言えば、チームは以前は CVM テストを行っていましたが、今は突然ヘテロジニアス コンピューティング テストを行う必要があります。彼らは NVIDIA についてあまり知らないので、どうすればよいでしょうか?

写真

GPT はこの情報を理解できます。上の画像はプロンプトの 1 つです。このプロンプトも非常にシンプルです。あなたはどのような専門家ですか? Markdown 形式で出力してみましょう。

これはチームが 0 から 1 に突破した例です。1 から 100 ポイントを獲得できるとは思わないでください。 GPT を使用すると、パフォーマンスを最適化するためにこのログ ファイルで公開できるポイントをすばやく把握できます。次に、これに基づいてさらに質問をする必要があります。

したがって、この例から、ブレークスルーはもはや技術的な知識だけではなく、知識と経験の平等性に関するものであることがわかります。例えば、IaaS 分野では、それぞれの知識が非常に断片化されています。CPU に取り組んでいる人はネットワークに取り組んでいる人のことを理解しておらず、ネットワークに取り組んでいる人はディスクに取り組んでいる人のことを理解していません。今では、他の分野の知識をすぐに学び、理解し、さらには応用することができます。もう少し話を広げると、例えば、人事部門がプログラミングを知らず、業務効率化のために独自のプログラムを作りたい場合、プログラマーに助けを求めるしかありませんでした。しかし、今ではAIに助けを求めることができ、AIが自然言語を使ってプログラムを書くのを手伝ってくれます。

写真

そのため、私たちは知識と経験を平等に分配することでチームメンバーに力を与えようとしています。コードを書くのが得意など、特別な専門知識がある場合、AI はコミュニケーションやレポート作成などの他のスキルの完成を支援します。

たとえば、電子メール出力の場合、AI プロンプト テンプレートと基本情報が提供され、AI を使用して 60 ～ 80 ポイントのスコアを獲得する電子メールを生成できます。これは知識と経験に対する平等な権利の例です。

2. 自動化をさらに自動化する

もう 1 つの非常に重要な部分は、自動化を突破し、自動化をさらに自動化することです。ここで言及されているのは、AI 自動化をさらに自動化するという目標または要件のようなものです。

現在、ほとんどの AI には問題があります。それは、何かをしているように見える一方で、何もしていないように見えることです。たとえば、最も典型的なシナリオは会議の議事録です。議事録は要約されているように見えますが、省略されているように見えるため、電子メールの内容として送信することは敢えてされません。

私の提案は、チームに AI の使用を強制しないこと、そして AI を実施し AI を推進する人は、AI がコンテンツを生成した後の次のアクション (コンテンツを変更するかどうか) を明確にする必要があるということです。それともそのまま使用しますか?

例えば、下の画像は私たちが生成した不具合チケットです。これは、実際の業務で純粋に AI を使って生成された不具合チケットです。

写真

実際、各テスターの能力にはばらつきがあります。多くのツールはテスト後に何千ものベンチマーク データを生成し、このデータを分析するのに 4 ～ 5 時間かかります。分析が漏れたり、船荷証券が漏れたりする場合もあります。

これは、AIを使用して欠陥を分析し、生成するという「熱烈な」要求です。当時はすぐにバージョンがリリースされ、みんなとても興奮していました。その時、この欠陥によって発生する次のステップは「直接船荷証券」ですか？と言いました。その時の答えはノーでした。したがって、最初のステップは、期待される結果を設定することです。次にプロンプ​​トの調整を開始します。正直に言うと、プログラムを書くよりもはるかに複雑で、それを仕上げるのに 2 週間近くかかりました。期待どおりの形式と内容で出力することに加えて、さらに 3 つの困難があります。

まず、何千ものデータの中から、何も見逃すことなく問題を見つける必要があります。

第二に、船荷証券の重複を避けるために集計を行う必要があります。

3 番目に、順序は正確で、直接使用できる必要があります。このとき、「評価」が非常に重要になります。 1 つのコツは、AI のプロンプトに信頼度評価を追加することです。経験上、自信を持って評価し、コンテンツを生成すると、効果はより高くなることが多いです。

その後、プロセスに着手し、次のステップに進むことができます。これは「自動化以上の自動化」です。

3. クロスドメイン通信

最後に、ドメイン間の通信は困難です。どうすれば解決できるでしょうか?人々は通常、解決策としてプロセスを考えます。プロセスは、上流と下流の情報伝達など、実際に多くの問題を解決することができます。しかし、問題は、プロセス内のさまざまな役割がどのようにお互いを理解できるかということです。これをどう解決すればいいでしょうか?

Text2SQL の例に戻ります。 Text2SQL が登場する前は、プロダクト マネージャーが自然言語を使用して、検索したいデータを私たちに伝え、それを DBA に伝えていました。DBA は、SQL ステートメントの作成、データの取得、検索方法の指示を手伝ってくれました。

AIが導入された今、私たちが期待する効果は、プロダクトマネージャーが自然言語でAIに直接指示し、SQL文が生成されてデータが照会されることです。

一見すると、心配なようです。コミュニケーションの障壁を排除するだけでなく、直接的に人々を排除します。DBA は必要ないのでしょうか?実際、別の観点から考えてみるのもいいかもしれません。これまで何度も述べてきたように、AI は実際には人間の自然言語を通じてドメイン間の知識を動員します。プロダクトマネージャーとして、私は SQL 言語を理解していませんが、非常に複雑な SQL ステートメントを書くのは彼にとって非常に困難です。そして、アシスタントとしての AI がこれに役立ちます。

では、学際的な知識の価値とは何でしょうか?それは「価値に向かってさらに一歩進む」ことを意味します。特にコスト削減と効率向上という文脈では、誰もが独自の価値を求めています。技術チームはさらに努力する必要があります。たとえば、パフォーマンスの最適化によって最適化されたパッチを直接提供できますか? 船荷証券で根本原因の分析を提供できますか? パフォーマンス評価の内容を弾薬庫として販売に提供できますか?チームがさらに努力すれば、AI が必ず活用されるでしょう。

特別なクロスドメインコミュニケーションの事例のもう 1 つの例として、戦略的なディスカッション ミーティングを紹介します。

写真

まず、戦略を理解していますか？次に、製品を作るときに、PESTELモデル、ポーターの5つの力モデル、コア競争力分析モデルなどの戦略を定義するのに十分な情報を収集できますか。モデルには情報とデータが必要ですが、これらがまったく見つかりません。どうすればよいでしょうか?

当時はAIを使って生成していました。 AI を使って製品とポジショニングを説明し、フライホイール モデルを 10 個リストアップするように依頼したところ、議論の基盤ができました。業界レポートを AI に見せ、AI に業界レポートをフィードすることで、B3C モデルに従って AI 自身、競合他社、環境、顧客を分析できます。モデルには非常に標準化された質問が含まれており、AI は対応する結果を人間が理解できる言語で出力できます。

このとき、戦略を学んでいないプログラマーも一緒に座って戦略について話し合うことができ、それは単なる空論ではありません。議論の中では、顧客の要求をよりよく理解するにはどうすればよいかなど、いくつかの質問も提起されるでしょう。

4. 技術管理者が追求する価値観

プロセス管理、階層構造、柔軟な雇用を行うと、マネージャーはチームメンバーが徐々にネジや道具になっていくことに気づくでしょう。これは反省する価値があります。 AI エンパワーメント、知識の平等化、自動化、ドメイン間のコミュニケーションを活用して、すべての技術スタッフにエンパワーメントを施し、特別な専門知識を持つ一般人として、チーム内で独自の最大の価値を発揮できるようにすることはできるでしょうか?

写真

これは私が追求する価値でもあります。私は自分の価値を発揮しなければなりませんし、私のチームも彼ら自身の価値を発揮しなければなりません。