Haruki Sonehara / 🇺🇸シリコンバレーのプロダクトマネージャー(B2B・B2C)
@Haruki_Sonehara
Product @SamsungUS ← ex @Linkedin, etc (在🇺🇸20年目) / Stanford Univ. Emerging CPO Program修了 / 著書:『プロダクトマネジメントのすべて』他 / Udemy講師: 5万人以上が受講するプロダクトマネジメント10講座 (リンクは👇)
849 フォロー中 13.8K ファン
こういうプロダクトをみるたびに、中の人はきっとプロダクトマネジメントを理解していないんだろうな〜と考えてしまう。
確かに予約する側の不便を言語を超えて解消しようとしているのはわかる。
が、いろいろ見てると店側はオートリザーブの存在すら知らず、勝手に予約されていたのを「対応していない」としてキャンセル。
使ったユーザーは手数料を徴収されただけでおしまい、返金にも応じてもらえず、ということも起こっているようだ。
オートリザーブがやろうとしていることは、単一のユーザーだけを見ているだけでは成立しない、2-side marketのプラットフォームプロダクトだ。
飲食は予約する側だけで成り立ってるわけではない。
店側もプラットフォームに乗ってもらう必要がある。
もし、最初にユーザー側だけに提供したかったのなら（One side marketに閉じて始めるなら)、その帰結はユーザーに閉じた体験にしなければならない。
店側を暗に絡めると「同意してないのに勝手にプラットフォームに乗せられた」と感じることになるからだ。
AIが身近になった世の中になり、こうした「プロダクトに対する信頼」は体験の良し悪し以上に比重を増してる。
信頼なきプロダクトが、いくらAIを使って目立つことしても、ユーザー（今回は特に店側）はすぐに離れていく。
ユーザーの予約を助けるのなら、なぜ店側の予約受付の大変さも一緒に助けようとしなかったのか？
この件は稚拙なプロダクト思考が、社会にどんな害悪をもたらすかという良い事例だと思う。
もっと見る
テスラのAIエンジニアさん、めちゃくちゃいいこと言ってる。
多くの人が「機械学習のプロジェクト＝モデルの学習がほとんど全部（99%）」だと思ってるが、実際は全然違う。
1. モデルの性能をちゃんとチェックする評価：50%
2. データのゴミを掃除したり整えたりするデータクリーニング：40%
3. システムに組み込む作業：8%
4. 実際にモデルを訓練する作業：わずか2%
大事なのは最初の2つ。
評価とデータ整備で「学習できる限界」が決まる。どんなにすごいモデルでも、与えられたデータの質を超えて賢くはなれない。
データが汚かったり、ラベル（正解の付け方）が曖昧だと、モデルはそれ以上のことは学べない。
だからオントロジー（データにちゃんと意味やルールを付ける作業）を毎日考える必要があるし、古いラベルも見直し続ける必要がある。
ラベルが間違ってると、モデルが根本から勘違いしたまま学習してしまうから。
要するに、モデルを強くするより、データと評価をちゃんと整える方がよっぽど大事ということ。
もっと見る
