[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aws-samples--aws-ml-enablement-workshop":3,"tool-aws-samples--aws-ml-enablement-workshop":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":99,"forks":100,"last_commit_at":101,"license":102,"difficulty_score":32,"env_os":75,"env_gpu":75,"env_ram":75,"env_deps":103,"category_tags":106,"github_topics":107,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":153},7924,"aws-samples\u002Faws-ml-enablement-workshop","aws-ml-enablement-workshop","組織横断的にチームを組成し、機械学習による成長サイクルを実現する計画を立てるワークショップ","aws-ml-enablement-workshop 是一套旨在帮助企业快速组建跨职能团队、利用生成式 AI 推动产品增长的实战工作坊指南。它主要解决了企业在引入 AI 技术时，业务规划与技术开发脱节、想法难以快速验证以及缺乏高效落地流程的痛点。\n\n该资源特别适合企业的产品经理、业务策划人员、开发者及设计师共同使用。通过模拟亚马逊经典的\"Working Backwards\"（逆向工作法）流程，引导团队从客户体验出发，在短短两天内完成从概念构思到原型构建的全过程。其独特亮点在于将生成式 AI 深度融入工作流的每一个环节：不仅辅助团队并行撰写多份新闻稿以验证假设，还能结合 Kiro CLI 等工具，在极短时间内（如 10-20 分钟）自动生成可交互的产品原型和指标收集系统。\n\n这种“边做边学”的模式，让团队能在 3 至 6 个月内实现产品上线，有效避免了纸上谈兵，确保创意能迅速转化为可衡量的商业价值。无论是希望转型的传统企业，还是寻求效率突破的技术团队，都能从中获得一套经过验证的 AI 落地方法论。","# ML Enablement Workshop\n\nML Enablement Workshop は、生成 AI を含めた AI\u002FML 技術をプロダクトの成長に繋げられるチームを組成するためのワークショップです。\n\n| 組織横断でのチームの組成 | Amazon の開発プロセスの実践 | ~6 カ月での本番リリース |\n|:--------|:---------|:------|\n|![Team](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_15b80bca5f71.jpeg) | ![Measure](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_bb6578fe5642.jpeg) | ![Plan](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_5f19ac9f67df.png) |\n| 企画・ビジネス側と開発側が一体で取り組む | 顧客体験から逆算して考える \u003Cbr\u002F> [Working Backwards](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fexecutive-insights\u002Fcontent\u002Fproduct-management-at-amazon\u002F#Working_Backwards.3A_being_customer_obsessed) を実践 | 生成 AI を用いた広範・並列な価値検証で実現 |\n\n\n## 🚴 ワークショップの流れ\n\nワークショップを始める際は、参加者に対しワークショップの意義と役割を伝える [Day0](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fblob\u002Fmain\u002Fdocs\u002Forganizer\u002Fday0.md) から始めます。Day0 実施後、実践編・改善編の 2 部構成プログラムに進みます。 \n\n* [**Day0**](.\u002Fdocs\u002Forganizer\u002Fday0.md) で、開始条件の確認と開始前の準備事項を確認します\n* [**実践編**](.\u002Fdocs\u002Forganizer\u002Fday1.md) で Amazon のプロダクト開発プロセスを実践し、**生成 AI と共に**新規プロダクト \u002F 機能のプレスリリースを複数作成します。同時に、それらから仮説検証を行うためのモックを構築します (参考 : [当日の流れ](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Ftree\u002Fmain\u002Fyourwork))\n* [**改善編**](.\u002Fdocs\u002Forganizer\u002Fday2.md) でモックを通じて得られた知見を統合し、参加者自身で Amazon のプロセスを実践しプレスリリースを更新します。その後、今後 3~6 カ月でリリースするための最初のステップを計画します\n\n| Title |Day0: 目的と役割の確認|実践編: Amazon 流を実践|改善編: 仮説検証の自走を開始|\n|:--------|:---------|:------|:------|\n| Image |![Day0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_aa3b436701eb.png)|![Day1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_7d2cf9f3ef89.png)|![Day2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_493ea7c6eb07.png)|\n| Work  | 参加者各自の役割の確認 | Working Backwards による仮説立案と並行検証の開始 | 参加者自身によるプロセス改善、リリースに向けた初期計画作成 |\n| Time | 1 時間 ( リモート可 ) | 3.5 時間 | 3 時間 |\n\nML Enablement Workshop のメリットは次の通りです。\n\n* ⚡ **Amazon のプロダクトづくりのプロセス Working Backwards の学習と実践を短時間で行える**\n* 🤖 **生成 AI を企画からモック構築の全工程に適用する経験を通じプロダクト開発プロセスを洗練できる**\n* 🛠 **モックを使ったフィードバック取得を実践することで、机上の空論に留まらない企画を作成できる**\n\n| Point | Message|\n|:------|:------|\n|\u003Cimg src=\"docs\u002Fimages\u002Ftop\u002Fkiro.svg\" width=50\u002F> | 生成 AI として仕様駆動を実践する [Kiro CLI](https:\u002F\u002Fkiro.dev\u002Fdocs\u002Fcli\u002F) を使用しており、ワークショップ実施後に仕様を基にした設計・実装へとスムーズに移行できます。|\n\n### 成果物例\n\n企画の一例として、「英語会議を開催するための英会話能力向上」をテーマにワークショップのガイドに従い生成 AI で Working Backwards を進めた例を示します。この例はすべて生成 AI で作成し人の手は入っていません。生成 AI により、人間の時間を細部の確認やよりインパクトの大きい問いの作成などに割り当てられることを示すための例です。\n\n* [Working Backwards の例](\u002Fdocs\u002F\u002Fworking_backwards_example.md)\n\nモックの一例として「EC サイト上の商品ページ自動生成・プレビュー機能」の例を示します。構築にかかる時間は 10~20 分程度で、トップページ、アプリケーション機能 (レスポンスはダミーを使用)、クリックやページ計測のメトリクス集計機能の 3 つから構成されます。メトリクスは改善編で使用します。\n\n| トップページ | 機能ページ | メトリクス |\n|:--------|:---------|:------|\n| ![LP](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_36571dc55bd5.png) | ![FT](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_15b60a6a0d54.png) | ![MT](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_e85b31606c10.png) |\n\n### お客様事例\n\nワークショップをご活用いただいたお客様のフィードバックをまとめています\n\n特に生成 AI の事例については、こちらのブログをぜひご参照ください : [生成 AI を活用する鍵は組織横断のチームにあり : ML Enablement Workshop を活用した 4 つの事例から学ぶ](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fml-enablement-workshop-generative-ai-cases\u002F)\n\nワークショップを活用された MUFG 様が、日本の金融機関として初めて re:Invent に登壇されました！ (2024 年)\n\n| Video | 概要 |\n|:--------|:---------|\n| [![video](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_d1044cf10c91.png)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=G8b8LrfXSik&t=1496s)| [**How MUFG is using generative AI to transform corporate sales: Efficient, scalable, and adaptable**](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=G8b8LrfXSik&t=1496s) \u003Cbr\u002F> 法人営業における金融商品提案の顧客体験について、営業チームと開発チームが合同でML Enablement Workshopを実施し、理想的な体験とその実現に向けたマイルストーンを定義。営業チームが提案の価値検証を進める一方、開発チームは生成AIを活用した提案作成の自動化を推進。AWSのプロトタイピングプログラムを活用してフロントエンド開発の支援を受け、その後も開発チームによる継続的な改善を実施。その結果、わずか3ヶ月以内にリード生成が10倍に増加し、30%の成約率向上を達成するという顕著なビジネス成果を達成。 |\n\nワークショップの取り組みについて執筆させていただいた書籍が刊行されました (2024)\n\n| Book | 概要 |\n|:--------|:---------|\n| [![mlops book](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_e2551ebd7f98.jpg)](https:\u002F\u002Fwww.amazon.co.jp\u002Fdp\u002F4065369568\u002F) | **事例でわかるMLOps 機械学習の成果をスケールさせる処方箋** ([Amazon リンク](https:\u002F\u002Fwww.amazon.co.jp\u002Fdp\u002F4065369568\u002F)) \u003Cbr\u002F> 機械学習を導入、運用する MLOps 全体の営みについて、インフラの技術面だけでなく機械学習を活用するカルチャーにも踏み込み、理論面に加え各社の実践例も交え解説した書籍です。\u003Cbr\u002F> 9 章である「機械学習プロジェクトの失敗確率 80% を克服するプラクティス」に本ワークショップの取り組みを寄稿しています。\u003Cbr\u002F> ・リンク集 : [刊行記念イベント動画](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=htFEtB33x7c&t=115s) \u002F [登壇資料](https:\u002F\u002Fmlops.connpass.com\u002Fevent\u002F328296\u002Fpresentation\u002F) \u002F [執筆の背景と意図](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn00574e802d57) |\n\n他ご活用いただいたお客様の声\n\n| Customer | Quote |\n|:--------|:---------|\n| \u003Ca href=\"https:\u002F\u002Fprtimes.jp\u002Fmain\u002Fhtml\u002Frd\u002Fp\u002F000000080.000049664.html\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_aaea12aa4027.png\" width=120>\u003C\u002Fa>|  **スタディポケット株式会社** \u003Cbr\u002F> *ML Enablement Workshop での生成 AI を用いた Working Backwards の実践により、常識を疑う問いに向き合い教育現場に寄りそう機能をリリースすることが出来ました。Day1\u002FDay2 の間に設けられたユーザーインタビューでも、プロトタイプを基に仮説を裏付ける声を得て確信を深めることが出来ました。* |\n| \u003Ca href=\"https:\u002F\u002Fjinsholdings.com\u002Fjp\u002Fja\u002Fnews\u002Fjins_ai\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_ffb2030f239a.png\" width=120>\u003C\u002Fa>|  **株式会社ジンズ** \u003Cbr\u002F> *ML Enablement Workshop では、店舗経験者とデータサイエンティストが協働し、生成 AI を活用した新たな顧客体験について具体化しました。顧客課題や JINS の強みについて議論の中で理解を深め、具体的な計画を立てることで、その後のプロジェクトを円滑に進めることができました。* |\n| \u003Ca href=\"https:\u002F\u002Fwww.pkshatech.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_b42180c3eced.png\" width=120>\u003C\u002Fa>|  **株式会社 PKSHA Technology** \u003Cbr\u002F> *Amazon の『Working Backwards』を一通り実施するだけでなく、その後に振り返りとブラッシュアップの機会を設けた二部構成により、当初は不確実であった機能やビジネス計画について、自らの手で見直し・改善を行うことができました。その結果、非常に実践的かつ有用なフレームワークを習得することができたと感じております。* |\n| \u003Ca href=\"https:\u002F\u002Fthebase.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_4ea7f21fb2f4.png\" width=100>\u003C\u002Fa>|  **BASE株式会社** \u003Cbr\u002F> *5 つのプロダクトチームで同時並行で実施しましたが、短い時間の中でエンジニアとプロダクトマネージャーとの間で企画・実装・KPIまで濃縮された議論ができ迅速かつ効果的な生成 AI のユースケース実装につながりました* |\n| \u003Ca href=\"https:\u002F\u002Fwww.saison-technology.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_e7498b636f26.png\">\u003C\u002Fa>|  **株式会社セゾンテクノロジー** \u003Cbr\u002F> *ML Enablement Workshop を通じメンバーそれぞの考えを可視化・共有することで思い込みのバイアスを避け、自信を持ってコミットメントできる意思決定ができました* \u003Cbr\u002F> ・[事例の詳細を見る](.\u002Fdocs\u002Fimages\u002Fcases\u002Fmlew-cases-saison.png) |\n| \u003Ca href=\"https:\u002F\u002Fwww.bk.mufg.jp\u002Findex.html\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_0f7ee4394f4b.png\">\u003C\u002Fa> | **株式会社三菱 UFJ 銀行** \u003Cbr\u002F> *ML Enablement Workshop とプロトタイピングの支援により、目指すべき営業体験の創出から、検証、改善までの一連のサイクルを、迅速かつ円滑に回し始めることができました* \u003Cbr\u002F> ・[事例の詳細を見る](.\u002Fdocs\u002Fimages\u002Fcases\u002Fmlew-cases-mufg.png) \u003Cbr\u002F> ・[re:Invent 2024 での登壇動画](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=G8b8LrfXSik&t=1496s) |\n| \u003Ca href=\"https:\u002F\u002Fwww.kokopelli-inc.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_bd6b32c232cb.png\">\u003C\u002Fa> | **株式会社ココペリ** \u003Cbr\u002F> *ML Enablement Workshop での顧客体験分析を通じ、 Big Advance の顧客にもっともインパクトがある生成 AI の用途を特定しタスクと効果測定 KPI を決められました*\u003Cbr\u002F> ・[事例の詳細を見る](.\u002Fdocs\u002Fimages\u002Fcases\u002FKokopelli_Case.png)\u003Cbr\u002F> ・[株式会社ココペリにおける AWS 生成 AI 事例: ML Enablement Workshop によるユースケース特定とその検証](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fgen-ai-usecase-kokopelli\u002F)|\n|\u003Ca href=\"https:\u002F\u002Fgeniee.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_b943972af9ff.png\">\u003C\u002Fa>| **株式会社ジーニー** \u003Cbr\u002F> *ML Enablement Workshop の刺激的な体験を通じ、明確なアクションだけでなく良質な検討フレームワークを持ち帰ることができました* \u003Cbr\u002F> ・[事例の詳細を見る](.\u002Fdocs\u002Fimages\u002Fcases\u002FGeniee_Case.png)|\n|\u003Ca href=\"https:\u002F\u002Fcorp.moneyforward.com\u002F\" target=\"_blank\">\u003Cimg src=\"docs\u002Fimages\u002Fcases\u002FMoneyForwardLogoMain.svg\">\u003C\u002Fa> | **株式会社マネーフォワード** \u003Cbr\u002F> *ML Enablement Workshopによりプロダクトマネージャー、開発者、研究開発者共同でワークショップを行った結果、機械学習の推進に不可欠なロール間のコミュニケーションが生まれました* \u003Cbr\u002F> ・事例の詳細 : [ユーザに最高の付加価値を提供するための AI 活用に向けて](https:\u002F\u002Fpages.awscloud.com\u002FAPAC_FIELD_T2_jp-isv-saas-on-aws-2022-archives-reg.html) (@ [SaaS on AWS 2022](https:\u002F\u002Fpages.awscloud.com\u002FAPAC_FIELD_T2_jp-isv-saas-on-aws-2022-day1-inperson-reg.html)) |\n\n\n**このほか、様々なお客様のプロダクトチームで、ワークショップをご活用頂いています**\n\n活用頂いた事例を掲載頂ける場合は、[Issue](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fissues\u002Fnew?assignees=&labels=enhancement&template=case-study.md&title=)よりご連絡ください。\n\n## 🚶 ワークショップ実施前に\n\nML Enablement Workshop 実施前に、**組織全体の AI\u002FML 活用リテラシーの向上** を行いたい場合はコミュニティ版の資料のご活用を検討ください。\n\n### Community Workshop\n\n#### プロダクトを成長させる生成 AI のユースケースを考えるワークショップ\n\nプロダクトマネージャーを主な対象として、プロダクトで生成 AI を活用するためのアイデア発想、ビジネスモデル作成、また顧客起点でのプロダクト開発プロセスを学ぶためのワークショップを行っています。コミュニティでは複数社、個社では複数プロダクトのプロダクトマネージャーを集め意見交換を行うことで新しい視点で発案を促します。過去の開催レポート、発表資料は下記をご参照ください。\n\n| Index | Image | Presentation \u002F Report |\n|:------| :-----|:----------------------|\n| vol.4 | ![vol4](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_6f55d771db6b.png) | イベントレポート : [生成AI時代のプロダクト開発プロセス改善 - Working Backwards と Value Discovery で実践](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn40dd1180cb4e) ( この回は、プロダクト開発プロセスの改善を生成 AI とともに行うテーマで実施 ) \u003Cbr\u002F>・[ワークショップ進行資料](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1qlpeYBfs8ZiYynqb8yMuQNZ10BbNZSiH\u002Fview) \u003Cbr\u002F>・[イベントページ](https:\u002F\u002Faws-startup-community.connpass.com\u002Fevent\u002F322096\u002F)\n| vol.3 | ![vol3](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_5b6772c21f5d.png) | イベントレポート : [生成AIが活きるプロダクト体験を発見する鍵 -24のバリューキャンバスの分析から見えたもの](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn3fe552b3e5b4) \u003Cbr\u002F>・[ワークショップ進行資料](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-ai-noyusukesufa-jian-wakusiyotupu-vol-dot-3) \u003Cbr\u002F>・[ワーク用バリューキャンバス台紙](docs\u002Fvalue_canvas_A3.pdf) \u003Cbr\u002F>・[バリューキャンバス作成後のアクションガイド](https:\u002F\u002Fpmdao.notion.site\u002Ff5baa01855884eb7b6248b36cfe2ddbc)\u003Cbr\u002F>・[イベントページ](https:\u002F\u002Faws-startup-community.connpass.com\u002Fevent\u002F310075\u002F)\n| vol.2 | ![vol2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_574a444d029e.png) | イベントレポート : [コミュニティの力でAIをプロダクトに組み込むアイデアに磨きをかけよう](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fnf840e424698c) \u003Cbr\u002F> AWS 大渕 麻莉: [生成系AI活用においてプロダクトマネージャーの重要性が増した説](https:\u002F\u002Fspeakerdeck.com\u002Fohbuchim\u002Fsheng-cheng-xi-ai-huo-yong-nioitepurodakutomaneziyanozhong-yao-xing-gazeng-sitashuo) \u003Cbr\u002F> Notion 早川 和輝: [Notion AIから学ぶ生成AIプロダクトの仮説検証と実践方法](https:\u002F\u002Fnotion.notion.site\u002Fnotion\u002FNotion-AI-AI-c42a634df5b74b3cba2574a03d165d0b) \u003Cbr\u002F>  AWS 久保 隆宏: [生成系 AI 活用用途のアイディエーションと検証](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-xi-ai-noyusukesuwokao-eruwakusiyotupu) \u003Cbr\u002F> [イベントページ](https:\u002F\u002Fproductkintore.connpass.com\u002Fevent\u002F301832\u002F)\n| vol.1 | ![vol1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_9e4a33108c61.png) | イベントレポート : [「プロダクトを成長させる生成系 AI のユースケースを考えるワークショップ」を開催しました。](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn7097e8708185) \u003Cbr\u002F> Sansan 西田 貴紀: [Sansan LabsのLLM活⽤から考えるLLMプロジェクトの要点整理](https:\u002F\u002Fspeakerdeck.com\u002Fsansan_randd\u002Fllm-project-essentials-from-sansan-labs-llm-use) \u003Cbr\u002F> 株式会社Gaudiy 北川 和貴 : LLMエージェントをtoC提供して見えた可能性と難しさ (限定公開) \u003Cbr\u002F> AWS 久保 隆宏: [生成系 AI 活用用途のアイディエーションと検証](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-xi-ai-noyusukesuwokao-eruwakusiyotupu) \u003Cbr\u002F>  [イベントページ](https:\u002F\u002Fproductkintore.connpass.com\u002Fevent\u002F296335\u002F) \u003Cbr\u002F>|\n\n個社開催も実績があります。\n\n| Index | Image | Customer Report |\n|:------| :-----|:----------------------|\n| 1     | ![recruit](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_54e9d21ca92e.png)      | **株式会社リクルート** : [社内での生成AI活用推進を成功させる実践方法](https:\u002F\u002Fblog.recruit-productdesign.jp\u002Fn\u002Fn561955e2a147) \u003Cbr\u002F> *AWS様にご協力いただき、生成AIのアイディア 出しからビジネスモデル作成まで行う社内向けワークショップが開催されました。趣旨としては、リクルートに所属する約50名のエンジニアやPdMが協働し、課題を基にした議論を重ねながら生成AIの具体的ユースケースを検討するというものです。* \u003Cbr\u002F> *実際に私自身も参加したのですが、新規ビジネスや既存業務の問題・課題に対して、様々な観点でブレインストーミングを行い、PSF（Problem Solution Fit）を整理する中で新たな知見を深めることができました。* |\n| 2     | ![ntt data intramart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_bce009a62eab.png) | **株式会社NTTデータ イントラマート** : [プロダクトを成長させる生成系 AI のユースケースを考えるワークショップ実施レポート](https:\u002F\u002Fdev.intra-mart.jp\u002F%e3%83%97%e3%83%ad%e3%83%80%e3%82%af%e3%83%88%e3%82%92%e6%88%90%e9%95%b7%e3%81%95%e3%81%9b%e3%82%8b%e7%94%9f%e6%88%90%e7%b3%bb-ai-%e3%81%ae%e3%83%a6%e3%83%bc%e3%82%b9%e3%82%b1%e3%83%bc%e3%82%b9\u002F) \u003Cbr\u002F> *生成AIを活用した様々な機能強化を進めていくべく、AWS様と共同で「プロダクトを成長させる生成系 AI のユースケースを考えるワークショップ」を実施しました* \u003Cbr\u002F> *製品開発やサービスの主要なメンバーと意見交換しながら多様なアイディアを出す事ができ、非常に良い経験となりました。* |\n\n\n\n## 🏃‍♀️ ワークショップ実施後に\n\nワークショップ実施後の素早いプロトタイプ構築のために AWS として様々なアセットを公開しています。\n\n### 生成 AI の AWS 実装集\n\n[AWS Generative AI Solution Box](https:\u002F\u002Faws-samples.github.io\u002Fsample-one-click-generative-ai-solutions\u002F) から、下記ソリューションを含め AWS アカウントがあればワンクリック・十分程度でデプロイが出来ます。\n\n[生成 AI 事例集](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Flocal\u002Fgenai-4-jp\u002F) により、様々な企業の事例を参照できます。\n\n| Image | Detail |\n|:------| :------|\n|![generative_ai_use_cases](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_6568ebbdd186.png) | [generative-ai-use-cases](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases-jp) \u003Cbr\u002F> 生成 AI の様々なユースケースをワンストップで試せるアプリケーションです。チャットはもちろん、要約、画像生成、検索拡張生成、文書校正、翻訳、 Web コンテンツの抽出といった機能をすぐに試し効果を体感できます。 |\n| ![bedrock_claude_chat](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_5ccd7716b416.png) | [bedrock-claude-chat](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fbedrock-claude-chat) \u003Cbr\u002F> 生成 AI のチャット機能をすばやくかつセキュアにデプロイできるアプリケーションです。検索拡張生成、またシステムプロンプトを埋め込んだカスタムボットの共有などチャットに特化した機能を提供しています。 |\n\n### AI\u002FML の AWS 実装集\n\n| Image | Detail |\n|:------| :------|\n|![aws_ml_jp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_b06eaaea373e.png) | [aws-ml-jp](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-jp) \u003Cbr\u002F> AWS の AI\u002FML サービスのサンプルコード、また学習コンテンツを提供するリポジトリです。 Amazon SageMaker を利用したモデルの学習はもちろん、基盤モデルの Fine Tuning のサンプル実装なども提供しています。 |\n|![studio_lab_community](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_633fea7b4e8d.png) | [awesome-studio-lab-jp](https:\u002F\u002Fgithub.com\u002Faws-sagemaker-jp\u002Fawesome-studio-lab-jp) \u003Cbr\u002F> AWS アカウント不要かつ無料で利用できる Amazon SageMaker Studio Lab で学べる機械学習のコンテンツを集めたリポジトリです。 |\n\n### 機械学習プロジェクト体験ハンズオン\n\n開発者向けの機械学習ハンズオン資料です。\n目次のNo.1から順に進めていくことで各開発プロセスでなにを行うのか、なぜ行うのか、どう行うのかを学ぶことができます。ハンズオンは Amazon SageMaker Studio Lab を使用し進めます。アカウントの作成方法や使い方は[Amazon SageMaker Studio Lab の使い方](https:\u002F\u002Fgithub.com\u002Faws-sagemaker-jp\u002Fawesome-studio-lab-jp\u002Fblob\u002Fmain\u002FREADME_usage.md)を参照してください。\n\n|No   |Process|Title|Content|Video|\n|:----|:------|:----|:----|:----|\n|1    |Introduction|機械学習モデル開発プロジェクトの進め方|[![Markdown](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmarkdown-%23000000.svg?style=for-the-badge&logo=markdown&logoColor=white)](docs\u002Fintroduction.md)|[![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FIEYAFbZhv80)|\n|2    |Environment Setup|機械学習モデルの開発環境を構築する|[![Open in SageMaker Studio Lab](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F00_environment_setup.ipynb)|[![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FC8VYnJ-DF3I)|\n|3    |Business Understanding|機械学習の価値を計算する|[![Open in SageMaker Studio Lab](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F01_business_understanding.ipynb)|[![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FcsiMBxUkAEc)|\n|4    |Analyze|データから価値を創出できるか診断する|[![Open in SageMaker Studio Lab](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F02_analyze.ipynb)|[![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FiYV4slOPoYE)|\n|5    |Prepare|診断結果に基づきデータを充足する|[![Open in SageMaker Studio Lab](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F03_prepare.ipynb)|[![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Uwim4GSkSjw)|\n|6    |Preprocess|機械学習モデルが認識しやすいデータにする|[![Open in SageMaker Studio Lab](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F04_preprocess.ipynb)| [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FT0Y0bFLfrsE) |\n|7    |Train|機械学習モデルを学習する|[![Open in SageMaker Studio Lab](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F05_train.ipynb)|[![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002F-SzZJmZWmOs)|\n|8    |Test|機械学習モデルを評価する|[![Open in SageMaker Studio Lab](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F06_test.ipynb)|(Comming Soon)|\n|9    |Ending|機械学習モデルの開発から運用へ|[![Markdown](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmarkdown-%23000000.svg?style=for-the-badge&logo=markdown&logoColor=white)](docs\u002Fending.md)|(Comming Soon)|\n\n#### シナリオ別ハンズオン\n\n特定のシナリオで AI\u002FML のプロジェクトを企画から実装まで学べるハンズオンコンテンツです。\n\n* [サービスの解約率改善シナリオ](.\u002Fnotebooks\u002Fscenario_churn\u002F) ( 所要時間 2~3 時間 )\n   * 携帯電話会社での解約率改善を題材に、ビジネス理解からモデルのテストまで一気通貫で体験できるハンズオン。\n\n## ML Enablement Workshop に関する FAQ\n\n* ML Enablement Workshop は誰が開発し、メンテナンスしているのですか ?\n   * AWS が開発し、メンテナンスしています。本資料には AWS でお客様の AI\u002FML を活用したノウハウが詰め込まれています。具体的な改善の過程については以下記事をご参照ください。\n   * [AI\u002FML活用の勝ちパターンを学ぶ！AWS の人気ワークショップがAmazon流に生まれ変わり登場](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn3f45aefc9434) : ML Enablement Workshop の v2 へのメジャーバージョンアップの背景について記載した記事です。\n   * [機械学習プロジェクトの約80%が失敗するのは伊達ではないと実感したが、現実に負けないワークショップに挑戦する](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn9c9e97896596) : ML Enablement Workshop 改善版 (v1.1) について、改善前の課題と改善後のポイントをまとめた記事です。\n   * [機械学習モデル開発プロジェクトの体験ハンズオンを公開しました](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn51ffb8e02293) : 初版公開時の記事です。\n   * AWS だけでなく、 Amazon, Spotify, Uber など世界的なプロダクトのマネージャーがどのように機械学習を活用しているか調査し、その内容も反映しています。関心ある方は **[データサイエンスを活用するプロダクトマネージャーを訪ねて](docs\u002Fjournal\u002FREADME.md)** を参照ください。\n* ML Enablement Workshop はどのように実施すればよいのですか ?\n   * 提供条件がそろえば AWS から提供できます ( 詳細は御社 AWS 担当までご連絡ください ) 。資料はすべて公開しているので、 [開催者向けガイド](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Ftree\u002Fmain\u002Fdocs\u002Forganizer)を参照し自社内で実施することもできます。\n* ML Enablement Workshop を利用するのに料金や許可は必要ですか ?\n   * いいえ。 GitHub で オープンソースとして公開しているので、 [ライセンスの範囲](LICENSE)で無料で利用頂くことができます。ただ、 AWS 以外の個人や法人が「 ML Enablement Workshop 」の名称もしくは同一とみなされる名称でワークショップを開催することを禁止します。お客様の混乱を防ぐための措置で、ご理解をお願い致します。\n* AWS のサービスはワークショップに関わらないのですか ?\n   * 最新のワークショップでは AI Coding Agent の活用が必須であり、AWS は [Amazon Q Developer CLI](https:\u002F\u002Fdocs.aws.amazon.com\u002Fja_jp\u002Famazonq\u002Flatest\u002Fqdeveloper-ug\u002Fcommand-line.html) の使用を推奨しています。\n* AWS はなぜ ML Enablement Workshop の開発・改善をしているのですか ? \n   * AI\u002FML の本番環境での利用を拡大するためです。これはお客様の利益にもなり、 AWS にとっても本番で AWS の AI\u002FML のサービスが利用さることはビジネスの拡大に不可欠です。\n   * 特に日本ではデータを活用した企画や業務改善を主導できる人材が 20% 程度と米国の約 1\u002F3 に留まり、 スタートアップでも技術革新を受けプロダクトのピボットを検討した企業は 1 割程度に留まります。この差が、 AI の導入効果が米国に比べ約 1\u002F7 、スタートアップの成長率は約 1\u002F30 と大きく乖離する一因になっています。関心ある方は以下の資料もご参照ください。\n   * [日本のAI導入効果がアメリカの7分の1程度しかないのはなぜなのか](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fna971fee54568) : 📹[動画](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Uxip1ggPwtw)\n   * [日本のスタートアップ企業の成長速度が米国に比べ30分の1以下という現状にデータサイエンティストは何ができるか](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn66c93427d8f0)\n* ML Enablement Workshop を AI\u002FML の活用を推進するための社内勉強会として実施することはできますか ? \n   * いいえ。 ML Enablement Workshop はアクションプランを作るためのワークショップで、研修を目的としていません。実施に際しては、特定のプロダクト、プロダクト機能を選定して頂く必要があります。\n   * [プロダクトを成長させる生成 AI のユースケースを考えるワークショップ](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-xi-ai-noyusukesuwokao-eruwakusiyotupu) は 2~3 時間でユースケースの発案、検証が行えるプログラムになっています。詳細は追加コンテンツを参照してください。\n\n### 外部登壇資料\n\n* [溶け込むラジオ出演](https:\u002F\u002Fopen.spotify.com\u002Fshow\u002F2cM4nkI88ySjFBUfQK9U74)\n   * ML Enablement Workshop 開発の経緯や得られた知見についてポッドキャストでお話ししました。\n   * [価値ある機械学習プロダクトを生み出すチームの作り方 Part1](https:\u002F\u002Fopen.spotify.com\u002Fepisode\u002F3K6bvHv3534EuliGGlpceI)\n   * [価値ある機械学習プロダクトを生み出すチームの作り方 Part2](https:\u002F\u002Fopen.spotify.com\u002Fepisode\u002F0olbtEAxxhysO8Xe2jqSHA)\n* [大規模言語モデルを Fine Tuning すべきタイミングとその方法](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fda-gui-mo-yan-yu-moderuwo-fine-tuning-subekitaimingutosonofang-fa)\n   * プロダクトを生成 AI で成長させるのになぜ Fine Tuning が必要なのか、どのような手順で進めればよいのかを解説したスライドです。Biz 、Dev 、 ML の 3 ステップのプロセスを紹介し Biz フェーズの支援として ML Enablement Workshop を紹介しています。\n* [ゲーム業界における生成AIの活用](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fgemuye-jie-niokerusheng-cheng-xi-ainohuo-yong)\n   * ゲーム業界で生成 AI を活用している事例と、活用のためのポイントをまとめた発表した記事です。\n* [プロダクトの成長をリードする生成 AI の活用戦略](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutonocheng-chang-woridosurusheng-cheng-xi-ai-nohuo-yong-zhan-lue)\n   * 短期的な生成 AI のお試しから、長期的なプロダクトの差別化につなげる戦略の立て方を解説した資料です。Biz 、Dev 、 ML の 3 ステップについて、 生成 AI の活用事例をベースにポイントを解説しています。\n\n\n## 改善要望\n\nハンズオンコンテンツについてのご要望や質問を歓迎します！事前に [CONTRIBUTING](CONTRIBUTING.md#security-issue-notifications)に目を通して頂ければ幸いです。\n\n* [ご要望\u002F不具合報告へのリンク (Issue) ](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002Fnew\u002Fchoose)\n* [コンテンツ\u002F不具合の改善送付 (Pull Request)](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fcompare)\n* ご質問: [GitHub Discussion](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fdiscussions)\n* セキュリティに関するご連絡: [CONTRIBUTING](CONTRIBUTING.md#security-issue-notifications)\n\n## ライセンス\n\n[MIT-0 License](LICENSE)\n","# 机器学习赋能工作坊\n\nML Enablement Workshop 是一个旨在组建能够将包括生成式 AI 在内的 AI\u002FML 技术转化为产品增长动力的团队的工作坊。\n\n| 跨部门团队组建 | 实践亚马逊开发流程 | 约6个月内上线 |\n|:--------|:---------|:------|\n|![Team](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_15b80bca5f71.jpeg) | ![Measure](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_bb6578fe5642.jpeg) | ![Plan](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_5f19ac9f67df.png) |\n| 企划与业务方和开发方协同合作 | 从客户体验出发逆向思考\u003Cbr\u002F>实践 [Working Backwards](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fexecutive-insights\u002Fcontent\u002Fproduct-management-at-amazon\u002F#Working_Backwards.3A_being_customer_obsessed) | 通过使用生成式AI进行广泛且并行的价值验证来实现 |\n\n\n## 🚴 工作坊流程\n\n在开始工作坊之前，我们会先为参与者讲解工作坊的意义与作用，从 [Day0](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fblob\u002Fmain\u002Fdocs\u002Forganizer\u002Fday0.md) 开始。完成 Day0 后，我们将进入分为实践篇和改进篇的两部分课程。\n\n* 在 [**Day0**](.\u002Fdocs\u002Forganizer\u002Fday0.md) 中，确认启动条件及前期准备工作。\n* 在 [**实践篇**](.\u002Fdocs\u002Forganizer\u002Fday1.md) 中，实践亚马逊的产品开发流程，并 **结合生成式AI** 制作多个新产品的新闻稿或功能发布文案。同时，基于这些内容构建用于假设验证的原型（参考：[当日流程](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Ftree\u002Fmain\u002Fyourwork)）。\n* 在 [**改进篇**](.\u002Fdocs\u002Forganizer\u002Fday2.md) 中，整合通过原型获得的经验与洞见，由参与者自行实践亚马逊的开发流程并更新新闻稿。随后，规划未来3至6个月内实现发布的初步步骤。\n\n| 标题 | Day0：明确目标与角色 | 实践篇：践行亚马逊模式 | 改进篇：启动自主假设验证 |\n|:--------|:---------|:------|:------|\n| 图片 |![Day0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_aa3b436701eb.png)|![Day1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_7d2cf9f3ef89.png)|![Day2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_493ea7c6eb07.png)|\n| 工作内容 | 确认每位参与者的角色 | 基于“Working Backwards”方法提出假设并开始并行验证 | 参与者自行优化流程，制定面向发布的初步计划 |\n| 时间 | 1小时（可远程） | 3.5小时 | 3小时 |\n\nML Enablement Workshop 的优势如下：\n\n* ⚡ **可在短时间内学习并实践亚马逊的产品开发流程——“Working Backwards”方法**\n* 🤖 **通过将生成式AI贯穿从策划到原型构建的全过程，积累经验，从而优化产品开发流程**\n* 🛠 **通过使用原型获取反馈，确保策划方案不流于空谈**\n\n| 要点 | 说明|\n|:------|:------|\n|\u003Cimg src=\"docs\u002Fimages\u002Ftop\u002Fkiro.svg\" width=50\u002F> | 我们使用了作为生成式AI工具的 [Kiro CLI](https:\u002F\u002Fkiro.dev\u002Fdocs\u002Fcli\u002F) 来实践以需求驱动的方式进行开发，在工作坊结束后可以顺利过渡到基于需求的设计与实现阶段。|\n\n### 成果示例\n\n以“提升英语会话能力以便参加英语会议”为主题，我们按照工作坊指南，利用生成式AI推进了“Working Backwards”方法的实践。该案例完全由生成式AI生成，未经过人工编辑。这一示例旨在展示如何借助生成式AI将人类的时间更多地投入到细节确认以及更具影响力的问题设计上。\n\n* [“Working Backwards”示例](\u002Fdocs\u002F\u002Fworking_backwards_example.md)\n\n此外，我们还提供了一个关于“电商网站商品页面自动生成与预览功能”的原型示例。该原型的搭建耗时约10至20分钟，主要由三个部分组成：首页、应用功能页面（响应数据为模拟数据）以及点击和页面浏览等指标的统计功能。这些指标将在改进篇中被使用。\n\n| 首页 | 功能页面 | 指标 |\n|:--------|:---------|:------|\n| ![LP](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_36571dc55bd5.png) | ![FT](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_15b60a6a0d54.png) | ![MT](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_e85b31606c10.png) |\n\n### 客户案例\n\n我们汇总了使用研讨会的客户的反馈。\n\n特别是关于生成式 AI 的案例，请务必参阅以下博客：[利用生成式 AI 的关键在于跨部门团队：从 ML Enablement Workshop 的四个案例中学习](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fml-enablement-workshop-generative-ai-cases\u002F)\n\n参与研讨会的 MUFG 公司作为日本首家金融机构，在 2024 年 re:Invent 大会上发表了演讲！\n\n| 视频 | 概述 |\n|:--------|:---------|\n| [![video](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_d1044cf10c91.png)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=G8b8LrfXSik&t=1496s)| [**MUFG 如何利用生成式 AI 改变企业销售：高效、可扩展且适应性强**](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=G8b8LrfXSik&t=1496s) \u003Cbr\u002F> 在企业销售中的金融产品推荐客户体验方面，销售团队与开发团队联合举办了 ML Enablement Workshop，共同定义了理想的客户体验及其实现路径。销售团队负责验证提案的价值，而开发团队则推进基于生成式 AI 的提案自动生成流程。借助 AWS 的原型设计项目支持前端开发，并持续进行后续优化。最终，在短短三个月内，潜在客户数量增加了十倍，成交率提升了 30%，取得了显著的业务成果。 |\n\n关于我们研讨会实践的书籍已于 2024 年出版。\n\n| 书 | 概述 |\n|:--------|:---------|\n| [![mlops book](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_e2551ebd7f98.jpg)](https:\u002F\u002Fwww.amazon.co.jp\u002Fdp\u002F4065369568\u002F) | **通过案例理解 MLOps：规模化机器学习成果的解决方案** ([亚马逊链接](https:\u002F\u002Fwww.amazon.co.jp\u002Fdp\u002F4065369568\u002F)) \u003Cbr\u002F> 本书不仅从技术层面探讨了 MLOps 整体的基础设施建设，还深入剖析了如何构建支持机器学习的文化，并结合理论与各企业的实际应用案例进行讲解。\u003Cbr\u002F> 我们将本次研讨会的实践经验收录于第 9 章“克服机器学习项目 80% 失败率的实践”中。\u003Cbr\u002F> ・相关链接：[出版纪念活动视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=htFEtB33x7c&t=115s) \u002F [演讲资料](https:\u002F\u002Fmlops.connpass.com\u002Fevent\u002F328296\u002Fpresentation\u002F) \u002F [写作背景与意图](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn00574e802d57) |\n\n其他使用过我们服务的客户评价\n\n| 客户 | 引言 |\n|:--------|:---------|\n| \u003Ca href=\"https:\u002F\u002Fprtimes.jp\u002Fmain\u002Fhtml\u002Frd\u002Fp\u002F000000080.000049664.html\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_aaea12aa4027.png\" width=120>\u003C\u002Fa>|  **StudyPocket 株式会社** \u003Cbr\u002F> *通过 ML Enablement Workshop 中运用生成式 AI 的逆向思维实践，我们得以直面那些挑战常识的问题，成功推出了贴近教育场景的功能。在第一天和第二天安排的用户访谈中，我们也基于原型验证了假设，进一步坚定了信心。* |\n| \u003Ca href=\"https:\u002F\u002Fjinsholdings.com\u002Fjp\u002Fja\u002Fnews\u002Fjins_ai\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_ffb2030f239a.png\" width=120>\u003C\u002Fa>|  **JINS 株式会社** \u003Cbr\u002F> *在 ML Enablement Workshop 中，门店经验丰富的员工与数据科学家携手合作，具体化了利用生成式 AI 打造全新客户体验的方案。通过讨论加深了对客户痛点及 JINS 优势的理解，并制定了详细的计划，从而顺利推进了后续项目。* |\n| \u003Ca href=\"https:\u002F\u002Fwww.pkshatech.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_b42180c3eced.png\" width=120>\u003C\u002Fa>|  **PKSHA Technology 株式会社** \u003Cbr\u002F> *我们不仅完整地实践了亚马逊的‘逆向思维’方法，还在其后设置了回顾与优化环节，以两阶段的形式帮助我们重新审视并改进原本尚不明确的功能与商业计划。最终，我们掌握了一套非常实用且有价值的框架。* |\n| \u003Ca href=\"https:\u002F\u002Fthebase.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_4ea7f21fb2f4.png\" width=100>\u003C\u002Fa>|  **BASE 株式会社** \u003Cbr\u002F> *五个产品团队同时并行开展工作，在短时间内实现了工程师与产品经理之间围绕规划、实施及 KPI 的深度讨论，从而快速有效地落地了生成式 AI 的应用场景。* |\n| \u003Ca href=\"https:\u002F\u002Fwww.saison-technology.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_e7498b636f26.png\">\u003C\u002Fa>|  **Saison Technology 株式会社** \u003Cbr\u002F> *通过 ML Enablement Workshop，我们让每位成员的想法可视化并共享，避免了先入为主的偏见，从而做出了充满信心的决策。* \u003Cbr\u002F> ・[查看详细案例](.\u002Fdocs\u002Fimages\u002Fcases\u002Fmlew-cases-saison.png) |\n| \u003Ca href=\"https:\u002F\u002Fwww.bk.mufg.jp\u002Findex.html\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_0f7ee4394f4b.png\">\u003C\u002Fa> | **三菱 UFJ 银行株式会社** \u003Cbr\u002F> *借助 ML Enablement Workshop 和原型设计的支持，我们能够迅速而顺畅地启动并循环推进从目标销售体验的设计、验证到改进的整个流程。* \u003Cbr\u002F> ・[查看详细案例](.\u002Fdocs\u002Fimages\u002Fcases\u002Fmlew-cases-mufg.png) \u003Cbr\u002F> ・[2024 年 re:Invent 大会上的演讲视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=G8b8LrfXSik&t=1496s) |\n| \u003Ca href=\"https:\u002F\u002Fwww.kokopelli-inc.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_bd6b32c232cb.png\">\u003C\u002Fa> | **Kokopelli 株式会社** \u003Cbr\u002F> *通过 ML Enablement Workshop 中的客户体验分析，我们确定了对 Big Advance 客户最具影响力的生成式 AI 应用场景，并设定了具体任务及效果评估的 KPI。* \u003Cbr\u002F> ・[查看详细案例](.\u002Fdocs\u002Fimages\u002Fcases\u002FKokopelli_Case.png) \u003Cbr\u002F> ・[Kokopelli 公司的 AWS 生成式 AI 案例：ML Enablement Workshop 确定并验证的应用场景](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fgen-ai-usecase-kokopelli\u002F) |\n|\u003Ca href=\"https:\u002F\u002Fgeniee.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_b943972af9ff.png\">\u003C\u002Fa>| **Geniee 株式会社** \u003Cbr\u002F> *通过 ML Enablement Workshop 富有启发性的体验，我们不仅带回了明确的行动方案，还获得了高质量的思考框架。* \u003Cbr\u002F> ・[查看详细案例](.\u002Fdocs\u002Fimages\u002Fcases\u002FGeniee_Case.png) |\n|\u003Ca href=\"https:\u002F\u002Fcorp.moneyforward.com\u002F\" target=\"_blank\">\u003Cimg src=\"docs\u002Fimages\u002Fcases\u002FMoneyForwardLogoMain.svg\">\u003C\u002Fa> | **Money Forward 株式会社** \u003Cbr\u002F> *借助 ML Enablement Workshop，产品经理、开发人员和研发人员共同参与，促进了机器学习推进过程中不可或缺的角色间沟通。* \u003Cbr\u002F> ・详细案例：[为用户提供最大附加价值的 AI 应用方向](https:\u002F\u002Fpages.awscloud.com\u002FAPAC_FIELD_T2_jp-isv-saas-on-aws-2022-archives-reg.html) (@ [AWS SaaS 2022 大会](https:\u002F\u002Fpages.awscloud.com\u002FAPAC_FIELD_T2_jp-isv-saas-on-aws-2022-day1-inperson-reg.html)) |\n\n\n**此外，众多客户的各个产品团队也纷纷采用了我们的研讨会。**\n\n如果您愿意分享使用案例，请通过 [Issue](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fissues\u002Fnew?assignees=&labels=enhancement&template=case-study.md&title=) 与我们联系。\n\n## 🚶 研讨会实施前\n\n若希望在实施 ML Enablement Workshop 之前提升**组织整体的 AI\u002FML 应用素养**，请考虑使用社区版资料。\n\n### 社区工作坊\n\n#### 思考如何利用生成式AI推動產品成長的工作坊\n\n本工作坊主要面向產品經理，旨在學習如何在產品中應用生成式AI的創意發想、建立商業模式，以及以客戶為中心的產品開發流程。透過匯集多家公司的產品經理，促進跨企業間的意見交流，從全新視角激發創新靈感。過去活動報告與演示資料請參閱下表：\n\n| 索引 | 圖片 | 演示文稿／報告 |\n|:------| :-----|:----------------------|\n| vol.4 | ![vol4](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_6f55d771db6b.png) | 活動報告：[生成式AI時代的產品開發流程改善——以逆向思考與價值探索實踐](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn40dd1180cb4e)（本次聚焦於如何結合生成式AI改進產品開發流程） \u003Cbr\u002F>・[工作坊進行資料](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1qlpeYBfs8ZiYynqb8yMuQNZ10BbNZSiH\u002Fview) \u003Cbr\u002F>・[活動頁面](https:\u002F\u002Faws-startup-community.connpass.com\u002Fevent\u002F322096\u002F)\n| vol.3 | ![vol3](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_5b6772c21f5d.png) | 活動報告：[發現生成式AI能發揮作用的產品體驗關鍵——從24項價值畫布分析中所見](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn3fe552b3e5b4) \u003Cbr\u002F>・[工作坊進行資料](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-ai-noyusukesufa-jian-wakusiyotupu-vol-dot-3) \u003Cbr\u002F>・[工作用價值畫布底板](docs\u002Fvalue_canvas_A3.pdf) \u003Cbr\u002F>・[價值畫布完成後的行動指南](https:\u002F\u002Fpmdao.notion.site\u002Ff5baa01855884eb7b6248b36cfe2ddbc)\u003Cbr\u002F>・[活動頁面](https:\u002F\u002Faws-startup-community.connpass.com\u002Fevent\u002F310075\u002F)\n| vol.2 | ![vol2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_574a444d029e.png) | 活動報告：[借助社群力量打磨將AI融入產品的想法](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fnf840e424698c) \u003Cbr\u002F> AWS 大渕麻莉：[關於生成式AI應用中產品經理重要性日益提升的論述](https:\u002F\u002Fspeakerdeck.com\u002Fohbuchim\u002Fsheng-cheng-xi-ai-huo-yong-nioitepurodakutomaneziyanozhong-yao-xing-gazeng-sitashuo) \u003Cbr\u002F> Notion 早川和輝：[從Notion AI學到的生成式AI產品假設驗證與實踐方法](https:\u002F\u002Fnotion.notion.site\u002Fnotion\u002FNotion-AI-AI-c42a634df5b74b3cba2574a03d165d0b) \u003Cbr\u002F> AWS 久保隆宏：[生成式AI應用場景的構思與驗證](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-xi-ai-noyusukesuwokao-eruwakusiyotupu) \u003Cbr\u002F> [活動頁面](https:\u002F\u002Fproductkintore.connpass.com\u002Fevent\u002F301832\u002F)\n| vol.1 | ![vol1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_9e4a33108c61.png) | 活動報告：[舉辦「思考如何利用生成式AI推動產品成長的工作坊」](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn7097e8708185) \u003Cbr\u002F> Sansan 西田貴紀：[從Sansan Labs的LLM應用談起的LLM專案要點整理](https:\u002F\u002Fspeakerdeck.com\u002Fsansan_randd\u002Fllm-project-essentials-from-sansan-labs-llm-use) \u003Cbr\u002F> 株式會社Gaudiy 北川和貴：LLM代理面向C端用戶所提供的可能性與難題（限內部公開） \u003Cbr\u002F> AWS 久保隆宏：[生成式AI應用場景的構思與驗證](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-xi-ai-noyusukesuwokao-eruwakusiyotupu) \u003Cbr\u002F> [活動頁面](https:\u002F\u002Fproductkintore.connpass.com\u002Fevent\u002F296335\u002F) \u003Cbr\u002F>|\n\n此外，我們也有為單一公司舉辦的成功案例。\n\n| 索引 | 圖片 | 客戶報告 |\n|:------| :-----|:----------------------|\n| 1     | ![recruit](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_54e9d21ca92e.png)      | **株式會社Rikunabi**：[成功推動公司內部生成式AI應用的實踐方法](https:\u002F\u002Fblog.recruit-productdesign.jp\u002Fn\u002Fn561955e2a147) \u003Cbr\u002F> *在AWS的協助下，舉辦了面向內部員工的生成式AI工作坊，涵蓋從創意發想到商業模式設計等環節。其宗旨是讓Rikunabi約50位工程師與產品經理共同合作，圍繞具體問題展開討論，以探討生成式AI的實際應用場景。* \u003Cbr\u002F> *我本人也參與其中，在針對新業務及現有業務中的各種挑戰進行多角度腦力激盪，並梳理PSF（Problem Solution Fit）的過程中，獲得了許多新的洞見。* |\n| 2     | ![ntt data intramart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_bce009a62eab.png) | **NTT數據IntraMart公司**：[推動產品成長的生成式AI應用場景工作坊實施報告](https:\u002F\u002Fdev.intra-mart.jp\u002F%e3%83%97%e3%83%ad%e3%83%80%e3%82%af%e3%83%88%e3%82%92%e6%88%90%e9%95%b7%e3%81%95%e3%81%9b%e3%82%8b%e7%94%9f%e6%88%90%e7%b3%bb-ai-%e3%81%ae%e3%83%a6%e3%83%bc%e3%82%b9%e3%82%b1%e3%83%bc%e3%82%b9\u002F) \u003Cbr\u002F> *為推進利用生成式AI進行多種功能強化，我們與AWS合作舉辦了「推動產品成長的生成式AI應用場景工作坊」* \u003Cbr\u002F> *藉由與產品研發及服務團隊的核心成員交流意見，激發出豐富多元的想法，這是一次非常有意義的經驗。* |\n\n\n\n## 🏃‍♀️ 工作坊結束後\n\n為了協助大家在工作坊結束後快速建構原型，AWS特別公開了多項資源。\n\n### 生成式AI的AWS實現範例集\n\n透過[AWS Generative AI Solution Box](https:\u002F\u002Faws-samples.github.io\u002Fsample-one-click-generative-ai-solutions\u002F)，您只需擁有AWS帳號，即可在一鍵操作下於數分鐘內部署以下解決方案。\n\n此外，您還可參考[AWS生成式AI案例集](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Flocal\u002Fgenai-4-jp\u002F)，了解各行業企業的實際應用案例。\n\n| 圖片 | 詳情 |\n|:------| :------|\n|![generative_ai_use_cases](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_6568ebbdd186.png) | [generative-ai-use-cases](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases-jp) \u003Cbr\u002F> 這是一個一站式試用平台，涵蓋生成式AI的多種應用場景。無論是聊天、摘要、圖像生成、增強型搜尋、文件校對、翻譯，還是網頁內容提取等功能，都能立即體驗並感受其效果。 |\n| ![bedrock_claude_chat](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_5ccd7716b416.png) | [bedrock-claude-chat](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fbedrock-claude-chat) \u003Cbr\u002F> 這是一款能夠快速且安全地部署生成式AI聊天功能的應用程式。它提供專注於聊天的功能，例如增強型搜尋以及嵌入系統提示詞的自定義機器人分享等。 |\n\n### AI\u002FML的AWS實現範例集\n\n| 圖片 | 詳情 |\n|:------| :------|\n|![aws_ml_jp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_b06eaaea373e.png) | [aws-ml-jp](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-jp) \u003Cbr\u002F> 這個儲存庫提供了AWS AI\u002FML服務的示例代碼及學習資源。除了使用Amazon SageMaker進行模型訓練外，還包含基礎模型微調的示例實現等內容。 |\n|![studio_lab_community](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_readme_633fea7b4e8d.png) | [awesome-studio-lab-jp](https:\u002F\u002Fgithub.com\u002Faws-sagemaker-jp\u002Fawesome-studio-lab-jp) \u003Cbr\u002F> 這是一個收集了可在無需AWS帳號且免費使用的Amazon SageMaker Studio Lab平台上學習的機械學習內容的儲存庫。 |\n\n### 机器学习项目体验动手实践\n\n这是一份面向开发者的机器学习动手实践资料。按照目录中的编号从1开始逐步进行，您可以学习在每个开发流程中需要做什么、为什么要这样做以及如何去做。本次动手实践将使用 Amazon SageMaker Studio Lab 进行。有关账户创建方法和使用说明，请参阅[Amazon SageMaker Studio Lab 使用指南](https:\u002F\u002Fgithub.com\u002Faws-sagemaker-jp\u002Fawesome-studio-lab-jp\u002Fblob\u002Fmain\u002FREADME_usage.md)。\n\n|编号 | 流程       | 标题                     | 内容                                       | 视频                 |\n|-----|------------|--------------------------|--------------------------------------------|----------------------|\n|1    | 引言       | 机器学习模型开发项目的推进方式 | [![Markdown](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmarkdown-%23000000.svg?style=for-the-badge&logo=markdown&logoColor=white)](docs\u002Fintroduction.md) | [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FIEYAFbZhv80) |\n|2    | 环境搭建   | 搭建机器学习模型的开发环境 | [![在 SageMaker Studio Lab 中打开](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F00_environment_setup.ipynb) | [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FC8VYnJ-DF3I) |\n|3    | 业务理解   | 计算机器学习的价值         | [![在 SageMaker Studio Lab 中打开](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F01_business_understanding.ipynb) | [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FcsiMBxUkAEc) |\n|4    | 分析       | 诊断数据是否能创造价值     | [![在 SageMaker Studio Lab 中打开](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F02_analyze.ipynb) | [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FiYV4slOPoYE) |\n|5    | 准备       | 根据诊断结果补充数据       | [![在 SageMaker Studio Lab 中打开](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F03_prepare.ipynb) | [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Uwim4GSkSjw) |\n|6    | 预处理     | 将数据转化为机器学习模型易于识别的形式 | [![在 SageMaker Studio Lab 中打开](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F04_preprocess.ipynb) | [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FT0Y0bFLfrsE) |\n|7    | 训练       | 训练机器学习模型           | [![在 SageMaker Studio Lab 中打开](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F05_train.ipynb) | [![YouTube](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-%23FF0000.svg?style=for-the-badge&logo=YouTube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002F-SzZJmZWmOs) |\n|8    | 测试       | 评估机器学习模型           | [![在 SageMaker Studio Lab 中打开](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fstudiolab.svg)](https:\u002F\u002Fstudiolab.sagemaker.aws\u002Fimport\u002Fgithub\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fblob\u002Fmain\u002Fnotebooks\u002F06_test.ipynb) | (即将上线) |\n|9    | 结束       | 从机器学习模型的开发到部署 | [![Markdown](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmarkdown-%23000000.svg?style=for-the-badge&logo=markdown&logoColor=white)](docs\u002Fending.md) | (即将上线) |\n\n#### 场景化动手实践\n\n这是一套针对特定场景的动手实践内容，帮助您从规划到实施全面学习 AI\u002FML 项目。\n\n* [服务退订率优化场景](.\u002Fnotebooks\u002Fscenario_churn\u002F) (所需时间 2~3 小时)\n  * 以某手机公司退订率优化为主题，从业务理解到模型测试，一站式体验整个流程的动手实践。\n\n## ML Enablement Workshop 常见问题解答\n\n* ML Enablement Workshop 是由谁开发并维护的？\n  * 由 AWS 开发并维护。本资料凝聚了 AWS 在助力客户利用 AI\u002FML 方面的丰富经验。关于具体的改进过程，请参阅以下文章：\n  * [学习 AI\u002FML 应用的成功模式！AWS 热门研讨会以亚马逊风格全新登场](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn3f45aefc9434)：介绍了 ML Enablement Workshop v2 大版本升级的背景。\n  * [深刻体会到约 80% 的机器学习项目失败并非空穴来风，但依然挑战不向现实低头的研讨会](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn9c9e97896596)：总结了 ML Enablement Workshop 改进版 (v1.1) 中改进前的挑战及改进后的亮点。\n  * [公开机器学习项目体验式动手实践](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn51ffb8e02293)：首次发布时的文章。\n  * 除了 AWS，我们还调研了包括 Amazon、Spotify、Uber 等全球知名产品的管理者如何应用机器学习，并将相关内容融入其中。感兴趣的朋友可以参阅 **[探访运用数据科学的产品经理](docs\u002Fjournal\u002FREADME.md)**。\n* ML Enablement Workshop 应该如何实施？\n  * 在满足相关条件的情况下，AWS 可以提供支持（详情请咨询贵公司 AWS 负责人）。由于所有资料均已公开，您也可以参考[组织者指南](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Ftree\u002Fmain\u002Fdocs\u002Forganizer)，自行在内部开展活动。\n* 使用 ML Enablement Workshop 是否需要付费或获得许可？\n  * 不需要。该资料已在 GitHub 上以开源形式发布，您可以在[许可证范围](LICENSE)内免费使用。不过，禁止除 AWS 以外的个人或法人以“ML Enablement Workshop”或与其相似的名称举办研讨会。此举旨在避免客户混淆，请予以理解。\n* AWS 的服务与本次研讨会无关吗？\n  * 在最新版本的研讨会上，必须使用 AI 编码助手，AWS 推荐使用 [Amazon Q Developer CLI](https:\u002F\u002Fdocs.aws.amazon.com\u002Fja_jp\u002Famazonq\u002Flatest\u002Fqdeveloper-ug\u002Fcommand-line.html)。\n* AWS 为何要开发和改进 ML Enablement Workshop？\n  * 目的是为了扩大 AI\u002FML 在生产环境中的应用。这不仅有利于客户，对 AWS 来说，在生产环境中推广其 AI\u002FML 服务也是业务扩展的关键。\n  * 特别是在日本，能够主导基于数据的策划和业务改进的人才仅占约 20%，仅为美国的三分之一左右；即使是初创企业，也只有约一成的企业因技术革新而考虑产品转型。这种差距是导致日本 AI 应用效果仅为美国七分之一、初创企业成长速度仅为美国三十分之一的主要原因。感兴趣的朋友还可以参阅以下资料：\n  * [为什么日本的 AI 应用效果仅为美国七分之一？](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fna971fee54568)：📹[视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Uxip1ggPwtw)\n  * [面对日本初创企业成长速度仅为美国三十分之一的现状，数据科学家能做些什么？](https:\u002F\u002Fnote.com\u002Fpiqcy\u002Fn\u002Fn66c93427d8f0)\n* 是否可以将 ML Enablement Workshop 作为推动 AI\u002FML 应用的内部学习会来开展？\n  * 不可以。ML Enablement Workshop 是一个用于制定行动计划的研讨会，而非培训课程。在实施时，您需要选定特定的产品或产品功能。\n  * [探讨促进产品增长的生成式 AI 使用场景研讨会](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutowocheng-chang-saserusheng-cheng-xi-ai-noyusukesuwokao-eruwakusiyotupu) 是一个可在 2–3 小时内完成使用场景构思与验证的程序。更多详细信息请参阅附加内容。\n\n### 外部演讲资料\n\n* [融入其中的广播节目](https:\u002F\u002Fopen.spotify.com\u002Fshow\u002F2cM4nkI88ySjFBUfQK9U74)\n   * 在播客中分享了ML赋能工作坊的开发背景及所获得的洞见。\n   * [如何打造能够产出高价值机器学习产品的团队 Part1](https:\u002F\u002Fopen.spotify.com\u002Fepisode\u002F3K6bvHv3534EuliGGlpceI)\n   * [如何打造能够产出高价值机器学习产品的团队 Part2](https:\u002F\u002Fopen.spotify.com\u002Fepisode\u002F0olbtEAxxhysO8Xe2jqSHA)\n* [何时以及如何对大规模语言模型进行微调](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fda-gui-mo-yan-yu-moderuwo-fine-tuning-subekitaimingutosonofang-fa)\n   * 该幻灯片讲解了为何在利用生成式AI推动产品增长时需要进行微调，以及应采取怎样的步骤。介绍了业务、开发和机器学习三个阶段的流程，并作为业务阶段的支持手段，推荐了ML赋能工作坊。\n* [游戏行业中生成式AI的应用](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fgemuye-jie-niokerusheng-cheng-xi-ainohuo-yong)\n   * 这是一篇汇总了游戏行业应用生成式AI的案例及应用要点的演讲稿。\n* [引领产品增长的生成式AI应用战略](https:\u002F\u002Fspeakerdeck.com\u002Ficoxfog417\u002Fpurodakutonocheng-chang-woridosurusheng-cheng-xi-ai-nohuo-yong-zhan-lue)\n   * 该资料讲解了如何从短期的生成式AI试用，逐步制定出能够实现长期产品差异化的发展战略。基于生成式AI的应用案例，针对业务、开发和机器学习三个阶段分别阐述了关键点。\n\n\n## 改进建议\n\n我们欢迎关于动手实践内容的建议与问题！请事先阅读一下[贡献指南](CONTRIBUTING.md#security-issue-notifications)，我们将不胜感激。\n\n* [提交建议\u002F问题报告的链接（Issue）](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002Fnew\u002Fchoose)\n* [提交内容改进\u002F修复补丁的链接（Pull Request）](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fcompare)\n* 如有疑问：[GitHub讨论区](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-handson\u002Fdiscussions)\n* 安全相关事宜：[贡献指南](CONTRIBUTING.md#security-issue-notifications)\n\n## 许可证\n\n[MIT-0许可证](LICENSE)","# AWS ML Enablement Workshop 快速上手指南\n\n**工具简介**：\nAWS ML Enablement Workshop 是一个旨在帮助团队将生成式 AI 及机器学习技术转化为产品增长动力的工作坊框架。它通过实践亚马逊的\"Working Backwards\"（逆向工作法）流程，指导跨职能团队（业务、产品、开发）在约 6 个月内完成从概念验证到生产发布的全过程。本指南侧重于如何启动和组织该工作坊。\n\n> **注意**：本项目主要包含工作坊的组织文档、幻灯片素材、示例代码及操作手册，而非单一的命令行工具。核心“安装”步骤实为获取源码并熟悉文档结构。\n\n## 环境准备\n\n在开始之前，请确保满足以下条件：\n\n*   **硬件\u002F网络**：稳定的互联网连接，用于访问 GitHub 仓库及 AWS 控制台。\n*   **软件依赖**：\n    *   **Git**：用于克隆项目仓库。\n    *   **浏览器**：推荐 Chrome 或 Edge，用于查看 Markdown 文档及访问 AWS 服务。\n    *   **AWS 账号**（可选但推荐）：如果在“实践篇”中需要实际部署 Mock 原型或体验生成式 AI 功能，需要一个具备基本权限的 AWS 账号。\n*   **人员组成**：建议组建跨职能团队，包括产品经理（PdM）、开发工程师、业务规划人员及数据科学家。\n*   **前置知识**：对生成式 AI 基本概念有初步了解，熟悉敏捷开发流程更佳。\n\n## 安装步骤\n\n本项目无需复杂的编译安装，只需克隆仓库即可获取所有工作坊材料。\n\n1.  **克隆仓库**\n    打开终端，执行以下命令获取最新代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop.git\n    ```\n\n2.  **进入目录**\n    ```bash\n    cd aws-ml-enablement-workshop\n    ```\n\n3.  **确认国内访问加速（可选）**\n    如果在中国大陆地区访问 GitHub 较慢，建议使用国内镜像源或加速代理进行克隆：\n    ```bash\n    # 使用 Gitee 镜像（如果有同步）或配置 Git 代理\n    # 示例：配置 HTTP 代理（请替换为您的实际代理地址）\n    # git config --global http.proxy http:\u002F\u002F127.0.0.1:7890\n    # git config --global https.proxy https:\u002F\u002F127.0.0.1:7890\n    ```\n    *注：若无法使用代理，可直接在浏览器下载 ZIP 包解压。*\n\n4.  **查看核心文档**\n    所有工作坊的核心指引位于 `docs\u002Forganizer` 目录下。建议使用支持 Markdown 预览的编辑器（如 VS Code）打开阅读。\n\n## 基本使用\n\n工作坊分为三个阶段：**Day0（准备）**、**实践篇（Day1）** 和 **改善篇（Day2）**。以下是启动流程的最简示例。\n\n### 1. 启动 Day0：明确目标与角色\n组织者首先需阅读 Day0 指南，向参与者阐明工作坊意义。\n*   **操作**：打开并阅读准备文档。\n    ```markdown\n    # 在浏览器或编辑器中打开\n    docs\u002Forganizer\u002Fday0.md\n    ```\n*   **任务**：确认参与者的角色分工，检查是否已准备好生成式 AI 工具（如 Amazon Bedrock 或第三方 LLM API）的访问权限。\n\n### 2. 执行实践篇（Day1）：逆向工作法与原型构建\n在此阶段，团队将利用生成式 AI 撰写新闻稿（Press Release）并构建可交互的 Mock 原型。\n*   **操作**：跟随实践篇指南进行。\n    ```markdown\n    # 核心执行文档\n    docs\u002Forganizer\u002Fday1.md\n    ```\n*   **关键动作**：\n    1.  使用生成式 AI 辅助撰写多个新功能的\"Working Backwards\"新闻稿。\n    2.  参考 `yourwork` 目录下的示例，利用 AI 快速构建前端 Mock 页面（通常耗时 10-20 分钟）。\n    3.  利用 Mock 收集初步用户反馈指标。\n\n### 3. 执行改善篇（Day2）：迭代与规划\n基于 Day1 的反馈数据，优化新闻稿并制定未来 3-6 个月的发布计划。\n*   **操作**：阅读改善篇指南。\n    ```markdown\n    # 迭代与规划文档\n    docs\u002Forganizer\u002Fday2.md\n    ```\n*   **产出**：更新后的新闻稿、经过验证的产品假设、以及具体的下一步开发路线图。\n\n### 4. 参考示例与资源\n*   **Working Backwards 示例**：查看完全由 AI 生成的案例。\n    ```text\n    docs\u002Fworking_backwards_example.md\n    ```\n*   **原型示例**：参考电商商品页自动生成原型的实现逻辑（包含首页、功能页、指标统计）。\n    ```text\n    docs\u002Fimages\u002Ftop\u002Fmock-image-*.png (配合 day1.md 中的说明查看)\n    ```\n\n### 5. 后续扩展（可选）\n若需快速部署生成式 AI 应用以支持工作坊中的原型演示，可访问 **AWS Generative AI Solution Box** 一键部署示例应用：\n*   访问地址：[https:\u002F\u002Faws-samples.github.io\u002Fsample-one-click-generative-ai-solutions\u002F](https:\u002F\u002Faws-samples.github.io\u002Fsample-one-click-generative-ai-solutions\u002F)\n*   推荐项目：`generative-ai-use-cases-jp`（一站式体验聊天、总结、图像生成等功能）。","某大型金融机构的法人销售团队与技术开发部门希望利用生成式 AI 重构客户提案流程，但在跨部门协作与落地路径上陷入僵局。\n\n### 没有 aws-ml-enablement-workshop 时\n- **部门墙厚重**：业务方只提模糊需求，开发方埋头写代码，双方缺乏共同语言，导致最终产品偏离客户真实痛点。\n- **验证周期漫长**：从构思到做出可演示的原型（Mock）往往耗时数周，无法快速通过市场反馈验证假设，容易陷入“纸上谈兵”。\n- **AI 应用浮于表面**：仅将生成式 AI 用于简单的文案润色，未能将其深度融入从策划、假设立案到原型构建的全流程。\n- **失败风险高企**：由于缺乏亚马逊\"Working Backwards\"（逆向工作法）的思维训练，项目常在开发后期才发现方向错误，造成资源浪费。\n\n### 使用 aws-ml-enablement-workshop 后\n- **组建跨职能特种部队**：通过 Day0 至 Day2 的密集工作坊，业务与开发人员组成统一战队，基于“以客户为中心”的逆向思维共同定义产品愿景。\n- **极速原型验证**：利用工作坊提供的生成式 AI 流程（如 Kiro CLI），团队在短短 10-20 分钟内即可构建出包含前端页面和指标追踪的功能原型，立即开展假设验证。\n- **全流程 AI 赋能**：将生成式 AI 应用于 пресс-релиз（新闻稿）撰写、多方案并行测试及自动化提案生成，显著提升了创新效率与质量。\n- **明确落地路线图**：在 3.5 小时的实战演练后，团队不仅更新了产品规划，还制定了清晰的 3-6 个月发布计划，确保从概念到生产环境的平滑过渡。\n\n该工具通过标准化的亚马逊产品开发流程与生成式 AI 实践，帮助企业在数月内将跨部门创意转化为可衡量的商业增长，成功复刻了 MUFG 等企业的转型奇迹。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_aws-ml-enablement-workshop_bb6578fe.jpg","aws-samples","AWS Samples","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faws-samples_84ebd8ed.png","",null,"https:\u002F\u002Famazon.com\u002Faws","https:\u002F\u002Fgithub.com\u002Faws-samples",[80,84,88,92,96],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",90.7,{"name":85,"color":86,"percentage":87},"TypeScript","#3178c6",8.8,{"name":89,"color":90,"percentage":91},"JavaScript","#f1e05a",0.3,{"name":93,"color":94,"percentage":95},"CSS","#663399",0.1,{"name":97,"color":98,"percentage":95},"HTML","#e34c26",554,58,"2026-03-24T00:06:29","MIT-0",{"notes":104,"python":75,"dependencies":105},"该工具是一个工作坊（Workshop）指南和流程文档，旨在指导团队利用生成式 AI 进行产品开发和假设验证，而非一个需要特定本地运行环境（如 GPU、Python 库）的软件包。文中提到的 'Kiro CLI' 是用于规范驱动开发的辅助工具，但未在提供的片段中列出具体的系统或版本依赖。部署示例中的 Mock 应用可通过 AWS 一键部署方案在云端完成，无需本地高性能计算资源。",[],[14],[108,109],"machine-learning","amazon-sagemaker-lab","2026-03-27T02:49:30.150509","2026-04-16T08:14:14.781589",[113,118,123,128,133,138,143,148],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},35474,"Event Storming 中使用的便签名称（如读取模型、聚合、策略等）太晦涩难懂，有没有改进方法？","维护者已对此进行了优化。新的方案是将工作坊范围严格限制在“大图（Big Picture）”阶段，并大幅减少了需要使用的便签类型数量，去除了那些容易引起困惑的专业术语便签，使流程更加直观易懂。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F71",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},35472,"如何在 ML Enablement Workshop 中正确使用“聚合（Aggregate）”概念？它与 Event Storming 中的定义有何不同？","在 ML Enablement Workshop 中，为了简化建模过程，特意将范围限制在“大图（Big Picture）”阶段，仅用于发现用例，而不强行进行流程建模或软件设计。虽然 Event Storming 中的“聚合”通常表示处理多个命令的端点（包含状态和行为），而本工作坊主要用其表示数据，这看似有偏差，但在本工作坊的上下文中并非错误。为避免混淆，建议不要深入到具体的类设计层面，而是专注于通过 Big Picture 发现业务用例。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F72",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},35473,"在进行 Event Storming 的 Big Picture 阶段时，如何避免讨论发散导致偏离核心课题？","工作坊的流程已更新，不再采用“预先在工作表中筛选课题”的形式，而是改为直接在 Event Storming 过程中动态洗出和梳理课题。这种方式的改变旨在让参与者更自然地聚焦于当前涌现的问题，避免因预设列表与实际讨论脱节而导致的发散和重复筛选工作。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F70",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},35475,"作为团队领导者（Team Leader），在主导 Ideaathon（创意马拉松）时具体应该做什么？","官方已新增专门针对组织者的指南文档（Day0）。该文档详细明确了 Ideaathon 各个阶段中，领导者应达成的目标以及期望的具体行为举止，解决了以往职责不明确导致难以行动的问题。您可以参考 docs\u002Forganizer\u002Fday0.md 获取详细指导。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F63",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},35476,"举办或参加 ML Enablement Workshop 需要满足哪些前置条件或要求？","工作坊已将举办者和参与者所需满足的前提条件整合到了任务（Task）相关文档中。这些资料明确了谁适合举办或参加 workshops，消除了以往关于参与资格不明确的问题。建议查阅最新的项目文档以获取详细的准入要求。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F35",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},35477,"是否有提供现成的提示词（Prompt）模板以供复制使用，以节省工作坊中的输入时间？","是的，针对实践中需要手动输入提示词耗时较多的问题，项目已更新提供了可复制的提示词模板。此外，对于生成式 AI 输出内容的记录环节，也优化为文件导出形式供全员参考，以便参与者能将更多时间集中在本质性的讨论上，而非单纯的抄写工作。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F143",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},35478,"在使用 Amazon Q Developer CLI 创建应用时，遇到 TailwindCSS v4 与现有模板（基于 v3）不兼容的问题如何解决？","该问题已通过更新模板解决。针对 TailwindCSS v4 的破坏性变更，新的模板配置中已移除了 v4 不再需要的 `tailwind.config.js` 和 `postcss.config.js` 文件。请确保使用最新版本的模板或通过 PR #149 获取修复后的配置。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F148",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},35479,"Amazon Q Developer CLI 迁移到 Kiro CLI 后，本工作坊是否支持 Kiro？","是的，随着 Amazon Q Developer CLI 正式迁移至 Kiro CLI，本工作坊已完成相应更新以支持 Kiro。鉴于 MLEW 的理念与 Kiro 高度契合，此次更新旨在提供更无缝的集成体验。相关适配代码已通过 PR #175 合并。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F161",[154,159,164,169,174,179,184],{"id":155,"version":156,"summary_zh":157,"released_at":158},280600,"v3.1.0","## 发布 v3.1.0\n\n本次发布包含以下改进和新功能：\n\n### 🆕 新功能与改进\n- **实践篇更新**: 更新了工作坊的实践篇内容 (#155)\n   - **演示文稿更新**: 更新了包含 GenU 支持的演示文稿 (#150)\n- **README 更新**: 更新了项目概览和指南 (#151)\n   - **新增 JINS 案例**: 增加了株式会社 JINS 的应用案例\n- **新增跟踪器功能**: 添加了用于进度管理的跟踪器功能 (#146)\n- **强化面向组织者的文档**: 增加了后续跟进模式和引导要点 (#152)\n\n### 🔧 技术性改进\n- **支持 Tailwind v4**: 包括对 CloudFormation 的修正，以适配 Tailwind v4 (#149)\n- **依赖包更新**: 更新了各依赖包\n- **其他小修复**: 修复了各类 Bug 并进行了优化\n\n通过本次发布，ML Enablement Workshop 的易用性和安全性得到了提升，有望在更多组织中得到广泛应用。","2025-10-10T20:48:28",{"id":160,"version":161,"summary_zh":162,"released_at":163},280601,"v3.0.1","极简提示与演示更新","2025-09-08T14:00:20",{"id":165,"version":166,"summary_zh":167,"released_at":168},280602,"v3.0.0","## 🚀 主要发布：ML赋能工作坊 3.0\n\n### 🎯 核心新功能\n- **新增模拟应用自动生成框架** - 基于生成式AI的快速原型开发\n- **集成Amazon Q Developer CLI** - 充分利用AI编码助手\n- **优化Nova Canvas使用** - 实现更高效的流程\n- **新增自定义Agent** - 提供专属开发支持功能\n\n### 🛠️ 技术增强\n- **全新模拟模板** - React + TypeScript + Tailwind CSS\n- **支持CloudFormation** - 自动部署AWS资源\n- **新增指标监控功能** - 支持点击与页面浏览追踪\n- **漏洞修复** - 通过npm audit修复了8处安全问题\n\n### 📚 工作坊资料更新\n- **适配v3版本的演示材料** - 实战篇与改进篇全面更新\n- **Day0指南更新** - 新增Amazon Q Developer配置步骤\n- **生成式AI环境搭建指南** - 新增内容\n- **部署指南** - 提供详细的实施步骤\n\n### 🎨 UI\u002FUX优化\n- 新增模拟应用示例截图\n- 更新工作坊流程图\n- 提供更加直观的视觉素材\n\n### 📖 文档扩充\n- 新增模拟构建框架的README文件\n- 新增跟踪器集成指南\n- 补充实现示例与最佳实践\n\n本次主要发布提供了基于生成式AI的快速原型开发综合框架，大幅提升了工作坊的实战性。","2025-09-02T14:11:49",{"id":170,"version":171,"summary_zh":172,"released_at":173},280603,"v2.1.0","## 🔄 小版本更新：ML 能力提升工作坊 2.1.0\n\n### 📚 内容更新\n- **新增 re:Invent 2024 演讲信息** - MUFG 首次作为金融机构亮相\n- **新增书籍出版信息** - 关于《通过案例理解 MLOps》的撰稿内容\n- **新增评估工作表** - 用于衡量工作坊效果\n- **新增模板** - 丰富实施支持资料\n\n### 🏢 客户案例更新\n- 更新客户参考信息\n- 新增案例\n- 丰富现有案例的详细信息\n\n### 🔧 改进与修正\n- 修复链接及拼写错误\n- 更新演示文稿\n- 新增第4期社区工作坊信息\n- 优化各类说明文字\n\n### 📖 文档改进\n- 更新 README.md 文件信息\n- 修正外部链接\n- 明确说明文字\n\n本次发布在 v2.0.0 基础之上，新增了客户的成功案例和实用资源，进一步提升了工作坊的价值。","2025-09-02T14:11:26",{"id":175,"version":176,"summary_zh":177,"released_at":178},280604,"v2.0.0","## 🚀 主要发布：ML赋能工作坊 2.0\n\n### 🎯 主要变更\n- **工作坊全面升级** - 引入全新的两部分构成课程\n- **全新工作坊流程**：Day0（准备）→ 实践篇 → 改进篇\n- **强化亚马逊“自后向前”方法论** - 更加注重实际落地应用\n- **更新支持v2.0形式的演示材料**\n\n### 📚 内容更新\n- Day0、Day1、Day2 的全新主持人指南\n- 更新包含全面工作坊概览的 README 文件\n- 新增客户案例与成功实践\n- 添加新的工作坊图片及视觉素材\n\n### 🏢 新增客户案例\n- 株式会社ジーニー案例\n- 株式会社ココペリ案例\n- 丰富客户反馈内容\n\n### 📖 文档优化\n- 重新编排文档结构，使其更加清晰易懂\n- 增加详细的工作坊流程说明\n- 更新常见问题解答部分\n- 强化入门指南\n\n### 🔧 技术性变更\n- 为提升可维护性而重新组织文件结构\n- 更新演示模板\n- 新增工作坊相关资产与图片\n\n本次主要发布标志着 ML 赋能工作坊在客户反馈和亚马逊产品开发最佳实践基础上的重大演进。","2025-09-02T14:10:49",{"id":180,"version":181,"summary_zh":182,"released_at":183},280605,"1.1.0","## 亮点\n\n版本 v1.0.0 与原有配置相同，本次更新基于向两家公司提供研讨会内容后收集到的反馈进行了改进。各模块的具体更新内容，请参阅对应的 Issue：\n\n1. Day0：https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F100\n2. Day1：https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F96\n3. Day2：https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F97\n4. Day3：https:\u002F\u002Fgithub.com\u002Faws-samples\u002Faws-ml-enablement-workshop\u002Fissues\u002F102\n","2023-10-09T11:59:57",{"id":185,"version":186,"summary_zh":187,"released_at":188},280606,"1.0.0","## 亮点\n\n我们公开了为五家公司提供的机器学习赋能工作坊的全部资料。该资料由Day1、Day2和Day3三个部分组成。\n\n* Day1\n   * 针对产品经理，本部分内容将从机器学习入门、项目规划以及如何推动组织向能够有效利用机器学习的方向转型三个方面进行讲解，帮助其深入理解机器学习。\n* Day2\n  * 这是一个面向开发者的动手实践环节，旨在全面学习机器学习开发项目的全流程。参与者将了解在每个开发阶段需要做什么、为什么要这样做以及具体如何操作。\n* Day3\n  * 本部分内容是为产品经理、开发者和数据科学家三类角色设计的，用于共同理解用户的业务与痛点，并通过头脑风暴会议发掘机器学习应用场景的材料。\n\n## 变更\n\n由于是首次发布版本，暂无任何修改。","2023-04-03T08:02:14"]