SlideShare a Scribd company logo
1 of 25
自己紹介
 名前:石田泰浩
 出身
 福岡 → 札幌(大学進学(農業経済、統計、計量経済)) →
東京(就職) → 札幌(フルリモート)
 所属:
 ゴーガ解析コンサルティング
 数理最適化
 経路探索プログラムの開発
 エージェントシミュレーション
 耐久消費財の購買行動シミュレーション
 その他
 自然言語処理、機械学習
 データエンジニアリング(DE)事業
 マーケティングサイエンス学会
 マーケティング戦略パターンの分析
 趣味
 ゲーム
 スプラトゥーン(1年のプレイ時間1300時間 ≒ 54日)
 ゲーミングPC買ったもののそこまで触れず。お薦めありましたら。。
 ハロプロ
 推しが卒業してゆったりと。
1
はじめに
 本日のお話
 「生成AIを用いたアンケートツールの可能性の検討」
 生成AIにアンケートモニターになってもらう
 背景
 生成AIは1対1でビジネスアイデアの壁打ちにかなり使える
 ロールを変えると色んな視点で答えてくれる。
 1対多の壁打ちができないか
 例えば、新商品開発の市場リサーチのためのアンケート
 ロールを変えると”多”になって答えてくれるのでは
 ※既に同様のサービスを開発している会社さんあり。
 まとめ
 ロールともっともらしい相関を持つアンケートの回答結果は作る
 既存のアンケートでは不可能な、「気になる人への再質問」ができる
 学生さんの分析用サンプルデータに向いているのでは。
2
目次
 アンケートとロールの設計
 アンケートの設計
 ロールの設計
 結果の観察
 アンケート開始
 個別の観察
 深堀
3
目次
 アンケートとロールの設計
 アンケートの設計
 ロールの設計
 結果の観察
 個別の観察
 深堀
4
アンケートの設計1.アンケートの目的と商品
 目的
 新商品を開発した。この商品に対してどのような反応があるかを壁打ちしたい。
 商品:栄養追跡アプリ
 1.基本プラン:
 基本的な食品追跡: 食べたものの記録と基本的な栄養情報(カロリー、タンパク質、脂質、炭水化物)の追跡。
 標準的な食品データベース: 一般的な食品とその栄養情報へのアクセス。
 毎日の栄養目標設定: カロリー摂取目標の設定と追跡。
 サポート: オンラインヘルプセンター、FAQ。
 料金: 無料。
 2.中級プラン
 拡張食品データベース: より多くの食品と詳細な栄養情報へのアクセス。
 バーコードスキャン: 食品のバーコードをスキャンして迅速に情報を追加。
 栄養レポート: 週間または月間の栄養摂取状況の詳細な分析とレポート。
 パーソナライズされた食事提案: 健康目標に基づいた食事提案。
 サポート: メールによるサポート、優先的なFAQアクセス。
 料金: 月額 500円。
 3.プレミアムプラン
 専門家によるパーソナライズされた食事プラン: 栄養士による個別の食事プランの作成と調整。
 食品アレルギー・好みのカスタマイズ: 特定の食品アレルギーや食生活の好み(ベジタリアン、ヴィーガン、グル
テンフリー等)に基づいた食事提案。
 ヘルスコーチとの1対1セッション: 健康目標達成のための定期的なオンラインセッション。
 統合健康追跡: 他の健康アプリやデバイス(フィットネストラッカー、スマートスケールなど)からのデータ統合。
 サポート: 専用のカスタマーサポート、栄養士やヘルスコーチとの直接やり取り。
 料金: 月額 1000円
5
アンケートの設計.質問項目
 Q1.次のようなアプリがあった場合、使いたいと思いますか?あなたのプロフィールを鑑みて、どのプランな
ら使いたいと思うかどうかを考えてみて、使いたいプラン名を教えてください。もし自分にとって使いたいプラ
ンがなければ、「どれも選ばない」と回答してください。
 Q2.「どれも選ばない」と回答した方へ:どのプランも選ばなかった理由を教えてください。
 Q3.それ以外の方へ:1.「あなたが最も価値を見出す機能は何ですか?」2.「あなたにとって不必要な機能
はありますか?」3.「どのような目標を達成するためにこのアプリを使用しますか?」?
 Q4.これまでの回答を次の項目順に出力してください。出力は半角カンマ区切りで以下の7点のみを出力し
てください。補足等は不要です。
 1.どのプランを使うか(基本プランなら1、中級プランなら2、プレミアムプランなら3、どのプランも使わ
ない場合は0)、
 2.あなたが最も価値を見出す機能、
 3.価値を見出す理由
 4.あなたにとって不必要な機能
 5.不必要だと思う理由
 6.達成したい目標
 7.(どのプランも使わないと回答した人のみ)プランを選ばなかった理由
 ※どのプランも使わないと回答した人は1~6の回答が不要です。
 出力例1:2,バーコードスキャン,買い食いが多いため,オンラインヘルプセンター,使わないため,ダイエ
ット,
 出力例2:0,,,,,,健康に関心がない
6
ロールの設計.基本情報、背景、行動傾向
 基本情報
 # 年齢
 ages <- c(20,30,40,50,60,70)
 # 性別
 genders <- c("男性", "女性", "その他")
 # 職業
 occupations <- c("教師", "エンジニア", "医者", "学生", "自営業", "退職者", "フリーランサー")
 # 教育レベル
 education_levels <- c("高校卒", "専門学校卒", "大学卒", "大学院卒")
 #背景
 # 家族構成
 family_structures <- c("独身", "配偶者あり", "配偶者及び子供あり", "シングルペアレント")
 # 住んでいる場所
 living_areas <- c("都市部", "郊外", "地方")
 # 収入レベル
 income_levels <- c(100, 200, 300, 400, 500, 600, 700, 800, 900, 1000)
 #行動傾向
 # 外食の頻度のリスト
 eating_out_frequencies <- c("ほとんどなし", "月に1-2回", "週に1-2回", "週に3回以上")
 # 飲酒の頻度のリスト
 drinking_frequencies <- c("飲まない", "月に1-2回", "週に1-2回", "週に3回以上")
 # たばこを吸うか否かのリスト
 smoking_statuses <- c("吸わない", "吸う")
7
ロールの設計.行動傾向、性格と好み
 行動傾向
 # 週に運動する日数のリスト
 exercise_days_per_week <- c("0日", "1-2日", "3-4日", "5日以上")
 # メディア消費のリスト
 media_consumption <- c("SNSの使用", "テレビ視聴", "新聞読書", "オンライン記事閲覧", "
ポッドキャスト聴取", "YouTube視聴")
 # デバイス使用のリスト
 device_usage <- c("スマートフォン", "タブレット", "PC", "スマートウォッチ")
 性格と好み
 # 日常のルーティンのリスト
 daily_routines <- c("朝のジョギング", "通勤中にポッドキャストを聴く", "昼食後の短い散歩", "
仕事後のジム通い", "夜に読書する", "家族との夕食", "就寝前の瞑想")
 # 趣味のリスト
 hobbies <- c("アウトドア活動", "アートとクラフト", "音楽", "読書", "映画と演劇", "スポーツ", "
料理とベーキング", "旅行", "テクノロジー", "自己啓発")
 # 健康意識のレベルのリスト
 health_consciousness_levels <- c("高い", "中程度", "低い", "無関心")
 # 食生活のスタイルのリスト
 dietary_styles <- c("バランス型", "ヴィーガン", "ベジタリアン", "ローカーボ", "ファストフード愛
好", "グルテンフリー")
 etc
8
ロールの設計.属性をランダムに選択
 ランダムに属性を選択
 属性間の相関はなし
9
ロールの設計.
 属性をつなげてロールをつくる
10
年齢 20
性別 その他
職業 教師
教育レベル 専門学校卒
家族構成 独身
住んでいる場所 地方
年収(万円) 200
メディア消費 新聞読書
デバイス使用 PC
日常のルーティン 朝のジョギング
興味・趣味 映画と演劇
価値観 社会正義
購買行動 体験重視
健康意識のレベル 中程度
食生活のスタイル グルテンフリー
外食の頻度 月に1-2回
飲酒の頻度 週に1-2回
たばこを吸うか否か 吸わない
週に運動する日数 3-4日
150人の壁打ち相手
11
目次
 アンケートとロールの設計
 アンケートの設計
 ロールの設計
 結果の観察
 アンケート開始
 個別の観察
 傾向の観察
 深堀
12
アンケート開始
13
systemに
get_persona(i)で生
成した人を埋め込む
Q1
get_persona(i)はiをseedにして
ロールをランダムに生成する関数
Q1の回答
アンケート開始
14
Q1の回答
Q1
Q2
個別の観察
15
年齢 20
性別 その他
職業 教師
教育レベル 専門学校卒
家族構成 独身
住んでいる場所 地方
年収(万円) 200
メディア消費 新聞読書
デバイス使用 PC
日常のルーティン 朝のジョギング
興味・趣味 映画と演劇
価値観 社会正義
購買行動 体験重視
健康意識のレベル 中程度
食生活のスタイル グルテンフリー
外食の頻度 月に1-2回
飲酒の頻度 週に1-2回
たばこを吸うか否か 吸わない
週に運動する日数 3-4日
選択したプラン プレミアムプラン
価値を見出す機能 カスタマイズ機能
その理由
グルテンフリーの食生
活を送っているため
不必要な機能 ヘルスコーチとの1対1セッション
その理由
健康意識は中程度で、
定期的なセッションは不要
Q
A
傾向の観察.地域別の選択
16
地域別にはプラン選択
の差は大きくない。
(と生成AIは思っている)
傾向の観察.食生活のスタイル別の選択
17
①ヴィーガン
グルテンフリーは
プレミアムプラン率高い
(と生成AIは思っている)
傾向の観察.食生活のスタイル別の選択
18
①ヴィーガン
グルテンフリーは
プレミアムプラン率高い
(と生成AIは思っている)
②ファストフード愛好家
/バランス型は
プレミアムプラン率が低い
(と生成AIは思っている)
傾向の観察.健康意識のレベル別の選択
19
健康意識のレベルが
高いと全員が利用する
(と生成AIは思っている)
健康意識・食生活スタイルが栄養追跡
アプリのプラン選択結果に影響を与え
る要因
まとめ1
「ロールともっともらしい相関を持つ
アンケートの回答結果は作る」
健康意識のレベル別の選択
20
1人だけ無料プランの人が
いる?どんな人?
健康意識のレベルが
高いと全員が利用する
(と生成AIは思っている)
深堀
 健康意識が高いのに無料プランを選んだ唯一の人
 この人に中級プランにしなかった理由を聞いてみたい
 普通のアンケートではできない
21
年齢 70
性別 女性
職業 フリーランサー
教育レベル 大学院卒
家族構成 シングルペアレント
住んでいる場所 地方
年収(万円) 900
メディア消費 SNSの使用
デバイス使用 PC
日常のルーティン 仕事後のジム通い
興味・趣味 音楽
価値観 ライフワークバランス
購買行動 リサーチ重視
健康意識のレベル 高い
食生活のスタイル ファストフード愛好
外食の頻度 月に1-2回
飲酒の頻度 週に1-2回
たばこを吸うか否か 吸う
週に運動する日数 0日
同じ人に再質問する
22
systemに
同じ人(70歳、女性、、)を設定
この人との過去のチャットの履歴
user.どのプランを選ぶ?
assitant.私は無料プランを選ぶ
新しい質問を追加する
再質問1
 Q.中級プランを選ばなかった理由は何でしょうか?
 A. '中級プランを選ばなかった理由は、基本プランで提供され
る機能が自分のニーズに十分応えると感じたからです。基本プ
ランの「基本的な食品追跡」と「毎日の栄養目標設定」機能は、
健康意識が高く、バランスの良い食事を心がけたいという私の
目標に対して必要十分なサポートを提供します。また、中級プ
ランの追加機能である「拡張食品データベース」や「バーコード
スキャン」、「栄養レポート」、「パーソナライズされた食事提案」
は魅力的ですが、これらの機能に対する追加料金を支払うほ
どの必要性を感じませんでした。
さらに、フリーランサーとしての仕事の忙しさやライフスタイルを
考慮すると、基本プランのシンプルさが最適だと判断しました。
'
23
再質問2.
24
 Q.中級プランにどのような機能があるとランクアップしたいと思いますか?
 A.中級プランにランクアップを検討するためには、以下のような機能が含まれている
と良いと思います:
 1. 健康的な食生活へのシフトをサポートする機能:ファストフード愛好者として、より
健康的な食生活へとシフトするための具体的な提案やガイドラインがあると有益で
す。例えば、ファストフードの健康的な代替品を提案する機能や、食生活改善のた
めの短期目標を設定し、達成をサポートするツールなどです。
 2. 運動との連携機能:現在は週に運動する日数が0日となっていますが、健康意識
が高いため、運動を取り入れたライフスタイルへの変更をサポートする機能があると
魅力的です。例えば、簡単な自宅でできるエクササイズの提案や、運動後の適切な
栄養摂取に関するアドバイスなどです。
 3. 健康状態に合わせたカスタマイズ機能:年齢や現在の健康状態、ライフスタイル
に合わせた食事提案や栄養目標のカスタマイズが可能な機能。年齢を考慮した栄
養摂取のアドバイスや、特定の健康目標(例えば、心血管系の健康維持や骨密度
向上など)にフォーカスした食事プランの提案などです。nnこれらの機能が中級プ
ランに含まれることで、健康意識が高く、ライフワークバランスを重視する私のニー
ズにより適切に応えることができ、ランクアップを検討する理由となります。'
まとめ
 もっともらしい相関はつくる
 学生さん用の分析トレーニングデータ
 何を置き換えるか
 意思決定にはあれですが、
アイデア出しのための調査、材料としてはすごく使える
 ロール設計をどれだけ詳細に作りこむか
 作りこみは調査会社さんが強い
 もっととがった人を積極的に作ったほうが面白い
25

More Related Content

What's hot

機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)Kota Matsui
 
MCMCと正規分布の推測
MCMCと正規分布の推測MCMCと正規分布の推測
MCMCと正規分布の推測Gen Fujita
 
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)Takao Yamanaka
 
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)Yoshitake Takebayashi
 
生存時間分析数理の基礎
生存時間分析数理の基礎生存時間分析数理の基礎
生存時間分析数理の基礎Koichiro Gibo
 
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話Classi.corp
 
ベイズ統計入門
ベイズ統計入門ベイズ統計入門
ベイズ統計入門Miyoshi Yuya
 
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾Yoshitake Takebayashi
 
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)Takao Yamanaka
 
負の二項分布について
負の二項分布について負の二項分布について
負の二項分布についてHiroshi Shimizu
 
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装takehikoihayashi
 
【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門Zansa
 
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介Naoki Hayashi
 
[DL輪読会]Deep Learning 第3章 確率と情報理論
[DL輪読会]Deep Learning 第3章 確率と情報理論[DL輪読会]Deep Learning 第3章 確率と情報理論
[DL輪読会]Deep Learning 第3章 確率と情報理論Deep Learning JP
 
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違いマハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違いwada, kazumi
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)Takashi J OZAKI
 
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしないPyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしないToshihiro Kamishima
 
3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布Junya Saito
 
データ解析7 主成分分析の基礎
データ解析7 主成分分析の基礎データ解析7 主成分分析の基礎
データ解析7 主成分分析の基礎Hirotaka Hachiya
 
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)Hiroshi Shimizu
 

What's hot (20)

機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
 
MCMCと正規分布の推測
MCMCと正規分布の推測MCMCと正規分布の推測
MCMCと正規分布の推測
 
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
 
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
 
生存時間分析数理の基礎
生存時間分析数理の基礎生存時間分析数理の基礎
生存時間分析数理の基礎
 
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
 
ベイズ統計入門
ベイズ統計入門ベイズ統計入門
ベイズ統計入門
 
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾
 
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
 
負の二項分布について
負の二項分布について負の二項分布について
負の二項分布について
 
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
 
【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門
 
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
 
[DL輪読会]Deep Learning 第3章 確率と情報理論
[DL輪読会]Deep Learning 第3章 確率と情報理論[DL輪読会]Deep Learning 第3章 確率と情報理論
[DL輪読会]Deep Learning 第3章 確率と情報理論
 
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違いマハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)
 
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしないPyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
 
3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布
 
データ解析7 主成分分析の基礎
データ解析7 主成分分析の基礎データ解析7 主成分分析の基礎
データ解析7 主成分分析の基礎
 
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
 

Similar to SappoRoR#11 LT: Exploring the Potential of Survey Tools Using Generative AI

Sapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptx
Sapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptxSapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptx
Sapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptxyasuhiro ishida
 
ロジカルコミュニケーション力養成・実践講座
ロジカルコミュニケーション力養成・実践講座ロジカルコミュニケーション力養成・実践講座
ロジカルコミュニケーション力養成・実践講座Yusuke Kuroda
 
110816【2011インターンシップ】事前説明会用資料
110816【2011インターンシップ】事前説明会用資料110816【2011インターンシップ】事前説明会用資料
110816【2011インターンシップ】事前説明会用資料謙次 野村
 
Thinking datascientist itself
Thinking datascientist itselfThinking datascientist itself
Thinking datascientist itselfHiroyukiOtsubo
 
アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)
アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)
アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)Hiroshi Sumi
 
ペルソナシナリオとプロトタイプ
ペルソナシナリオとプロトタイプペルソナシナリオとプロトタイプ
ペルソナシナリオとプロトタイプShuhei Iitsuka
 
人間と機械
人間と機械人間と機械
人間と機械saireya _
 
Tokyo r80 beginnerssession1
Tokyo r80 beginnerssession1Tokyo r80 beginnerssession1
Tokyo r80 beginnerssession1kotora_0507
 
TokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdfTokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdfkotora_0507
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1Shunsuke Nakamura
 
ビッグデータとITイノベーション
ビッグデータとITイノベーションビッグデータとITイノベーション
ビッグデータとITイノベーションYusuke Yamamoto
 

Similar to SappoRoR#11 LT: Exploring the Potential of Survey Tools Using Generative AI (17)

35thwebmining_lt
35thwebmining_lt35thwebmining_lt
35thwebmining_lt
 
Sapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptx
Sapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptxSapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptx
Sapporo Data Pioneers #1 LT:240118_sapporodatapioneers.pptx
 
ロジカルコミュニケーション力養成・実践講座
ロジカルコミュニケーション力養成・実践講座ロジカルコミュニケーション力養成・実践講座
ロジカルコミュニケーション力養成・実践講座
 
110816【2011インターンシップ】事前説明会用資料
110816【2011インターンシップ】事前説明会用資料110816【2011インターンシップ】事前説明会用資料
110816【2011インターンシップ】事前説明会用資料
 
Thinking datascientist itself
Thinking datascientist itselfThinking datascientist itself
Thinking datascientist itself
 
DevLove20141206
DevLove20141206DevLove20141206
DevLove20141206
 
アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)
アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)
アンケート調査について ~自由入力テキストとの格闘~(GGLT vol.5)
 
ペルソナシナリオとプロトタイプ
ペルソナシナリオとプロトタイプペルソナシナリオとプロトタイプ
ペルソナシナリオとプロトタイプ
 
人間と機械
人間と機械人間と機械
人間と機械
 
Tokyo r80 beginnerssession1
Tokyo r80 beginnerssession1Tokyo r80 beginnerssession1
Tokyo r80 beginnerssession1
 
Report 131106
Report 131106Report 131106
Report 131106
 
Report 131106
Report 131106Report 131106
Report 131106
 
Report 131106
Report 131106Report 131106
Report 131106
 
TokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdfTokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdf
 
20111108 peatix live2
20111108 peatix live220111108 peatix live2
20111108 peatix live2
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
 
ビッグデータとITイノベーション
ビッグデータとITイノベーションビッグデータとITイノベーション
ビッグデータとITイノベーション
 

SappoRoR#11 LT: Exploring the Potential of Survey Tools Using Generative AI