[AI新規事業創出]Qualitegセレクション:アイディア創造編①Qualiteg式オンラインブレストの活用術

[AI新規事業創出]Qualitegセレクション:アイディア創造編①Qualiteg式オンラインブレストの活用術

Qualiteg blogを訪問してくださった皆様、こんにちは。Micheleです。AIを活用した新規事業やマーケティングを手がけている私には、クライアントからよく寄せられる質問があります。AIを用いた事業展開を検討されている方々が共通して直面するであろう課題に対して、このブログを通じて私なりの解答をご提供したいと思います。


今日は私のお気に入りのブレスト方法である「Qualiteg式オンラインブレスト」の活用術についてお話ししたいと思います。

場所を変えて気分を変えても良いアイディアは生まれない!?

よく、「金曜日は1日ブレストしよう!」という上司の掛け声とともに、いつもと違う雰囲気なら良いアイディアも出るかもしれないといってホテルの会議室などを予約されて1日缶詰でブレストしたが、期待する結果が出なかったとおっしゃるクライアントが非常に多いです。

ブレインストーミングは複数の参加者が自由にアイデアを出し合うことで、新しい発想や解決策を見つける手法です。

批判や評価を一時的に排除し、量を重視して多くのアイデアを集めることが目的です。1950年代に広告業界で生まれたこの手法は、創造性を促進し、チームの協力を強化するために広く利用されています。

現在では、オンラインツールを活用してリモート環境でも効果的に実施されています。

私は、ずばり、F2Fでのオンラインブレストをお勧めします。

みなさんでパソコンを持ち寄り会議室に来ていただいて、SlackやTeamsなどのチャットツールに黙々と書いていただく、これがQualiteg式のオンラインブレストです。

まず、会議室に集まっていただき、ブレストを開始する前に、明確な目的を設定することが重要です。チーム全員が共有できる具体的な目標を定め、その目標に向かって議論を進めることで、効率的かつ効果的なブレストが実現します。

例えば今日は「「スマートシティ関連の新規事業を自社でやるには」というテーマで「地域貢献、地方再生、データ活用」の3つの分類からそれぞれ20案以上出しましょう」という形でブレストの方向性や出すべきアイディアのテーマなどを共有します。

イノベーションの道筋は、企業ごとに異なります。株式会社Qualitegの Innovation-Crossは、御社の独自性を尊重した柔軟な共創支援プログラム。企業の現状と課題を丁寧に分析し、ニーズに合わせたカスタマイズされた戦略を策定します。アイデアワークショップ、ハッカソン企画、新規事業ワークショップ、AI技術活用など、多様なサービスメニューから御社に最適な組み合わせを提案し、外部との協業による革新創出を包括的にサポート。

「自社だけでは難しい」イノベーションを、御社のペースとスタイルに合わせて実現します。業界特性や企業文化を深く理解した経験豊富な専門コンサルタントが、御社の革新創出の旅に柔軟に寄り添います。

忖度不要のアイディア発言ができます

発言型のブレストだと、話したい人が永遠に話す、上司の意見に忖度して、部下が発言を言えない、こんなことを言ったらおかしいと思われてしまうかも、というように空気を読みすぎてしまって、アイディアを出しづらいということが多いと思います。

ブレストの成功には、参加者全員の積極的なエンゲージメントが不可欠です。発言型ブレストの場合、リーダークラス、もしくはその領域に詳しい人がファシリテーションをすることが多いので、その方は順番に発言する人を当てたり、メモを書いたり、自分は意見を言えなかったりなど、かなり負荷がかかりますよね。

ファシリテーターは全員が意見を出しやすい雰囲気を作り、誰もが発言できる機会を均等に与えるよう努めていると思います。また、アイデアを否定せず、全ての意見を尊重する姿勢が大切ですから、そのように運用してくださっていると思います。

man in black long sleeve shirt standing beside woman in red and white plaid dress shirt

しかしながら、Qualiteg式のオンラインブレストはファシリテーターの気遣いも不要ながら、参加者全員の積極的なアイディア創出が可能なのです。

ファリシテート不要で全員参加型のエンゲージメントあるブレストに

「地域貢献型スマートシティのアイディアを一人あたり5個以上、10分間記入してください。」このようにお伝えすると皆さん、画面に向かってしっかり書いてくださいます。

他の方が書いたものと重複してもOKですし、無言で皆さん書き込まれるので、上司が話している間待って自分が発言する必要もありません。

何よりも意見一つ一つに気を遣ってコメントしたり、ポストイットに書き写したりする時間が無いのに、後で一覧性があり、分類したりするにも楽になるので、このやり方はとってもおすすめです。

特に20代の社員の方や、エンジニアの方が多い組織では非常に好評で、「周りに気を遣わないで自分の言いたいことが言えた」という満足度も高いです。

また、他の方のアイディアに乗って更なるアイディアもどんどん書き込めるのもこのQualiteg式のオンラインブレストの特長です。ぜひ皆様試してみてくださいね。ご感想をお待ちしております。


コラムを最後までお読みいただき、誠にありがとうございます。私たちQualitegは、AI技術や新規事業の企画方法に関する研修およびコンサルティングを提供しております。もしご興味をお持ちいただけた場合、また具体的なご要望がございましたら、どうぞお気軽にこちらのお問い合わせフォームまでご連絡くださいませ。

また、新規事業創出のステップを体得したいという方にご好評のワークショップも実施しております。それぞれの担当者の方が役員目線で事業を考えるという点にフォーカスしたトレーニング内容となっており、企画担当者の方だけではなく、カウンターパートのエンジニア、デザイナー、マーケターの方にもご受講いただけるコンテンツとなっております。

皆様からのお問い合わせを心よりお待ちしております。次回のコラムも、ぜひご期待くださいね。


navigation

Read more

LLM推論基盤プロビジョニング講座 第3回 使用モデルの推論時消費メモリ見積もり

LLM推論基盤プロビジョニング講座 第3回 使用モデルの推論時消費メモリ見積もり

こんにちは!前回はLLMサービスへのリクエスト数見積もりについて解説しました。今回は7ステッププロセスの3番目、「使用モデルの推論時消費メモリ見積もり」について詳しく掘り下げていきます。 GPUメモリがリクエスト処理能力を決定する LLMサービス構築において、GPUが同時に処理できるリクエスト数はGPUメモリの消費量によって制約されます。 つまり、利用可能なGPUメモリがどれだけあるかによって、同時に何件のリクエストを処理できるかがほぼ決まります。 では、その具体例として、Llama3 8B(80億パラメータ)モデルをNVIDIA RTX A5000(24GB)にロードするケースを考えてみましょう。 このGPUには24GBのGPUメモリがありますが、すべてをリクエスト処理に使えるわけではありません。最初にモデル自体が一定量のメモリを消費し、残りの領域で実際のリクエスト処理を行います。 GPUメモリ消費の二大要素 GPUの消費メモリ量は主に以下の2つの要素によって決まります 1. モデルのフットプリント LLMをGPUに読み込んだときに最初に消費されるメモリ

By Qualiteg コンサルティング
システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

こんにちは! 先日、dlibをつかったPythonアプリケーション(conda環境で動作する)作っていたところ、以下のようなエラーに遭遇しました。 ImportError: /home/mlu/anaconda3/envs/example_env/bin/../lib/libstdc++.so.6: version `GLIBCXX_3.4.32' not found (required by /home/mlu/anaconda3/envs/example_env/lib/python3.10/site-packages/_dlib_pybind11.cpython-310-x86_64-linux-gnu.so) 「dlib_pybind11モジュールがGLIBCXX_3.4.32を要求してるけど、みつからない!」という感じのエラーですね。

By Qualiteg プロダクト開発部
LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

こんにちは! 今回はLLM推論基盤プロビジョニング講座 第2回です! STEP2 LLMサービスへのリクエスト数見積もり それでは、早速、LLM推論基盤プロビジョニングの第2ステップである「リクエスト数見積もり」の重要性と方法を解説いたします。 LLMサービスを構築する際に必要となるGPUノード数を適切に見積もるためには、まずサービスに対して想定されるリクエスト数を正確に予測する必要があります。 リクエスト数見積もりの基本的な考え方 LLMサービスへの想定リクエスト数から必要なGPUノード数を算出するプロセスは、サービス設計において非常に重要です。過小評価すればサービス品質が低下し、過大評価すれば無駄なコストが発生します。このバランスを適切に取るための基礎となるのがリクエスト数の見積もりです。 想定リクエスト数の諸元 リクエスト数を見積もるための5つの重要な要素(諸元)をみてみましょう。 1. DAU(Daily Active Users): 1日あたりの実際にサービスを利用するユーザー数です。これはサービスの規模を示す最も基本的な指標となります。 2. 1日

By Qualiteg コンサルティング
Zoom会議で肩が踊る?自動フレーミング映像安定化とAIによる性能向上の可能性

Zoom会議で肩が踊る?自動フレーミング映像安定化とAIによる性能向上の可能性

こんにちは! 本日は、自動フレーミング映像の安定化に関するアルゴリズム・ノウハウを解説いたします 第1章 問題の背景と目的 バストアップ映像を撮影する際、特にオンラインミーティングやYouTubeなどのトーク映像では、人物がうなずく、首を振るなどの自然な動作をした際に「首まわりや肩がフレーム内で上下に移動してしまう」という現象がしばしば起こります。これは、多くの場合カメラや撮影ソフトウェアが人物の「目や顔を画面中央に保とう」とする自動フレーミング機能の働きに起因します。 撮影対象の人物が頭を下げた際に、映像のフレーム全体が相対的に上方向へシフトし、その結果、本来動いていないはずの肩の部分が映像内で持ち上がっているように見えてしまう現象です。 本稿では、この問題を撮影後の後処理(ポストプロセッシング)のみを用いて、高速、高い精度かつロバストに解決する手法をご紹介します。 前半では、従来のCV(コンピュータービジョン)の手法を使い高速に処理する方法をご紹介します。後半では、AIを使用してより安定性の高い性能を実現する方法について考察します。 第2章 古典手法による肩の上下

By Qualiteg 研究部