かめ (@penguin_program) profile picture

web業界で働くエンジニア.勉強したこととかをアウトプットします。RTは後で読む意図です。python,go

Joined December 2019
Photo by かめ (@penguin_program)Photo by かめ (@penguin_program)
成果にフォーカスできていない。ある意味、暇なのだろろうと昔の自分を振り返って思う。 昔の上司に「会社のことを考えすぎ」と指摘されて、目が冷めたのは今となっては良い思い出。 kotakurihara.substack.com/p/…
伊藤忠岡藤会長 「僕の経験から言うと、仕事ができない人間ほど、社内のルールに対して細かい文句を言ってくる。」 「会議の最中に予算が達成できない理屈ばかりをえんえんしゃべる。そんなことを聞いているだけでムダだ。誰でも戦う条件は同じなんだから。」 では、ルールがおかしいと思ったらどうするか。「まずは他人が文句を言えないくらいの結果を残すこと。結果を残して出世して、ルールを見直す立場になることだ。」 岡藤さん自身、若い頃は社内の慣習やルールがおかしいと思っていたそう。社長になってすぐ、フレックスタイムを朝型出勤に変えた。 2010年に社長になって真っ先にやったのは、役員会の回数、会議時間、会議資料を減らすこと。それぞれ約3割、約4割、約5割減ったという。 jbpress.ismedia.jp/articles/…
3
22
2,563
元の英語ポストでは「AIにユーザーを演じさせれば、1,000人分のインタビューが一晩でできて、価格のテストも一瞬でできる。従来の市場調査はもう割に合わない」と言われていますが、論文の主旨は「人間の回答結果にかなり近い答えを出すための、AIへの質問の仕方の提案」です。事実でないことがツイートに混ざっていたりしていて、リサーチが不要になるという話ではないので注意が必要です。ただ、リサーチャーは知っておくべき内容だと思います。 ■ この研究が対象にした調査 対象は、Colgate-Palmoliveが実際にアメリカで行った、歯磨き粉などのパーソナルケア商品の新商品アイデアについての消費者調査57件。 1件の調査ごとに150〜400人の消費者に商品のアイデアを見せて、「この商品を買いたいと思いますか?」と聞き、「1:絶対に買わない」から「5:絶対に買う」までの5段階で答えてもらうというもの。 研究では、同じ商品アイデアをAIにも見せ、同じ質問に答えさせて、人間の調査結果とどれだけ近いかを比べた。 ■ 何が問題だったのか AIにそのまま5段階で答えさせると、ほとんどの場合「3:どちらとも言えない」を選んでしまう。実際の消費者は「4:たぶん買う」や「5:絶対に買う」を選ぶことが多いため、数字で直接聞くと現実とずれた結果になる。 ■ 論文の工夫 そこで、AIに「30代女性、年収◯◯万円」のような人物設定を与えて商品アイデアを見せ、数字ではなく、買いたいかどうかを自分の言葉で書いてもらうという工夫をしました。 その文章を、あらかじめ用意した「絶対に買わない」〜「絶対に買う」の5段階の基準文と比較し、意味の近さから点数を推定する。これがSemantic Similarity Rating(SSR)という手法です。 ■ 結果 57件の調査(回答者は合計約9,300人)と比べたところ、「どの商品アイデアが人気で、どれが不人気か」という順位をかなり正確に再現できた。 どれくらい正確かというと、同じ調査の回答者を2グループに分けて、それぞれに回答してもらった場合の一致度を100としたとき、約90。人間の回答も調査対象によって多少ばらつくため、その再現可能な上限にかなり近い数字ということ。 ■ ただし…注意点もある 論文自身が、 ・対象はアメリカのパーソナルケア商品だけであること ・点数に置き換えるための基準文は、この57件に合わせて人の手で調整したこと ・性別や住んでいる地域による好みの違いは十分に再現できなかったこと を認めている。 一方、年齢や所得による購買意向の傾向は比較的よく再現できたと報告しているので、すべての属性を再現できないというわけではない。 また、英語ポストで主張されている「人間より批判的な意見を出した」は、論文には書かれていない。 書かれているのは「AIのコメントは人間より情報量が多く、良い点と気になる点を両方挙げていた」ということ。 さらに、商品の価格帯による反応の違いは調べているが、価格を変えて購買意向を比較するような価格テストは、この論文では行っていないので、注意が必要。 ■ なぜ体験していないAIが「リアルな感想」を書けるのか 論文は「その商品ジャンルについての文章がAIの学習データにどれだけ含まれているかで、結果が変わる」と述べている。 AIはネット上のレビューや口コミなど、人が商品について書いた大量の文章を学んでいるので、「この立場の人ならこう言いそう」という典型的な反応を組み立てられる、と読めます。 裏を返すと、前例のない新しい商品ほど当てにならない可能性があるのかなと思います。 ■ 私の見解 AIユーザーリサーチやSynthetic Userの研究はいくつも追っていますが、全体の大まかな傾向は掴めても、一人ひとりの反応や細かい属性の違いになると精度が大きく落ちる、という結果が多いです。 だから最終的な意思決定には実際の人間のデータを取りに行くべき、というのが多くの研究の共通した結論だと受け止めています。 AIで完全にリサーチを置き換えるのではなく、仮説を立てたり、調査前にコンセプトを絞り込んだりするために使うのが、一番現実的な使い方かなと思っています。 元の論文はこちら: arxiv.org/abs/2510.08338
ええー、ほんまかいなと思いますが、これが本当ならもう、マーケティングリサーチは全部、ひっくり返りますね。でも、なんで現実の世界を知らないAIがそんなクリエイティブでリアルな批判的思考が定性的にできるのか、わからん...。
3
6
4
39
3,004
NoSQLが流行った頃、「お前たちはFacebookやGoogleじゃないんだから素直にRDB使っとけ。どうせスケールする前にビジネスはコケる」というブログをどこかで読んだ。今でも正しいと思う。
见过最离谱的技术选型:一个日活不到两千的内部系统,架构师非要上微服务,K8s、服务网格全套安排。问他为啥,答"为未来扩展做准备"。三年后我来接手,32个服务互相调,本地跑不起来,改一行代码上线要等四十分钟流水线。 这就是典型的拍脑袋架构。业务没想明白先想扩展性,人没几个先学大厂造轮子。最后谁填坑?反正不是画饼那位,人家早跳槽了。 真话:90%的公司根本没到需要微服务的量级,单体+好点的分层能扛到死。屎山不是技术选型造成的,是人造成的。选型只是把你未来三年的加班量提前定好了。 你们公司有没有那种"为未来准备"最后变成祖传代码的项目?评论区让我开开眼💀 #技术选型 #踩坑实录
18
253
26
2,195
115,869
A toothpaste company has quietly killed the entire market research industry and nobody is talking about it. Colgate published a paper showing you can predict real purchase intent by simply asking LLMs to roleplay customers. And this is beyond insane. If you ask an AI, "Rate this product from 1 to 5," it gives safe, middle-of-the-road garbage. So researchers invented a method called Semantic Similarity Rating (SSR). Instead of asking the AI for a number, they asked it to roleplay. They gave the LLM a demographic profile. They showed it a product concept. And they asked it to write down its raw, unfiltered thoughts. Then, they used a semantic model to translate those written thoughts into a numerical score. The results are staggering. Tested against 57 real personal care product surveys and 9,300 human responses, the synthetic consumers hit 90% of human test-retest reliability. They perfectly mirrored how different age brackets and income levels react to price changes. And they provided detailed, qualitative feedback that was deeper and more critical than what actual humans wrote. This destroys the economics of traditional market research. You don't need to wait a month to see if a product will sell. You can simulate 1,000 hyper-targeted customer interviews overnight. You can A/B test pricing across every demographic instantly.
435
1,683
421
18,512
1,502,816
ええー、ほんまかいなと思いますが、これが本当ならもう、マーケティングリサーチは全部、ひっくり返りますね。でも、なんで現実の世界を知らないAIがそんなクリエイティブでリアルな批判的思考が定性的にできるのか、わからん...。
A toothpaste company has quietly killed the entire market research industry and nobody is talking about it. Colgate published a paper showing you can predict real purchase intent by simply asking LLMs to roleplay customers. And this is beyond insane. If you ask an AI, "Rate this product from 1 to 5," it gives safe, middle-of-the-road garbage. So researchers invented a method called Semantic Similarity Rating (SSR). Instead of asking the AI for a number, they asked it to roleplay. They gave the LLM a demographic profile. They showed it a product concept. And they asked it to write down its raw, unfiltered thoughts. Then, they used a semantic model to translate those written thoughts into a numerical score. The results are staggering. Tested against 57 real personal care product surveys and 9,300 human responses, the synthetic consumers hit 90% of human test-retest reliability. They perfectly mirrored how different age brackets and income levels react to price changes. And they provided detailed, qualitative feedback that was deeper and more critical than what actual humans wrote. This destroys the economics of traditional market research. You don't need to wait a month to see if a product will sell. You can simulate 1,000 hyper-targeted customer interviews overnight. You can A/B test pricing across every demographic instantly.
6
83
10
953
109,266
かめ retweeted
I've made $8k+ from my app in 2 months. 10 lessons I'd tattoo on every new founder: Charging MORE with a free trial beat charging less without one. My $49.99/yr plan with a 7-day trial made 6x more than my $24.99/yr plan with none Nobody wants the weekly plan. It made 3% of my revenue. It's just there to make yearly look cheap 1 in 3 trials turn into paying users. The other 2 decide during the first 24 hours, so put your best stuff on day 1 Yearly plans feel amazing on day 1. Then you realize a third of them already hit cancel. Upfront cash ≠ a business Your revenue chart and your MRR are two different apps. One is your ego. One is your rent Most of my money comes from one country. Global launch means nothing if your app speaks American Refunds come from confused users, not angry ones. Make the price impossible to miss One good day of content beat a month of features Your paywall is the most important screen you'll ever design. Treat it like the product You won't know if your app works until people renew. Until then, you're still in the tutorial
43
10
5
227
14,962
これはかなり面白い。 Claude Fable 5.2を使って、 世界中で公開される最新の金融論文を24時間監視して、使えそうなトレード戦略だけを自動で探すAIシステムを作れる。 やっていることはシンプル。 SSRN arXiv NBER などに新しい金融・トレード研究が公開されたら、 AIが自動で読み込む。 その中から、 「実際に売買ルールとして使えそうな論文」 だけを残す。 さらに、 論文の数式 ↓ 売買ルールに変換 ↓ コード化 ↓ 過去データでバックテスト ↓ 手数料・スリッページ込みで再検証 ↓ 今でも使えるものだけ残す ここまで自動でやらせる。 仕組みはこんな感じ。 まずAIが新しい論文を全部読む。 でも、 論文なら何でも使うわけじゃない。 例えば、 「この指標が高い銘柄を買う」 「この条件が揃ったら売る」 「○日後に決済する」 みたいに、 実際のトレードルールまで落とし込める研究 だけを残す。 次に、 生き残った論文のPDFをFable 5.2に読ませる。 そこで、 ・数式 ・使っている変数 ・エントリー条件 ・決済条件 ・必要な市場データ ・時間軸 ・著者が出した検証結果 を全部抜き出す。 その内容を、 論文ごとに1つのYAMLファイルへ整理する。 つまり、 難しい研究論文を、 AIが読める“戦略の設計図”に変える。 次に、 その数式を実際に動くコードへ変換。 ここでもそのまま信用せず、 大量のテストデータを入れて、 論文の数式とコードの結果が本当に一致しているか まで確認する。 その後、 実際の市場データでバックテスト。 最低でも4年以上。 しかも、 ・手数料 ・スリッページ まで入れる。 さらに重要なのが、 論文が公開された後のデータでも勝てるか確認すること。 論文の検証期間だけ勝っていて、 公開後に使えなくなっている戦略は普通にある。 だから、 論文内の期間 ↓ 論文公開後の期間 の両方をテストする。 ここを通過した戦略は、 さらにストレステスト。 例えば、 ・手数料を2倍にする ・別の銘柄でも試す ・設定値を少し変える ・別の期間でも試す それでも成績が残るかを見る。 少し条件を変えただけで崩れるなら、 たまたま過去データに合っていただけ として捨てる。 最終的に、 すべての研究へ4つの判定を付ける。 WORKS → 今でも使える可能性がある DECAYED → 昔は使えたが、今は優位性が薄れている FAILED → 検証すると使えない NOT TESTABLE → 必要なデータがなく検証できない そして毎朝、 「昨日公開された論文の中で、 実際に検証を通過した戦略はこれ」 というレポートを受け取る。 使い方をまとめると↓ Claude Codeで論文監視ツールを作る arXiv、SSRN、NBERから、 数時間ごとに新しい金融論文を取得する。 まず要約だけ読ませる AIにアブストラクトを読ませて、 実際の売買ルールにできそうな論文だけ残す。 大半はここで捨てる。 残った論文の全文を読む 数式 変数 エントリー条件 決済条件 必要データ を全部抜き出す。 戦略をYAML化 論文の内容を、 ・数式 ・トレードルール ・対象市場 ・時間足 ・論文の成績 として整理する。 数式をコード化して検証 Claudeにコードを書かせて、 元の数式と同じ結果になるかテストする。 実データでバックテスト 4年以上の市場データで、 手数料・スリッページ込みで検証。 さらに論文公開後のデータでも確認する。 ストレステスト 条件を少し変えても 優位性が残るかを見る。 残らなければ捨てる。 毎朝レポートを受け取る 各論文を WORKS DECAYED FAILED NOT TESTABLE に分類。 使えそうな戦略と、 ダメだった理由だけ確認する。 最後にペーパートレード バックテストを通過しても、 いきなりリアル資金では使わない。 まずペーパートレード。 それでも成績が残った戦略だけ、 24時間動くAIトレード環境へ組み込む。 通知もスマホへ飛ばせる。 つまりこの仕組みは、 最新論文を探す ↓ AIが読む ↓ 戦略だけ抽出 ↓ コード化 ↓ バックテスト ↓ ストレステスト ↓ 使えるものだけ残す ↓ ペーパートレード ↓ 実運用候補へ ここまで自動化する。
2
37
1
594
63,940
自分がガチで欲しかったLive翻訳アプリ作りました!! MITライセンスでOSSとして無料公開しますので是非使ってください!! ローカル動作なので完全無料!! ※1 基本的に英→日翻訳ですが、オプションで多言語にも対応してます。 PC音声を全て自動的に翻訳するので、あらゆる音声をリアルタイム翻訳出来ます。 ■利用イメージ - FOMC Liveで使って素早くFinance情報を得る - 英語のVtuber、YouTuberの動画を楽しむ - 英語の会議に添える、後で全文議事録にする - 英語音声のGameを楽しむ 少し難しい英語の話でも、「ちょっと遅いけど、読みやすい」日本語でリアルタイムに追いかけられます。 ■特徴 意図的にリアルタイムから少し送らせて翻訳します。 英文が塊で翻訳されるので変な意味として翻訳されてしまう事を防いでいます。 また、英→日翻訳をしたのち、日→日翻訳をして理解しやすい優しい日本語に変換して確定させるので、かなり理解しやすい日本語に翻訳されます。 Li○eみたいなTalk画面風なので、遡って話を見ることができて更に認知負荷Down。 ■ できること ・ライブ翻訳 「● 聞く」を押すと、PCで再生中の英語の音声(マイクではなく、PCの音そのもの)を聞き取って、メッセージアプリみたいな吹き出しで日本語にしていきます ・話している途中も訳を更新し、話のまとまりごとに約60字の短い吹き出しに分けて確定します。吹き出しを押すと英語の原文も見られます ・シンプル翻訳(Ctrl+1) 左に文を入れると、打ち終わって約1秒で右に訳が出ます。なんと、ライブ翻訳を止めずに使えます ・ミニ表示(Ctrl+Shift+M) 小さな窓にして、動画の横や上に置いて読めます。「最前面」でほかの窓より手前に固定できます ・訳は履歴に残り、全文コピーもできます。ダークモードもあります ・オプション:YouTubeの字幕(CC)を訳す拡張機能、中国語など英語以外の音声の聞き取り(Qwen3-ASR/Whisper) ■ 仕組み ・音声認識はNVIDIAの Nemotron Speech(英語のストリーミング音声認識)を NeMo-Speech.cpp で、翻訳はPFNの PLaMo 3 Translate を llama.cpp で、どちらもPCの中で動かしています。Pythonは使っていません ・英語は160msか560msの細かい単位で聞き取ります。そのままだと細切れなので、「話のまとまり(段落)」につないでから訳します ・話している途中の段落は8語増えるごとに訳し直し、言葉が1.2秒止まったら残りも訳し直します。直前の段落を文脈として渡すので、訳がぶつ切りになりにくいです ・訳は2段階です。まずPLaMoで普通に訳し、そのあとPLaMo公式の「やさしい日本語」の書き方で、読みやすい日本語に書き直しています。2回かけるぶん少し遅いですが、そのぶん読みやすいです ・訳が届くまでは、聞き取った英語を薄い文字で出しておき、訳が届いたら日本語に置き換えます ・英語の「um」「uh」みたいな言いよどみは取り除き、金利の「3と3/4」みたいな分数は小数に直してから訳すことも出来ます。※動画では3と3/4ですが… FOMC向けの金融用語(30語)も入れてます ・段落が長くなりすぎたときは、軽い文区切りモデル(sherpa-onnx の CT-Transformer、CPUで動作)で文の切れ目を見つけて分けます ■ 軽さ ・アプリ本体はRust製で、配布ZIPは約12MB。PythonやRustのインストールは不要で、展開して「Talk風Live翻訳.cmd」を開くだけです(Microsoft Visual C++ 再頒布可能パッケージが入っていないPCは、それだけ入れてください) ・重いのは翻訳モデルだけです。最初の画面で PLaMo 0.8B/2B/8B/31B から選べます(0.8Bで546MB、8Bで4.9GB)。GPUの空きが16GB以上なら8B、それより少なければ2Bが最初から選ばれています ・翻訳は NVIDIA の GPU(CUDA)、Vulkan 対応の GPU、CPU で動きます。GPUがないPCでは0.8BをCPUで動かせます ■ プライバシー ・翻訳も音声認識も、すべてPCの中で動きます。モデルを最初にダウンロードするとき以外、音声も文章も外に送りません ■ 動作環境 ・Windows(x64)用です。動作を確かめたのは、Windows 11 と RTX 4090 のPC 1台だけです(うちのRTX 4090・8Bだと、英語が出てから日本語に変わるまで約2秒) ・起動するたびに、モデルの読み込みで10秒ほど「準備中…」になります ・Macでも理論上使えると思うのでFork主募集 ダウンロード:github.com/yebisu0529-ship-i… ※1 翻訳に使っているPFNの「PLaMo」は、PLaMoコミュニティライセンスで提供されています。趣味など個人の私的な利用は無料です。仕事など商業目的で使う場合は、PFNの公式ページへの事前登録と、直近の年間売上10億円以下(関係会社を含む)が条件で、超える場合はPFNの商用ライセンスが必要です。
23
410
30
2,870
146,133
かめ retweeted
「AIに指示する前に、AIに質問させろ」、1月の記事やけど今の方が納得ある 暗黙知を出さないと良い回答は出ないから、「自明な質問は避け最大3問ずつ」で自分にインタビューさせ、最後にトレードオフ表を作らせるらしい plan mode任せで前提の言語化省いてたな、やってみよ zenn.dev/hataluck/articles/d…
8
42
4
569
27,407
私の知人で、買い物依存症の方がいて、 「もう買い物やめられないんだったら、いっそのことバイヤーで独立したら?」とアドバイスしたら、めちゃくちゃ上手くいっていますね。 「やりたいこと」で起業するより、「思わずやってしまうこと」で起業するほうが、持続性が高い。なぜならMPを削られないから。 実質、無限の体力のようなものなので、それだけで競合優位にもなりうる。
金を稼ぎたければ、「どうすれば稼げるか」ではなく、「せずにいられんことを、どうやって金に変えるか」という問いに切り替えるといい。 私はこれを「金儲けにおけるコペルニクス的転回」と呼んでいる。「どうすれば稼げるか」という問いの裏側には、「稼がねばならない」という生活の要請や義務感がある。 この不純物が混ざるかぎり、長期にわたる集中は維持できない。 しかし「せずにはいられない」という状態には、不純物が一切ない。そこにあるのは、内側から突き上げる内発的欲求のみ。 だから圧倒的な成果を出せるし、純度と強度が十分に高ければ、その分野の第一人者になることすら難しくない。 ちなみに日本に1億人いるとすれば、1000人に1人で10万人、10000人に1人でも1万人の見込み客がいる。ニッチであるほど強烈なニーズが生まれるから、高額課金も成立する。 そして今の時代、興味のある人はネットを通じてその世界を探し当てる。つまりマニアは何が何でも検索し、辿り着く。 要するに、純度高く一つのことを突き詰めた人間が優勝する世界に、我々は生きている。 この構造を理解せず、旧来型の「どうすれば稼げるか」という義務感モードで仕事していても、息をするように対象へ15時間、18時間を投入してくる人間がいる以上、勝負にならないよ。
2
109
13
1,010
50,625
かめ retweeted
金を稼ぎたければ、「どうすれば稼げるか」ではなく、「せずにいられんことを、どうやって金に変えるか」という問いに切り替えるといい。 私はこれを「金儲けにおけるコペルニクス的転回」と呼んでいる。「どうすれば稼げるか」という問いの裏側には、「稼がねばならない」という生活の要請や義務感がある。 この不純物が混ざるかぎり、長期にわたる集中は維持できない。 しかし「せずにはいられない」という状態には、不純物が一切ない。そこにあるのは、内側から突き上げる内発的欲求のみ。 だから圧倒的な成果を出せるし、純度と強度が十分に高ければ、その分野の第一人者になることすら難しくない。 ちなみに日本に1億人いるとすれば、1000人に1人で10万人、10000人に1人でも1万人の見込み客がいる。ニッチであるほど強烈なニーズが生まれるから、高額課金も成立する。 そして今の時代、興味のある人はネットを通じてその世界を探し当てる。つまりマニアは何が何でも検索し、辿り着く。 要するに、純度高く一つのことを突き詰めた人間が優勝する世界に、我々は生きている。 この構造を理解せず、旧来型の「どうすれば稼げるか」という義務感モードで仕事していても、息をするように対象へ15時間、18時間を投入してくる人間がいる以上、勝負にならないよ。
9
182
39
1,893
122,125
自分が思いついたことがうまくいかないことを知っている。「これは絶対うまくいくぞ」と確信したアイデアも実際にやってみると、ほとんどうまくいかなかったから。「だからやらない」ではなく、うまくいかないことを前提にどう組み立てるかが大事。 経験が浅い頃は、自分のアイデアを信じていきなりトコトン突っ込んでいたがいまはちがう。 小さく試して、失敗して、修正する。それを繰り返して、うまくいく形にしていく。アイデアを思いつくこと以上に、このプロセスが大事でやんす。これを失敗力と呼んでおります。
3
28
4
481
27,006
儲かる事業を見つけたい方は「wantedly」の「今週の注目度ランキング」を見てみな。理由は、人材採用を急ピッチで進めている会社は固定費負担のリスク以上に、収益機会が発生しているから。金儲けの鮮度良い情報は、「急速採用」に現れる。これ重要です。
1
5
180
8,071
本当にごめんなさい。目標達成できない人の気持ちがわからない。何がなんでもそこに行くと覚悟決め、そこに行くための手段を100個ひたすらノートに書き出し、その中から売上にインパクトデカイ順に数字振って行って、あとはその順番通りに全力で全てやる。 それだけじゃね...? わたし、難しいこと言ってないですよね?🥹 みんなこれどこで躓くんサイコパスではないと思いたいが、ホンマに気持ちわかってあげられへんくて滅 だってやりゃあできるやんけ やってないだけやんけ🥹
6
29
11
496
48,657
ピーター・ティールが語る「創造的独占」の築き方。画像の要点を日本語でまとめると、次の7つ。 1. 誰も取り組んでいない価値ある課題を探す 常識を疑い、見つけた機会を実行に移す勇気を持つ。 2. 代替できない価値で独占をつくる 競争で利益を削り合うより、他社には提供できない価値を生む。 3. 小さく始めて広げる まず狭い市場で強い地位を築き、隣接市場へ展開する。先行するだけでなく、長く優位を保つ。 4. 成長だけでなく持続性を見る 目先の成長率よりも、10年後も存続できる事業かを問う。 5. 届け方まで設計する 優れた製品でも、顧客に売れなければ事業は成り立たない。販売・流通を製品と一体で考える。 6. 創業時の人と組織を大切にする 共同創業者と初期メンバーを慎重に選び、一人ひとりの責任を明確にする。採用を他人任せにしない。 7. 創業者の独自性を生かす 新しい価値を生む仕事は、定型的な経営手法だけでは担えない。創業者の独自の発想で、組織を小さな改善の積み重ねの先へ導く。
Peter Thiel on how to build a creative monopoly
2
9
892
(金融研究所DPS)生成AIのペルソナを「生活意識に関するアンケート調査」の回答者と1対1で対応させ、インフレ予想の再現度を検証しました。1年先の予想を一部再現でき、金融政策の認知度合いをペルソナに加えると再現度が大きく高まりました。 imes.boj.or.jp/research/abst…
6
51
12
280
33,595
【速報】OpenAI、Googleビジネスの競合となる新サービスを発表 ・企業がChatGPT上の店舗・企業情報を直接管理可能に ・商品価格や在庫情報も掲載できる ・AIが顧客の質問や商品比較に対応 ・閲覧・クリックなどの分析機能も提供
7
32
18
356
86,344
かめ retweeted
AI 会写代码了,但为什么很多人做的产品还是上不了线? 因为写完代码,只完成了一半。 Product Engineering把从产品想法到正式上线的流程整理成了 44 个 Agent Skills。 主要包括: 市场调研、竞品分析、产品方案 UI 原型设计和交互验证 Claude Code、Codex、Grok 多 Agent 分工 独立 Agent 审查代码,避免自己写自己验 自动化测试、安全检查和发布验收 用户登录、支付、数据分析和线上监控 它最值得借鉴的一点:Agent 不能只汇报代码写完了,还得拿出可验证的结果,最终由人决定是否发布。 支持 Claude Code、Codex、Cursor 等工具。 项目地址: github.com/phuryn/product-en… 你们用 AI 独立开发,最耗时间的是写代码,还是测试、上线和后续运营? #ClaudeCode #Codex #Agent #独立开发
23
33
5
255
11,698