「ダーウィンの進化論」が教えてくれたプロダクト成長論
大学生のときに一瞬だけブログを書いてたな〜とふと思い出し、いろいろ記事を読み返してました。
そこでちょっと良さげな記事を見つけたので、一部編集した上でnoteにも公開しようと思います。
かれこれもう5年ほど前になりますが、僕は大学で人工知能に関する研究をしていました。
ひとくちに人工知能といっても様々な手法・アプローチがあります。
5年前に一番ホットだった分野は深層学習(Deep Learing)と呼ばれるもので、人間の脳内の神経細胞(ニューロン)同士がやりとりされる仕組みをモデル化する手法です。
当時僕が取り組んでいたのは遺伝的アルゴリズムと呼ばれるもので、「ダーウィンの進化論」をモデル化し、ある状況における最適解を探索する手法です。
遺伝的アルゴリズムについて
手法はとってもシンプルです。
以下の4ステップを1世代と定義し、世代交代を何度も繰り返していきます。
イメージを深めるために、自分の好きなデザインのシャツを遺伝的アルゴリズムで見つけていきましょう。
1. 個体の提示
個体とは、ダーウィンの進化論でいうところの遺伝子で、今回はシャツに相当します。
色、丈の長さ、襟の形について、ランダムなシャツを3つ提示します。
2. 評価・選択
それぞれのシャツに、1~5点で評価していきます。
その評価に基づき、一番評価の高いシャツを複製します。そして一番評価の低いシャツを捨てます。
これにより、自分の好きなデザインのシャツが1のステップ時より多くなる状態になります。
3. 交叉
次に、これら3つのシャツの特徴を交換していきます。
4. 突然変異
最後に、ランダムに選んだ1つのシャツの特徴をランダムに変化させます。
この1~4のステップを何度も繰り返していくのです。
それだけで、自分の好きなデザインのシャツが見つかるというわけです。
まとめ
みなさまも既にお気づきかと思いますが、遺伝的アルゴリズムにおいて大切なステップは、「交叉」と「突然変異」です。
「交叉」をすることで、しっかりと着実に「好き」の精度を高めることができます。
「突然変異」では、自分でも気付かなかった思わぬ「好き」に対する発見を促します。
「交叉」だけだと局所最適解に収束してしまう可能性があるため、たまに「突然変異」させることで大域的最適解を狙いにいくようなイメージです。
これは、プロダクトを成長させる上での考え方にも応用できそうです。
すでにあるメイン機能を磨き込むことで、しっかりと着実に成長させていく
いろんな新規機能を素早く取り入れては壊すことで、爆発的な成長を狙いにいく
個人的には、片手落ちにならず両方をバランス良く取り入れていくことが重要なのかなと思いました。
Googleが実施している「80:20」ルールは、まさにそれを体現してそうですね。
というわけで、最後まで読んでいただきありがとうございました!
この記事が気に入ったらサポートをしてみませんか?