人工知能の主要な要素について学ぶ

学習の目的

この単元を完了すると、次のことができるようになります。

人工知能ソリューションを構成するテクノロジーを挙げる。
AI (人工知能) による予測を使用する場合のワークフローとルールの役割を説明する。

最近、人工知能についてよく耳にすることがあるでしょう。AI が画期的なことの実現にいかに役立つかが、毎週のように紹介されています。あらゆる種類のビジネスにおいて、あなたのような人々がこの変革技術に好奇心を大いにかき立てられるのは当然のことです。AI を使い始めることにワクワクしているでしょうが、AI で可能なことと不可能なことについてたくさんの疑問をお持ちかもしれません。AI の背景にあるテクノロジーは信じられない速さで変化しているため、それらの疑問に対する答えを得ることをより一層困難にしています。

人工知能で何を行うことができるのを理解するには、AI テクノロジーの基本的なビルディングブロックを理解することが重要です。このモジュールでは、これらのビルディングブロックについてと、最初の AI プロジェクトを開始するために必要なもの、さらにリードスコアリング、営業の売上予測、マーケティング、サービスなどを通じてビジネスにメリットをもたらすために AI がどのように利用されているのかを学習します。

主要な要素

人工知能でどのようなことができるのかを初めて聞いたときは、ちょっとえたいの知れない、摩訶不思議なことのように思えるかもしれません。ただし、突き詰めれば、ビジネスアプリケーションに搭載された AI はいくつかの小さなパーツで構成されているというのが本当のところです。そして革新的な方法でこれらを組み合わせることで、ビジネスに真の価値がもたらされます。人工知能は、ビジネスの完璧なレシピを作るための材料である考えることができます。ある方法で材料を組み合わせると、ある料理が出来上がります。別の方法で材料を組み合わせると、違う料理が出来上がります。これらの単純な材料 (要素) から、ビジネスニーズに合ったさまざまな素晴らしいソリューションがもたらさせる可能性があります。

確固たる AI プラットフォームを構成する、はい/いいえ予測と回答、数値予測、分類、レコメンデーション、要約という主な要素を見てみましょう。

はい/いいえ予測と回答

1 つ目の要素は、はい/いいえ予測です。はい/いいえ予測では、「これはビジネスに有益なリードか?」または「この見込み客はメールを開封するだろうか?」といった質問に答えることができます。システムに保存されている履歴データを AI が分析することで、これらの質問に答えることができます。

はい/いいえ予測は、一般的に確率の形式で表されますが (「Mary Smith がこの種類のメールを開封する確率は 67% である」など)、確率がスコアに変換されることもあります。スコアは「はい」の可能性を単に別の形式で表現したもので、数値スケール (たとえば 0 ～ 100) の数値、または 5 つ星評価アンケートの星の数として表すことができます。ただし、これらのスコアは、同じ確率を別の形式で示しているだけのことです。また、生成 AI の助けを借りて、「見込み客宛のお知らせメールを書いてください」や「ブログ投稿の要約の作成を手伝って」など、単に「はい」または「いいえ」で答える質問以上のことも依頼できます。生成 AI はあなたの依頼に合わせた応答を提示します。さらに、質問に答えるだけでなく、あなたからのフィードバックに基づいて応答を改善していきます。依頼がより詳細で具体的であるほど、応答が有益なものになります。

数値予測

2 つ目は、数値予測です。数値予測は、売上予測ソリューションに使用されることが多いのですが (「この新規顧客はいくらの収益をもたらすか?」)、カスタマーサービスなどの他のコンテキストでも使用されています (「この顧客の問題を解決するのに何日かかるか?」)。また、数値予測では履歴データを使用して、それらの数値が導き出されます。

分類

3 つ目は分類です。分類では、自由テキストや画像などの構造化されていないデータを操作するために、「深層学習」機能が頻繁に使用されます。構造化されていないデータから有益な情報を抽出し、「この写真にはジュースの缶が何個あるか?」といった質問に答えるというのが、分類の背景にある考え方です。さらには、「前回買ったものと同じ靴をもう 1 足買いたい」といった文をを受け入れ、これをきっかけにして、前回の靴の注文を検索してオンラインショッピングカートに同じ靴を入れるワークフローを開始することもできます。

深層学習を使用する分類は、構造化されていないデータが異なる形式で入力されている場合でも、非常に堅牢です。たとえば上記の靴の例を取ると、単に「この靴をもう 1 足欲しい」または「これをもう 1 足ください」と言うことができます。どのような言い回しであっても、AI プラットフォームに組み込まれた基盤の深層学習エンジンは、一般的に人間の脳とほぼ同様にそれらすべてを理解することができます。

もう 1 種類の分類は (深層学習を使用する場合と使用しない場合がありますが)、クラスタリングと呼ばれています。この種類の AI 要素は、他の方法では気付かない可能性があるインサイトをデータから収集します。たとえば、衣料品を販売しているとします。田舎の中年男性と都会の 20 代男性の両グループが、ある特定のタイプのセーターを購入していることを AI が学習します。あなたの直感は両者がまったく非なるグループであることを告げていますが、データは、購入する商品に関しては両者が同じような行動をすることを示しているため、これらの 2 つのグループには同じようなマーケティングを行うべきです。

レコメンデーション

次はレコメンデーションです。レコメンデーションは、ユーザーにおすすめしたい品目が大量にある場合に重要です。E コマース Web サイトの多くは、商品にレコメンデーション戦略を適用しており、特定の靴を購入したユーザーは特定の靴下を合わせて購入する場合が多いことを検出できます。ユーザーがカートに靴を入れると、AI は自動的に同じ靴下をおすすめします。

レコメンデーションは、商品だけに限ったものではありません。マーケティング担当者は、同じ手法を使用して、ホワイトペーパーなどのコンテンツをビジネスユーザーにおすすめしています。雇用主は、人事採用システムでレコメンデーションを使用して、求人応募者に求人掲載をおすすめできます。また、ユーザーであるあなたがメールの下書きや顧客ケースへの対応に行き詰まったときに、レコメンデーションを確認することができます。生成 AI は、作業の出発点となる応答やテンプレートを生成して提示します。また、文章を書くときに Einstein に手伝ってもらえば、仕事を効率的に終わらせることができます。

ワークフローとルール

ワークフローとルールは厳密には AI の一部ではありませんが、AI の活用法において不可欠な部分です。次の例を考えてみます。ある顧客が契約を更新しない可能性は 25% であると AI が予測するとします。このことを知るだけでは十分ではありません。それに対処する必要があります。ここで登場するのがワークフローとルールです。この例では、顧客が更新する可能性は低いと AI が予測すると、ワークフローは顧客維持キャンペーンを開始するかもしれません。

要約

最後は要約です。生成 AI の活用において、要約は大きな役割を果たします。たとえば、何時間分もの録音を聞いたり、Salesforce のバリューに関する 10 ページもの文書を読んだりしなければならないとします。生成 AI は、大量の情報を、すばやく簡単に理解できるメモに要約してくれます。何時間もかけて録音やメモを確認しなくても、Einstein によってその価値を維持したまま、特に重要な情報が要約されるため、長時間費やすことなく事案の最新情報を常に把握することができます。

上記の基本的な AI 要素を使用して、さまざまなビジネスニーズを満たすカスタム AI アプリケーションを作成できます。次の単元では、独自の AI ソリューションを開始する方法について学習します。