Einstein 記事レコメンデーションについて知る

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。

• Einstein 記事レコメンデーションについて説明する。
  
• AI を駆使したカスタマーサービスの主なメリットを説明する。
  
• 正確な予測を行えるようにデータを準備する。
  

Einstein 記事レコメンデーションのご紹介

米国南西部を拠点とする太陽光発電の設備やシステムのサプライヤーである Ursa Major Solar では、世界を環境に優しい場所にするうえでイノベーションが重要な役割を果たしています。ここ最近、自動車にエネルギーを供給する超音速ソーラーパネルから、ラップトップ用の個別太陽エネルギーコンバーターまで、さまざまな新商品を発表しています。この会社のお客様の多くがこうした新商品をすぐにでも試してみたいと思っていますが、テクノロジーに詳しくない人たちはやや躊躇しているようです。そこで、Ursa Major Solar の CEO である Sita Nagappan-Alvarez は、すべてのお客様を引き込むために、サポートチームが情報やガイダンスを駆使してお客様を安心させる必要があると考えています。

都合のよいことに、Ursa Major Solar にはその商品とサービスに関する膨大なナレッジ記事が蓄積されています。けれども Sita には、サービスチームがお客様のケースを解決するために、適切な記事をすぐさま見つけられるようにする方法がよくわかりません。サービスシステム管理者の Maria Jimenez にはその解決策があります。Einstein 記事レコメンデーションです。

Einstein 記事レコメンデーションは AI を使用して、お客様のケースに関連するナレッジ記事を推奨し、エージェントがお客様からの問い合わせに効率的に対応できるようにします。Einstein は何百件、あるいは何十万件もの記事を数秒のうちに検索できるため、エージェントの時間と労力を節約できます。エージェントは Einstein のリストを確認して、記事をケースに添付し、必要に応じて編集できます。あるいは、そのレコメンデーションを却下して、別の記事を参照することも可能です。

Salesforce の調査によると、AI を駆使したカスタマーサービスには多大なメリットがあるということです。データからは、エージェントの士気が 75% 高まり、初回連絡時の解決率を 82% 改善できることが示唆されています。Einstein 記事レコメンデーションを実装すれば、エージェントやお客様の満足度が高まっていくのを実感できます。

AI を駆使したレコメンデーション

依然として AI について学習中の Sita は、「AI レコメンデーションはどのように機能するのか?」、「どのレコメンデーションを表示するかは何によって決まるのか?」、「時間とともにレコメンデーションは変化するのか?」など、Maria に矢継ぎ早に質問します。回答する Maria もどこか嬉しそうです。Maria によると、Einstein は業務を能率化するという極めて明確な目標に向けて作成されたアルゴリズムを実行する AI の一種ということです。

中でも Einstein 記事レコメンデーションは、AI を使用して時間の経過とともにその機能を高めていきます。この Einstein 機能は、自然言語処理 (NLP) という一種の AI を使用してトレーニングされます。NLP は、記事とクローズケースを読み取り、両者を照合する方法を学習するスマートなテクノロジーです。このツールのアルゴリズムはまた、オープンケースに対する関連性に基づいて記事をランク付けするため、Einstein から関連性が高い記事のみが推奨されます。

ところで、Einstein は記事の関連性をどのように判断するのでしょうか? この気が利く AI アシスタントは、いくつかの要因を考慮します。

• 言語: ケースで Einstein が検出する言語や記事の言語は何か。
  
• 用語の重複: ケースのキーワードが記事の用語とどのくらい合致しているか。
  
• 添付ファイル: エージェントがどのくらいの頻度で記事を類似のケースに添付しているか。
  
• 破棄: エージェントが類似のケースでこの記事をどのくらいの頻度で役に立たないとして却下したか。
  
• 用語の距離: 記事内でケースの特定の用語間の距離はどのくらいか。
  
• 最長共通シーケンス: ケースと記事間の最長共有テキストシーケンスの長さはどのくらいか。
  

Sita は Maria が説明した Einstein の機能に価値があると考え、Maria にさらなる調査を指示します。

必要なデータ

Einstein が正確なレコメンデーションを行うためには、一定量のデータを分析しなければならないことを Maria は知っています。そこで具体的な要件を調べてみることにします。

Ursa Major の場合、Salesforce 知識ベースに 100 件を超えるナレッジ記事が存在していたため、Maria は安心します。さらに調べたところ、優秀なサポートチームが過去 1 年間に 1,700 件ものケースをクローズしており、その多くにナレッジ記事が添付されていました! Maria とそのチームは、この機能を使い始めるための前提条件をすべて満たしたことになります。

高品質なデータから学習して正確な予測を行う Einstein は、Ursa Major のサポートチーム、そしてそのお客様の成功を後押しします。

リソース

• Salesforce ヘルプ: Einstein 記事レコメンデーションのしくみ
  
• Salesforce ヘルプ: Einstein 記事レコメンデーションの準備
  
• 動画: Einstein 記事レコメンデーション (サービス)
  
• Trailhead モジュール: Lightning Experience のナレッジの基本