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。
| 必要なデータ |
必須または推奨? |
詳細 |
|---|---|---|
|
3 件以上のナレッジ記事 |
必須 |
お客様からのよくある質問に十分対応できる範囲の記事を用意する必要があります。記事を推奨するために、特殊なタグやデータカテゴリ、メタデータなどは必要ありません。最近公開された記事や上書きされた記事には、レコメンデーションの対象にするために自動的に用語分析が実行されます。 |
| 1,000 件以上のクローズケース |
必須 |
Einstein は過去のケースを調べて、組織がどのように作業しているかを学習します。過去のケースには、お客様の問題を説明するテキスト項目 ([説明] など) が 1 つ以上必要です。ケースに記事が添付されている必要はありませんが、添付されていると精度が高くなります。 |
| 500 件以上のケース記事の添付 |
推奨 |
Einstein は、クローズケースに添付された記事の各事例 (「添付」ともいう) から学習します。添付が多いほど結果が向上します。ただし、添付数が 500 件未満でも、モデルがコンテンツやケースと記事間の重複に基づいて正確な予測を行うことが可能です。 |
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。
