(翻訳) データを使って意思決定：ビジネスワークフローに予測AIを統合
私たちは 今、 AI と データ革命の 真っ只中に います。 そして、 Data Cloudでは、 Model Builderを 活用して 迅速に イノベーションを 起こし、 お客様の Salesforce データの活用を支援しています。
Model Builderは、 未加工の データを 実行可能な 予測に変換し、 より 賢明な意思決定と より 良い結果の達成を 支援します。 この革新的なツールは、 コードを一行も 書くことなく、 結果を予測し、 タスクを自動化し、 価値ある インサイトを引き出す カスタマイズされた AIモデルの作成と デプロイを可能にします。 ノーコードに よる MLモデルの構築についてさらに詳しく知りたい方は、 こちらの以前の記事をご覧ください。 Data Cloud でノーコードでAIモデルを作る.
しかし、私たちは単に予測モデルを作成したいわけではありません。お客様が情報に基づいた効率的な意思決定を行えるよう、予測モデルを武器として提供したいのです。そこで、本日の記事では、Salesforce全体で予測モデルを統合する方法をすべて見ていきましょう。
そして、もしこの記事を読んでから、これらのうちのどれかをお試しいただけたら、ぜひ結果を見せてください！ 当社のブログにコメントを投稿したり、LinkedInで私宛にメッセージを送ってください。
訳：AI and Analytics Specialist, Salesforce Japan 小見 一平
説明可能性と実行可能性
統合機能について説明する前に、最新の機能について簡単に説明します。
例えば、あなたがサービス担当者で、ある顧客グループを担当しているとします。 予測モデルがあり、それを適用すると、顧客Xの解約スコアが90%であることが分かります。 これは非常に憂慮すべきことです！ しかし、この1つの数字はそれほど有用ではありません。解約スコアがなぜこれほど高いのか、それを下げるために何をすべきなのかが分からないからです。
Model Builder製品チームでは、私たちは、単に数値をお客様に提供するだけではなく、その数値の意味を理解するお手伝いもしたいと考えています。 これが、上位予測因子と上位改善点の提供の理由です。 現時点では、これはコード不要のモデルのみに適用され、モデルの持ち込みでは提供されません。（訳者注：Model Builderは3rd-partyの予測モデルをプラグインすることができます。この場合、提供されるのは予測スコアのみで、上位予測因子と上位改善点は提示されません）
上位予測因子とは：これは、結果に最も影響を与えた特徴または変数です。これは説明可能性の鍵となります。つまり、モデルが結果を導き出す仕組みを理解するために、フードをめくって中を見るようなものです。ここでいう上位予測因子は、レコードレベルでの出力に関連しています。つまり、予測結果に影響を与えた特定のレコードに関するものです。これは、モデルのトレーニング時に示す上位予測とは異なります。上位予測は、予測結果全体に最も大きな影響を与える変数に関するものです。
上位改善点とは：これは、結果をさらに最適化するために実行可能なステップです。
モデルは、何を推奨できるか、できないかをどのようにして知るのでしょうか？ モデルは実行可能な変数に注目します。
アクション可能な変数とは：アクション可能な変数は、特定の顧客に対してどのマーケティングキャンペーンを使用するか決定するなど、人が制御できる説明変数です。これに対して、顧客の住所や年齢など、制御できない説明変数もあります。変数がアクション可能と指定された場合、モデルは処方的分析を使用して、予測結果を改善するためにユーザーが実行できるアクション（改善策）を提案します。
MLモデルを最初に作成する際、どの変数が操作可能であるかを「統合」タブから設定することができます。
インテグレーション
モデルが適切に設定されたところで、利用可能な統合機能について見ていきましょう！
予測ジョブ
予測ジョブは予測モデルをDMOに適用し、予測結果の新しい出力DMOを生成します。これは集約的なユースケースに最適です。例えば、顧客セグメントのユースケースでは、セグメントごとの予測を平均化することで、出力をさらに変換することができます。予測ジョブは、DCトリガーフローにも最適です。例えば、リードが解約の危機にさらされるたびに、リードのオーナーに連絡するよう促すメールを自動化することができます。
予測ジョブを作成するには、Einstein Studioの予測モデルの「統合」タブに移動します。
そこから、推論ビルダーに移動します！このステップでは、予測モデルを適用するDMOを選択してください。
DMOを選択した後、DMOのフィールドをモデルの入力フィールドにマッピングする必要があります。左側（変数）に表示されているものがDMOを表し、右側（マッピングされたフィールド）に表示されているものがモデルに必要な入力フィールドを表します。
このステップは非常に重要です。下の例では、私のDMOはフィールド名と入力名が一致するように設定されていますが、異なる設定をしている可能性もあります。このように設定することで、予測を実行する際にモデルがどのフィールドを参照すべきかを理解しやすくなります。
あと一歩です！ここで、この予測ジョブをストリーミング（すなわち、入力が変更されるたびに継続的に出力を更新する）にするか、バッチ（すなわち、1回のみ）にするかをマークします。ストリーミングを選択する場合は、入力変数のどの変更が新しい予測ジョブの実行のトリガーとなるかを指定するオプションもあります。
これで準備完了です！予測ジョブを保存し、名前を付けて、DMOを出力します。
予測ジョブが実行中です。 念頭に置いていただきたいのは、出力DMOには予測結果とプライマリキーおよびプライマリオブジェクト識別子のみが含まれ、予測モデルを適用したDMOからのデータは含まれないということです。 良いニュースは、Data Cloudを使用すると、この出力が非常に柔軟になることです。Data Cloudで変換したり、レコードに表示したりすることができます！
予測ジョブでは、上位予測や改善点はまだサポートされていませんが、今後サポートされる予定です。
データ変換
予測モデルはバッチデータ変換でも利用でき、予測モデルをDMOに適用し、予測結果を含む新しい出力DMOを生成することができます。
これを行うには、データ変換キャンバスにAIノードを追加するだけです。この場合も、フィールドのマッピングを忘れないようにしてください。
バッチデータ変換では、上位予測と上位改善点も利用可能です！ それらの設定は、予測の詳細で行うことができます。 選択した予測または推奨はすべて、出力に2つの列（Predictor/Recommendation #とPredictor/Recommendation # Impact）を追加します。
変換を継続するか、出力DMOに保存することができます。出力DMOの例としては、次のものがあります。
列の見方：上位予測因子1は、予測結果に貢献した変数名と値を表します。上位予測因子1の影響は、その予測因子
例えば、最初の行では、ドイツにそのレコードがあることで、予測される勝利の可能性が32.65%から8.21ポイント上昇したことが読み取れます。
推奨1は、ユーザーが調整可能な変数名と値を表します。推奨1の影響は、その調整が予測結果を何ポイント変化させるかを表します。
例えば、最初の行では、勝率予測を15.41ポイント増加させるために割引率を35%に変更するよう推奨されています。
弊社のプラットフォームの力を利用すれば、これらの結果をさらに拡張することができます。
データクラウドフローアクション
実際、私たちはSalesforceの最も強力なプラットフォーム機能の1つである「フロー」で予測モデルをサポートしています。
フローで予測モデルを適用するには、アクションノードを作成し、データクラウドアクションのカテゴリーを選択します。予測モデルの名前を選択して、フローキャンバスに追加します。
これは、フローの初期段階から入力された予測モデルを適用し、予測結果を出力するノードです。ノードを選択し、入力をマッピングしてください。
上位の予測と改善点を受け取りたい場合は、入力マッピングの一番下までスクロールします。 含めるように切り替えてから、0から3までの数値を設定します。
今、そのノードからの出力（予測、上位予測、上位改善点）を、フローの残りの部分で使用することができます！
参考までに、当社の上位予測および上位改善点の出力結果は、Apexで定義されたデータ型コレクションです。当社は、より使いやすくするために、これらの再フォーマットに取り組んでいます。
現時点では、アウトプットを理解するために：上位の予測因子については、inputValue、name、valueに注目してください。上記の例では、最初に提供された予測因子について、この顧客がストリーミングTVを利用していないことが解約の可能性を20ポイント増加させる要因となっていることが読み取れます。
最も推奨度の高いものについては、name、 prescribedValue、value に注目してください。上記の例では、最初に提示された推奨事項では、契約を2年契約に変更することで、解約率が49パーセントポイント減少する可能性があることが読み取れます。
幸いにも、プロンプトビルダーを使用すれば、プロンプトテンプレートを使用して、Apexで定義された入力を自然言語に変換することができます。例えば、上位予測モデルの出力をそのまま処理する自由形式のテキスト入力を持つプロンプトを作成することができます。
An example Json output for top predictors is:
[{ "fields" : [ { "customText" : null, "inputValue" : "No", "label" : null, "name" : "Streaming_TV_c__c", "prescribedValue" : "" } ], "value" : 20.414}]
This means that not having Streaming TV increases the predicted value by 20.414 percentage points.
You may be given a list of top predictors. In this case, look at and explain each individual top predictor given.同様のプロンプトを使用して、上位改善点を処理することもできます。次に、フローにこれらのプロンプトを実装します
注：APIに詳しい方は、予測モデルを活用するために、Data Cloud REST APIのドキュメントをこちらからご覧ください。
使用例
統合について説明しました。組織に合わせてこれらを組み合わせたり拡張したりする方法は本当に無限にある。 今回は3つの具体的な例にスポットライトを当てましょう
まず、当社の「Copilot」を活用して、会話形式でコンテキストに応じた予測を提供することができます。設定方法については、こちらのブログ記事をご覧ください。そして今、説明可能性と実行可能性が提供されたことで、さらに下の例のように、Copilotにさらに多くのコンテキストを提供させることも可能です。
次に、レコードページに予測を表示するコンポーネントを構築することもできます！これを使用すると、リアルタイムの予測、説明可能性、実行可能な手順に簡単にアクセスできるようになります。
3つ目の例は、DCトリガーフローを活用することです。予測値に基づいてアクションをトリガーすることができます！例えば、組織内の商談を対象にストリーミング予測ジョブを作成することができます。これにより、商談が編集または作成されるたびに、出力DMOが更新されます。次に、予測勝率が特定の閾値を下回るたびに営業担当者にアラートを送信するために、DCトリガーフローを使用します。これにより、営業担当者はパイプラインをより効果的に管理できるようになります！
結論
本日の記事では、説明可能性と実行可能性についてご紹介し、プラットフォーム全体で予測モデルを統合する方法をすべて検討し、これらの統合を組み合わせた3つの異なるユースケースにスポットライトを当てました。この情報をもとに、皆さんが最終的にどのようなものを構築されるのか、非常に興味があります！
レビューにご協力いただいたBobby Brill、Darvish Shadravan、Avni Wadhwaに感謝します
モデルビルダーに関するその他のリソース：
- Salesforce Blog: Build an AI Model with Clicks in Data Cloud
- Salesforce Help: Create AI Models
- Salesforce Help: Build Your Own Predictive AI Models
- External site: YouTube: Model Builder: Ask Me Anything with Salesforce Developers
- Salesforce Help: Get Predictions
- Salesforce Help: Bring Your Own Model
Written by
