AI（人工知能）モデルは、過去のデータに基づいてパターンを認識し、その結果をもとに予測・判断・解釈などを行います。通常、AIモデルはさまざまな機械学習アルゴリズムを基盤として構築されますが、Zoho Creator ではこれらのアルゴリズムを直感的なインターフェイスに統合し、その複雑さを完全に隠蔽することでプロセスを簡素化しています。これにより、ローコード開発者でも、内部の仕組みを意識することなく機械学習を活用できます。

Zoho Creator 上で AI モデルを適用すると、将来の結果を予測したり、本来は人手が必要な処理を自動化したりすることで、業務プロセスを最適化できます。たとえば、Zoho Creator 上で構築した CRM アプリケーションでは、現在および過去のデータに基づいて見込み客が成約に至る可能性を AI で予測できます。このインサイトを営業チームが活用することで、より効果的なアプローチ方法を検討できます。また、Zoho Creator 上で構築したアンケートアプリケーションでは、AI を使ってフィードバックに含まれる感情を自動的に分析することもできます。

モデルの種類

Zoho Creator では、 5 種類 の代表的な機械学習モデルをサポートしており、業務アプリケーションで効率的に利用できます。これらのモデルの一部はあらかじめ構築されており、すぐにアプリケーションへ導入できます。一方、その他のモデルは要件に応じてカスタマイズ可能です。いずれのモデルも、機械学習やコーディングの事前知識がなくても利用できます。作成方法に基づき、モデルは次のように分類されます。

• すぐに使える AI モデル - すぐに使えるモデルは、当社側であらかじめ構築し、自社データセットでトレーニング済みのモデルです。数回のクリックだけで、アプリケーションに素早く導入できます。必要なのは、モデルを導入したいアプリケーションとフォームを選択することだけです。たとえば、「感情分析」モデルを使用して顧客フィードバックを分析し、全体的な感情を即座に判定できます。
  利用可能な事前構築モデルは、キーワード抽出、感情分析、OCR（光学式文字認識）、物体検出の 4 種類です。
  
  
• カスタム AI モデル - カスタムモデルでは、自社の固有データを用いて、自社向けに最適化された AI モデルを作成できます。この場合、まず自社の業務に関連するサンプルデータセットをモデルに提供し、モデルにデータのパターンを学習させます。そのうえで、導入前に意図したとおりに動作するかテストできます。たとえば、カスタム OCR モデルを選択し、自社の請求書フォーマットでトレーニングしてからテストし、請求書番号、合計金額、商品詳細などの主要情報を抽出するために導入できます。
  利用可能なカスタムモデルは、予測、OCR（光学式文字認識）、物体検出の 3 種類です。
  

以下は、Zoho Creator がサポートするモデルの種類です。

   

カテゴリー	モデル種別	説明	入力データの種類	ユースケース
すぐに利用可能	キーワード抽出	入力テキストから単語やフレーズなどの主要な要素を抽出します	テキスト	サポートチケットを自動分類する
	感情分析	入力テキストの感情（ポジティブ・ネガティブ・ニュートラル）を判定します	テキスト	サービスリリース後の顧客フィードバックを分析する
	光学式文字認識	画像内のすべてのテキストを抽出し、デジタルデータに変換します	ファイル（画像）	名刺のデジタル化
	物体検出	入力画像内のあらかじめ定義されたオブジェクトを検出します	ファイル（画像）
カスタム	予測	過去データのさまざまなパターンを分析し、今後の処理や結果を予測します	構造化データ	新商品の販売価格を予測する
	光学式文字認識	画像内の特定のテキストを抽出し、デジタルデータに変換します	ファイル（画像）	受注書から注文IDを抽出する
	物体検出	入力画像内のオブジェクトを検出します	ファイル（画像）	損傷レベルを自動タグ付けする

一般的に、AI モデルをデプロイするには、適切な機械学習アルゴリズムに基づいてモデルを構築し、十分なサイズと品質のデータセットを与えて学習させ、パターンを認識できるようにトレーニングし、結果の精度を確認するためにテストする必要があります。すぐに使える AI モデルの場合、これらの手順はすべて適切に実装されており、Zoho Creator アプリケーション内でフォームのフィールドとして利用できます。

しかし、状況によっては、特定の要件に合わせて AI モデルを個別に作成する必要があります。このニーズに対応するために、Zoho Creator の AI モデラー を使用して、カスタム AI モデルを作成し、望ましい結果を得ることができます。これは、ディープラーニングの概念を直接扱うことなく、簡単に AI モデルを作成できるビルダーと考えることができます。

例えば、印刷された領収書の画像をアップロードしたときに、その内容をすべて抽出してメールテンプレートに差し込みたいとします。このようなシナリオでは、すぐに使える OCR モデル を利用できます。カスタムな要件はなく、画像から取得可能なテキストをすべて抽出するだけでよいからです。次に、同じテンプレートの領収書が頻繁にアップロードされ、そのうち領収書 ID だけを抽出して、同じフォーム内の「領収書 ID」フィールドに自動入力したいとします。この場合は、カスタム OCR モデル を利用することで、この目的を達成できます。このモデルは、特定の領収書テンプレート専用にトレーニングする必要があるためです。

ビジネスシナリオ

ここでは、AI モデラーが役立ついくつかのビジネスシーンを見ていきます。

1. キーワード抽出：サポートチケットの自動カテゴリ分け

Zylker という配送パートナー企業は、Zoho Creator を使ってチケッティングアプリケーションを構築しています。このアプリケーションを使用して、受信したチケットを追跡し、質の高い カスタマーサービスを提供しています。チケットを受け取るたびに、それらをカテゴリ分けし、問い合わせの種類に基づいてタグを追加します。これにより、その分野の担当者が内容を確認し、対応しやすくなります。

Creator のキーワード抽出 AI モデルを使うことで、このプロセスを自動化できます。例えば、チケットに「faulty」「spoiled」「damaged」「defective」「返金」などの単語が含まれている場合、そのチケットに「返品・返金」というタグを自動で付与できます。同様に、「delayed」「missing」「rude」などの語が含まれていれば、「配送担当者」などのタグを付けることができます。これにより、適切なカスタマーサポート担当者をチケットに割り当てられるようになり、チケットのカテゴリ分けにかかる手作業を大幅に削減できます。

2. 感情分析：サービスリリース後の顧客フィードバックの分析

Zylker の配送会社は最近、複数の地域で「10 分で届く食料品配送サービス」を開始しました。このサービスの認知度や、顧客がどのように感じているかを把握するため、Zoho Creator で作成したアンケートフォームを配布しました。

アンケート結果が大量に集まった場合、感情分析 AI モデルを使用することで、新サービスに対する顧客全体の意見を素早く把握できます。例えば：

• ポジティブな回答をした顧客の平均割合（%）を把握できます。
• 回答の大半がポジティブな場合は、ネガティブな回答だけを抽出し、改善が必要なポイントをチームが簡単に特定できるようにします。

3. 光学式文字認識（OCR）：名刺情報のデジタル化

4. 物体検出：

5. 予測：新商品の販売価格の予測

Zylker という加工食品メーカーは、Zoho Creator アプリケーションを使用して自社の業務プロセスを管理しています。研究チームは常に新しいレシピの開発に取り組んでおり、商品として発売が承認されたレシピの仕様をフォームに登録しています。マーケティングチームは、ここから市場調査に基づいて販売価格を決定する必要があります。このシナリオでは、カスタム AI 予測モデルを使用することで、さまざまな要因に基づいて暫定的な価格を提案させ、業務を効率化できます。例えば、類似する競合商品の市場価格、重さ、原材料、パッケージの種類などの影響要因に基づいて価格を予測できます。

6. カスタム OCR：受注書から注文 ID を抽出

Zylker 加工食品メーカーは、Zoho Creator で構築した注文管理アプリケーションを使って注文を管理しています。同社は多くのバイヤーに商品を一括で供給しており、通知として自動生成された受注書を送信します。すべての受注書は、注文 ID や購入者名などの必須情報とともにフォームで管理されています。

受注書のデータを管理すること自体は効率的ですが、手作業で行うと単調で非効率的です。このシナリオでは、Zylker が発行する受注書のレイアウト専用にカスタム OCR モデルをトレーニングできます。Zylker の受注書をアップロードすると、そのレイアウトに特有の情報（注文 ID や購入者名など）を自動的に抽出し、同じフォームに保存できるため、時間と手作業を削減できます。

7. カスタム物体検出：損傷レベルの自動タグ付け

自動車の中古販売会社である Zylker は、オンラインで中古車を売買しています。販売希望者が、売却したい車両の情報と画像を登録できるよう、自社 Web サイトに Zoho Creator フォームを埋め込んでいます。本格的な査定を行う前に、カスタム物体検出 AI モデルを使用して、車両の損傷レベルに基づいて提案内容にタグを付け、カテゴリ分けすることができます。例えば、へこみが多い車両には「重度の損傷」、へこみが少ない車両には「中程度の損傷」といったタグを付けることができます。

AI モデルの設定

アプリケーションで既成のモデルをデプロイするだけであれば、特別な設定は必須ではありません。ただし、 カスタムモデル の場合は、アプリケーションの

項目 としてフォームに追加できるようにする前に、次の手順に従う必要があります。

1. 作成

マイクロサービス セクションで、アプリケーションに実装する必要があるカスタムモデルの種類を選択します。選択した AI モデルを、ビジネスニーズに合わせたカスタムインテリジェンスで作成できる、シンプルなビルダーが用意されています。

2. 学習

次の手順は、トレーニングデータをアップロードしてモデルを学習させることです。トレーニングデータとは、モデルにパターンを学習させ、予測や必要なタスクを実行できるようにするために与える初期データセットです。優れた AI モデルの前提は、十分で関連性が高く、高品質なデータを収集して学習させることです。データサイエンスでよく使われる古い格言「garbage in, garbage out（入力がゴミなら出力もゴミ）」を念頭に置いてください。品質の低いトレーニングデータは、モデルの結果の精度を損ないます。トレーニングデータの品質を確保するためのポイントは次のとおりです。

• 関連性 - データセットを絞り込み、必要な値だけを含めるようにします。
• 検証 - データセットに入力する値が正しいことを確認します。
• 一貫性 - データセット内の値は、常に同じ形式に従っている必要があります。
• 網羅性 - データセットは十分な件数があり、モデルで想定するすべてのユースケースをカバーできる範囲とスコープを備えている必要があります。
• データクレンジング - 誤り、不完全、または重複しているデータを削除または修正します。データセットに欠損値がないことを確認してください。欠損値がある場合は、最頻値で補完したり、数値データであれば平均値で補完したりできます。

データセットの準備ができたらアップロードし、モデルを学習させます。学習には、モデルサイズやキューにあるモデル数などの要因に応じて時間がかかりますが、その間に別の画面へ移動し、学習完了後に戻ってくることもできます。

3. テスト

学習が正常に完了すると、モデルは実際にはすぐにデプロイ可能な状態になります。ただし、その前にモデルのパフォーマンスと品質を評価することが重要です。サンプル入力を与えてモデルをテストできます。テスト結果が満足のいくものでない場合、モデルがアンダーフィッティングまたはオーバーフィッティングを起こしている可能性があります。

モデルが アンダーフィッティング しているのは、トレーニングデータに対する精度が低い場合です。これは、入力変数と出力変数の関係をモデルが十分に学習できていないことが原因です。モデルが オーバーフィッティング しているのは、トレーニングデータでは良好な結果を出す一方で、テストデータに対しては誤った出力を返す場合です。これは、モデルが学習時に見たデータを暗記してしまい、未知のデータに対して一般化できていないことが原因です。

言い換えると、アンダーフィッティングしているモデルは、パターンではなくトレーニングデータ内のばらつきに着目してしまい、オーバーフィッティングしているモデルはトレーニングデータを丸暗記してしまうため、他の入力に対してはうまく機能しません。

オーバーフィッティングとアンダーフィッティングはいずれも、新しいデータに対して結果が悪くなる原因となる問題です。これを解決するカギは、トレーニングデータを正則化（バランス調整）することです。つまり、トレーニングデータは変動が大きすぎてもいけませんし、期待される結果に近すぎる値ばかりでもいけません。

    

各カスタムモデルの種類ごとに、精度を向上させる方法については次を参照してください。

• 
  予測モデル（Prediction）
  
• OCR
• 物体検出（Object Detection）

4. モデルの公開

AI モデルの設定における最後の手順は、モデルを公開することです。この時点までは、モデルにアクセスできるのは管理者のみです。モデルの内容に問題がなければ、公開してすべてのユーザーが利用できるようにします。これで、モデルを Zoho Creator アプリケーションに実装する準備が整います。

AI モデルの管理

一度設定した カスタム AI モデル は、いつでも編集、名前の変更、再学習、削除が可能です。 優れた AI モデルは、構築し、高品質なデータを与えて学習させ、デプロイする必要があります。 しかし、それで終わりではありません。AI モデルの品質を維持することは継続的なプロセスです。時間の経過とともに、ビジネス環境やデータが変化することで、AI モデルには必然的に モデルドリフト が発生します。つまり、モデルの精度は徐々に低下していきます。例えば、ある企業の売上は、COVID 以前と COVID 以後では異なります。売上予測のために構築した AI モデルは、COVID の影響も考慮して再学習させる必要があります。

このため、トレンドに明らかな変化があった場合や、一定期間ごとに、最新データで AI モデルをテストし再学習させることが重要です。モデルの 編集、名前の変更、再学習 、および 削除 といった操作は、モデルの詳細ページで行えます。このページでは、バージョンやモデルがデプロイされているアプリケーションの一覧など、その他の詳細も確認できます。

AI モデルの利用

Zoho Creator アプリケーションで AI モデルを実装するには、次のいずれかの方法を使用します。

• AI モデラー ページから、必要なモデルを使用します。モデルを実装するアプリケーションビルダーにリダイレクトされます。
• 
  
  追加する 必要なAI 項目をフォームに追加します。カスタムモデルを選択する際、AI 項目を追加すると、公開済みのモデルがすべて一覧表示されます。

注意事項

• 管理者は、カスタム AI モデルを作成して利用できますが、ユーザーは管理者が作成したモデルのみを利用できます。アプリケーションの編集権限を持つユーザーは、 AI 項目 をフォームに追加することで、間接的に AI モデルを利用できます。
• ローコードプラットフォームである Creator では、AI モデルの作成、利用、アクセスにあたり、ユーザーに事前のコーディングや機械学習のスキルは求められません。
• カスタム AI モデルのトレーニングに使用するデータを判断・収集できるよう、自社の業務要件について十分に把握しておく必要があります。
• カスタム AI モデル用のトレーニングデータ を収集する際は、探索的データ分析（EDA）を行うことを推奨します。
• AI モデラー は、有料 プランで利用できます。料金ページをご覧ください 。
• Microservices セクションからカスタム AI モデルを作成するには、Zoho Creator 6（C6）を使用している必要があります。一方、AI モデルを項目としてデプロイする機能は、C6 と C5 の両方でサポートされています。
• 各モデルタイプのガイドラインを表示:

• 
  Prediction
  
• OCR
• Object Detection

サンプルデータ

添付ファイルで提供しているサンプルデータを使用して、カスタム AI モデルの作成を開始してください。

関連トピック

• すぐに使用できる AI モデル
• 予測モデルについて
• OCR モデルについて
• 物体検出モデルについて
• AI 項目について