人工知能(AI)モデルは、過去のデータに基づくパターン認識を行い、予測・意思決定・解釈などに活用できます。通常、AIモデルはさまざまな機械学習アルゴリズムを用いて構築されますが、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、低コード開発者でも仕組みを意識することなく機械学習を活用できるようにしています。
Zoho CreatorでAIモデルを適用すると、今後の結果予測や通常は人手が必要な業務の自動化を通じて、業務プロセスの最適化が可能です。たとえば、Zoho Creator上で構築したCRMアプリケーションでは、AIを活用して見込み顧客が成約に至るかを過去・現在のデータから予測できます。このインサイトを営業チームが活用することで、顧客へのアプローチ方法の策定に役立てられます。また、Zoho Creatorで作成したアンケートアプリケーションでは、AIを利用してフィードバック内容の感情分析を自動的に行うことも可能です。
Zoho Creatorは、 5 種類の一般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活用できます。これらのモデルの中には、すぐにアプリケーションへ導入可能なプリビルトタイプもあり、ほかに要件に応じてカスタマイズできるものも含まれています。どちらのモデルも、機械学習やコーディングの事前知識がなくても利用可能です。この作成形式に基づき、モデルは次のように分類されます。
Zoho Creatorでサポートされているモデルタイプは以下の通りです。
カテゴリー |
Model 種類 |
説明 |
Input データの種類 |
ユースケース |
Ready to 使用する |
入力から単語やフレーズなどのキー要素を抽出します |
テキスト |
||
入力された支払明細の感情(ポジティブ、ネガティブ、ニュートラル)を判別します。 |
テキスト |
|||
画像内のすべてのテキストを抽出し、受注データを[パッケージ]データに変換して、デジタル形式にします。 |
ファイル(画像) |
|||
入力画像内の定義済み要素を検出します |
ファイル(画像) |
|
||
カスタム |
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 |
||
差出人画像や受注データなど、特定のテキストを抽出し、デジタル形式に変換します |
ファイル(画像) |
|||
入力画像内の要素を検出します |
ファイル(画像) |
一般的に、AIモデルの導入には、適切なmlアルゴリズムを基に構築し、十分なサイズと品質のデータセットを使用してパターンを学習させ、正確な結果が得られるかをテストする必要があります。すぐに使用できるAIモデルの場合、これらのすべてのステップが適切に実装され、Zoho Creatorアプリケーションで項目としてフォーム内で利用可能です。
しかし、場合によってはAIモデルを特定の要件に合わせてカスタマイズする必要があります。このようなニーズに応えるため、Zoho Creatorの AI Modeler を利用して、カスタムAIモデルを作成し、目的の結果を得ることができます。これは、深層学習の専門知識がなくても簡単にAIモデルを作成できるビルダーとして活用できます。
例えば、印刷された領収書の写真がアップロードされた際に、その内容をすべて取得してメールテンプレートに挿入する必要があるとします。このシナリオでは、すぐに使用できるOCRモデルを利用できます。特にカスタム対応は必要なく、写真から利用可能なテキストをすべて抽出します。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、その中の領収書IDのみを抽出して同じフォームの領収書ID項目に反映したい場合を考えてみましょう。この場合、カスタムOCRモデルを利用することで、特定の領収書テンプレートに合わせて学習させ、目的に応じた抽出が可能となります。
AIモデラーが役立ついくつかの法人シーンについて考えてみましょう。
配達パートナー会社のZylker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ました。このアプリケーションを利用して受信チケットを管理し、完璧な顧客サービスを提供しています。チケットを受領するたびに、内容に応じてカテゴリ分けし、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、その地域の専門担当者が対応しやすくなります。
Creatorのキーワード抽出AIモデルを活用することで、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」のようなワードが含まれていれば、そのチケットは自動的に「返品する & 返金」とタグ付けされます。同様に、「delayed」「missing」「rude」などが含まれていれば、「Delivery Agent」とタグ付けされます。これにより、適切な顧客サポート担当者への割り当てが可能になり、チケットの分類にかかる手作業を大幅に削減できます。
Zylkerの配達会社は最近、10分で食料品を届けるサービスを数か所で開始しました。このサービスの認知度や顧客の感想を知るため、Zoho Creatorで作成したアンケートフォームを配布しました。
アンケート結果が多数集まった場合でも、センチメント分析AIモデルを利用することで、新規サービスに対する顧客の意見を素早く把握できます。例えば:
Zylkerという加工食品製造会社は、Zoho Creatorアプリケーションを利用して組織の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み、承認されたレシピの仕様をフォームで更新します。それらが商品として発売される予定です。マーケティングチームはここから販売価格を市場調査に基づき決定する必要があります。このシナリオでは、カスタムAI予測モデルを活用することで、市場での同様な競合商品の価値、重さ、原材料、パッケージの選択など、さまざまな影響要因を基に仮の価格を提案でき、業務効率が向上します。
Zylker 食品製造会社は、Zoho Creator で構築された順番管理アプリケーションを利用して注文を管理しています。多くの購入者に商品を一括で供給し、出力された自動作成の受注書を通知として送信します。全ての受注書は、順番IDや購入者名などの重要情報と共にフォーム内で管理されています。
受注書のデータ管理は効率的ですが、手作業で行うのは単調で非効率的です。このようなシナリオでは、カスタムOCRモデルをZylker発行の受注書レイアウト専用にトレーニングすることが可能です。Zylkerの受注書をアップロードすると、レイアウト固有の情報である順番IDや購入者名を自動的に抽出し、同じフォーム内で管理できるため、時間と手作業の負担を削減できます。
自動車のリセール会社であるZylkerは、オンラインで使用中の交通手段を売買しています。販売希望者が売却予定の交通手段の情報や画像を入力できるよう、WebサイトにZoho Creatorのフォームを埋め込んでいます。本格的な検査が完了する前に、カスタムobject detection AIモデルを活用し、交通手段の損傷レベルに基づいて提案内容にタグ付けや分類を行うことができます。例えば、へこみが多い場合は「重大な損傷」、へこみが少ない場合は「中程度の損傷」といった具合に自動でタグ付けされます。
アプリケーションで既成のモデルを利用する場合、特別な設定は不要です。ただし、 カスタムモデル を利用する場合は、アプリケーションに追加する前に以下の手順に従う必要があります。追加後は、フォームの項目 として利用できます。
Microservices セクションでは、アプリケーションで実装する必須のカスタムモデル種類を選択します。直感的なビルダーにより、選択したAIモデルをカスタムインテリジェンスで法人ニーズに合わせて作成できます。
次の手順は、トレーニングデータをアップロードし、モデルをトレーニングすることです。トレーニングデータは、モデルにパターンを認識させ、予測や必須タスクを実行できるようにするために与える最初のデータセットです。優れたAIモデルの原則は、十分で関連性が高く、高品質なデータを収集してトレーニングすることにあります。データサイエンスで昔からよく使われるフレーズに「ゴミを入れればゴミが出力される(garbage in, garbage 出力)」というものがあります。品質の低いトレーニングデータでは、モデルの結果の正確性が損なわれます。トレーニングデータの品質を確保するための要素には以下が挙げられます:
データセットの準備ができたら、アップロードするし、モデルの学習を開始します。学習にはモデルサイズやキュー待ちのモデル数などの要因により時間がかかる場合がありますが、他の画面に移動し、モデルの学習が完了した後で戻ることも可能です。
正常にトレーニングが完了した後、モデルは実際にデプロイする準備が整います。ただし、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テストすることができます。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場合、トレーニングデータに対するパフォーマンスが低下します。これは、入力変数と出力変数の関係をモデルが正しく理解できていないことが原因です。一方、モデルがオーバーフィッティングしている場合、トレーニングデータにはうまく適合しますが、テストデータでは誤った結果を出力します。これは、モデルが学習データを暗記してしまい、未知のデータに対して汎用化できないためです。
つまり、アンダーフィッティングのモデルはトレーニングデータのパターンではなく変動を参照し、オーバーフィッティングのモデルはトレーニングデータを丸暗記してしまうため、他の入力にはうまく対応できません。
オーバーフィッティングとアンダーフィッティングはどちらも新しいデータに対して不十分な結果をもたらす問題です。これを解決するカギは、トレーニングデータの正則化にあります。トレーニングデータは、変動が多すぎても、予測結果に近すぎてもいけません。
各カスタムモデル種類の精度を向上させる方法をご覧ください。
AIモデルを設定する際の次で最後の手順は、公開することです。この段階までは、モデルは管理者のみがアクセス可能です。モデルに満足した場合は、出版してすべてのユーザーが利用できるようにしましょう。これにより、Zoho Creatorアプリケーションでモデルが実装できる状態になります。
カスタムAIモデルは、一度設定した後でも、編集・名称変更・再学習・削除がいつでも可能です。優れたAIモデルは、適切に構築し、品質の高いデータで学習させ、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には継続的な取り組みが求められます。時間の経過とともに、法人環境やデータが変化することで、AIモデルにはモデルドリフトが避けられません。つまり、モデルの精度が徐々に低下していきます。例えば、企業の営業はCOVID前とCOVID後で異なります。営業を予測するAIモデルを構築する場合、COVID要因も考慮して学習させる必要があります。
この理由から、AIモデルは定期的に、または明らかなトレンドの変更が発生した際に、新規データでテストおよび再トレーニングを行うことが重要です。編集、名前を変更する、retrain、および削除の設定は、モデルの詳細ページで利用可能です。このページでは、バージョンやモデルが導入されているアプリケーション一覧など、その他の詳細も確認できます。
Zoho CreatorアプリケーションでAIモデルを導入するには、以下のいずれかの方法を使用してください。
メモ: 環境が有効になっているアプリケーションでは、少なくとも1つのバージョンが本番環境で公開済みの場合のみ、カスタムAIモデルを使用できます。
提供されているサンプルデータを使い、開始するや作成機能を活用してカスタムAIモデルを作成できます。添付ファイルをご利用ください。
「導入したばかりで基本操作や設定に不安がある」、「短期間で集中的に運用開始できる状態にしたい」、「運用を開始しているが再度学び直したい」 といった課題を抱えられているユーザーさまに向けた少人数制のオンライントレーニングです。
日々の営業活動を効率的に管理し、導入効果を高めるための方法を学びましょう。