エンティティを定義および設定する

コミュニケーション データから抽出するキー データ ポイント (エンティティ) を定義することが重要です。これらは通常、下流の自動化を促進するために使用されますが、分析、特に自動化の機会の潜在的な成功率とメリットを評価する場合にも役立ちます。

最終的には、エンティティの予測をラベルと組み合わせることで、特定のタスクやプロセスを完了するために必要な構造化データ ポイントを提供して、自動化を促進できます。データセット内のエンティティをラベルと一緒にトレーニングするほうが、一方を重点的に作業した後に他方を重点的に作業するよりも (つまり、ラベルの完全なタクソノミーをトレーニングした後にエンティティをトレーニングするよりも)、はるかに時間効率に優れています。

例:

「住所変更」リクエストを自動化する場合、ラベルを使用してリクエストの種類をキャプチャすると同時に、エンティティを使用して住所のさまざまな要素 (住所行、市区町村、郵便番号など) をキャプチャします。各予測を API 経由で利用可能にして、すべてのメッセージに対応できます。

エンティティを使用して自動化の機会を評価する

エンティティを適切なパフォーマンス レベルになるように設定してトレーニングすると、自動化の対象となる可能性があるリクエストの種類について重要な洞察を生成するのに役立ちます。

その方法を理解するために、引き続き同じ例「住所変更」を使用します。

「住所変更」リクエストは、トランザクション型で量が多く、手動で行われることが多いタスクであることが分かったので、自動化できる割合を把握したいと考えています。

そのためには、リクエストを識別するためのラベルのパフォーマンスが良好であることを確認する必要があります。また、受信した住所変更リクエストのうち、変更を処理するために必要なデータ ポイント (すなわちエンティティ) が含まれる割合も理解する必要があります。

この例では、「住所 1」「市区町村」「郵便番号」「都道府県」などがこれにあたります。プラットフォーム内でフィルターを組み合わせて使用することで、必要なエンティティのすべてまたは一部を含む「住所変更」リクエストの割合を簡単に評価できます。これは、エンドツーエンドで正常に自動化できる割合と、完了するには追加の情報や人間の参加が必要な箇所を理解するのに役立ちます。

必要なエンティティが住所変更リクエストの 80% に含まれている場合、有望な自動化候補になります。必要なエンティティが 20% しか含まれていない場合は、それほど重要な機会ではない可能性があります (全体的な量によって異なります)。

注: これらを評価する前に、エンティティのパフォーマンスが良好であることが重要です。そうしないと、純粋にトレーニング不足が原因で、エンドツーエンドで自動化できるリクエストが多数見逃される可能性があるためです。

上記の例は、どうすればこのプラットフォームを使用してコミュニケーション チャネル内の自動化の機会を効率良く把握できるかを示しています。このデータをプラットフォームから抽出して自動化の機会の案件に提供することで、成功率が最も高く、結果的に ROI が最も高い機会を効果的に特定して優先順位を付けることができます。