生成AI分析

生成AI分析とは何ですか？

生成AI分析は、大規模言語モデル（LLM）を使用してビジネスデータを分析し、説明、要約、または推奨などの新しいテキスト出力を生成します。これは、チャートや手動クエリのみに頼るのではなく、ナラティブなインサイトを生成することで、従来のレポート作成を拡張します。この文脈において、分析のための生成AIは、個別のBIツールを介するのではなく、組み込み分析を介して製品内で動作します。

このアプローチは、分析機能が既存のユーザーインターフェースに組み込まれた組み込みBIの一種です。ユーザーは、すでに使用しているアプリケーションのコンテキスト内でデータを探索し、理解することができます。システムは、人間が解釈するようにダッシュボードを解釈し、平易な言葉で質問に答え、変更点、原因、および次のステップを説明します。

生成AI分析の仕組み

生成AI分析は、ユーザーの質問を解釈し、データ構造を読み取り、実行するアクションを決定します。モデルは、ダッシュボードの作成、チャートの要約、またはトレンドの説明など、意図を特定します。その後、製品の既存のロジックを使用してデータを取得および処理するため、結果はユーザーの権限に沿って維持されます。

Revealでは、AIレイヤーは管理されたデータソースを使用して、顧客環境内で動作します。生のSQLを生成することはありません。代わりに、すでに存在する通常の認証、フィルタリング、およびセキュリティルールを通過するダッシュボード定義を作成します。これにより、すべてのリクエストでユーザーコンテキストが維持されます。

チームは、保存されたメタデータを使用して既存のダッシュボードを見つけるために検索（retrieval）を利用できます。モデルはインデックス化されたアセットを検索し、最も近い一致を返し、標準のSDKプロセスを通じてレンダリングします。このアプローチは、確立されたワークフローをバイパスすることなく、自然言語クエリを運用BIにリンクさせます。

Revealは、会話型クエリ、プログラマティックな制御、およびインサイト生成を製品内に統合するAI機能によって、このプロセスをサポートします。

生成AI分析の実行例

生成AI分析は、多くの製品ワークフローに登場します。これらの例は、ユーザーが複雑なレポートツールを学習することなく、インサイトとどのようにやり取りするかを示しています。

• 「昨年の売上と注文の分析ダッシュボードを作成してください」といった平易な言語のリクエストからダッシュボードを作成すること。

• 新しいウィジェットや特定のチャートタイプを要求することで、組み込みダッシュボードdにビジュアルを追加すること。

• 単一のビジュアライゼーションを要約し、ユーザーがメトリックをメールやチャット用の短いナラティブに変換できるようにすること。

• トレンド、パターン、およびパフォーマンスの変化を説明する完全なダッシュボードの要約または分析を生成すること。

• エディターを開くことなく、フィルターの追加やビューの調整など、自然言語を通じてダッシュボードを編集すること。

• ユーザーが保存されたAIメタデータを通じて多くのダッシュボードを検索した際に、既存のビジュアルを返すこと。

このようなパターンは、製品内でのより強力なデータドリブンなストーリーテリングをサポートします。ユーザーが何が変わり、なぜ変わり、次に何が重要かを迅速に理解する手段を提供します。

分析における生成AIの利点

生成AI分析は、チームが製品に複雑さを加えることなく、ユーザーにインサイトへのより迅速なアクセスを提供することを支援します。これらの利点は、リピート利用、更新、および顧客向け分析における明確な価値に依存するSaaSおよびISVプラットフォームにとって最も重要です。

主な利点には以下が含まれます。

• ユーザーが自然言語で直接質問できるため、データチームの負荷を軽減します。

• チャートを明確な説明に変換することで、非技術的なユーザーがデータを理解するのを助けます。

• ルーティンな質問に対するより迅速な回答により、意思決定を加速します。

• 多くの画面で同じ組み込みSDKとAIインテントを使用することで、開発作業を削減します。

• インサイトを見つけ、コンテキストで使用しやすくすることで、製品の採用率を高めます。

これらの利点は、より強力な製品利用をサポートし、エンドユーザーに明確な成果をもたらす分析機能を通じてデータ収益化のための新しい道を開きます。

課題と考慮事項

生成AI分析は、製品チームが管理しなければならない新しいリスクをもたらします。これらのリスクは、プライバシー、精度、およびガバナンスに関連しており、アプリケーション内でAIがどのように動作すべきかを形作ります。

データプライバシーが最初の懸念事項です。チームは、モデルがどこで実行されるか、どのデータが環境内に留まるかを決定する必要があります。Revealは、推論を顧客のインフラストラクチャ内に維持し、すべてのAIリクエストに対して既存のセキュリティルールを強制することで、これに対処します。次に課題となるのが精度です。モデルは不完全または不正確な回答を返す可能性があるため、チームは影響度の高いワークフローを保護するために、信頼度スコア、モデルテスト、およびスポットチェックをよく使用します。

ガバナンスと信頼性も重要です。チームは、モデルの動作を追跡し、監査履歴を保存し、すべてのインサイトに対してデータガバナンスを管理する必要があります。レイテンシはユーザーの信頼に影響を与えるため、パフォーマンスチューニングとモデル選択の両方が役割を果たします。Revealは、AIをガイドし、結果を基盤となるデータ構造に合わせるのに役立つ、メタデータホワイトリストやドメイン固有のオーバーライドなどのコントロールを追加します。

これらの問題は、生成AI分析と従来の分析ワークフローの間に明確な対比を生み出します。

生成AI vs. 従来の分析

生成AI分析は、ユーザーがデータを探索する方法を変えます。従来の分析は、準備されたダッシュボードと手動クエリに依存しています。生成システムは、結果を説明し、変更点を強調し、平易な言葉で質問に答えるレイヤーを追加します。この変化は、ユーザーがインサイトを扱う方法と、チームが分析機能を設計する方法を変えます。

この比較は、多くのチームが生成AIを既存のダッシュボードと組み合わせて使用し、置き換えるのではなく、その理由を示しています。これは、確立された分析プラクティスに代わるものではなく、インサイトへの新しいエントリーポイントとなります。

組み込み分析における生成AI

生成AIは、ユーザーがすでに作業している製品内部で実行されるときに最大の価値を得ます。このモデルは、インサイトをアクションに近づけ、ツール間の切り替えによる摩擦を減らします。また、製品チームがAIがどのように動作するか、結果がどのように表示されるか、データがどのように保護されるかについて完全な制御を可能にします。

組み込みアーキテクチャでは、アプリケーションは、AIインテントを既存の画面に接続するために、分析SDKおよびAPI駆動型の分析を使用します。ユーザーは、運用タスクの隣で質問をし、同じ組み込みレポートまたはダッシュボードビュー内で更新されたチャートや説明を受け取ることができます。このパターンは、ユーザーを個別のBIポータルに強制することなく、インタラクティブなダッシュボードとガイド付きフローをサポートします。

デプロイメントもまた、体験を形作ります。多くのチームは、独自の環境でRevealを実行し、独自のアカウントの下でモデルに接続します。これにより、すべての顧客データが承認されたデータソースとセキュリティルール内に留まります。また、生成機能がホスト製品のデザインに一致するホワイトラベル分析もサポートします。

これらの機能は、受動的なビジュアルを、ユーザーがより迅速にインサイトに到達するのに役立つ会話型のエントリーポイントに変換することで、組み込み分析のROIを向上させます。うまく実行されると、生成AIはワークフローの外に存在する別個の機能ではなく、組み込み分析の上のオペレーティングレイヤーになります。