生成 AI 分析とは何ですか？
生成 AI 分析では、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、または推奨事項などの新しいテキスト出力を生成します。これは、グラフや手動クエリにのみ依存するのではなく、説明的な洞察を生成することで、従来のレポートを拡張します。このコンテキストでは、分析のための生成 AI は、 組み込み分析 ではなく、別の BI ツールを通じて、製品内で動作します。
このアプローチは、 （BI）機能を既存のソフトウェアアプリケーションのユーザーインターフェイス（UI）に直接統合し、リアルタイムレポート、インタラクティブなデータ視覚化、および/または機械学習などの高度な分析を提供します。それは、洞察をコンテキストに統合することに重点を置いており、ユーザーは影響が生じる瞬間に対応できるようにし、運用と意思決定の改善の機会を逃すことはありません。の一種であり、分析機能は既存のユーザーインターフェイスに組み込まれています。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および理解できます。システムはダッシュボードを人間が解釈するように解釈し、平易な言葉で質問に答え、変更、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 分析では、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、グラフの要約、または傾向の説明など、意図を識別します。次に、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し、結果はユーザーの権限と一致するようにします。
Reveal では、AI レイヤーは管理された データソースに対してのみ とともに動作し、顧客環境内で実行されます。生の SQL を生成することはありません。代わりに、通常の認証、フィルタリング、および セキュリティ ルールを通じて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の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検索するために、検索を使用できます。モデルはインデックス化されたアセットを検索し、最も一致するものを返し、標準の SDK プロセスを通じてレンダリングします。このアプローチにより、自然言語クエリを確立されたワークフローをバイパスすることなく、運用 BI にリンクできます。
Reveal は、 AI機能 を通じてこのプロセスをサポートし、会話型のクエリ、プログラムによる制御、および製品内の洞察の生成を統合します。
生成 AI 分析の実際の使用例
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、洞察とどのように対話するかを示しています。
-
「昨年分の販売および注文分析ダッシュボードを作成する」などの平易な言葉でのリクエストからダッシュボードを作成します。
-
新しいウィジェットまたは特定のグラフタイプを要求して、 埋め込みダッシュボードにd を追加します。
-
ユーザーがメーリングリストまたはチャットで短い説明文に変換できるように、単一の視覚化を要約します。
-
傾向、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します。
-
フィルターを追加したり、ビューを調整したりするなど、自然言語を使用してダッシュボードを編集します。エディターを開く必要はありません。
-
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ときに、既存の視覚化を返します。
これらのパターンは、製品内のより強力な データに基づいたストーリーテリング をサポートします。これにより、ユーザーは、何が変更されたか、その理由、および次に何が重要かをすばやく理解できます。
分析のための生成 AI の利点
生成 AI 分析は、チームがユーザーに洞察へのより迅速なアクセスを提供し、製品の複雑さを増やすことなく実現します。これらの利点は、繰り返し使用、更新、および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。 多くの製品は、.
主な利点には、次のものがあります。
-
ユーザーが平易な言葉で質問できるため、データチームの負荷が軽減されます。
-
グラフを明確な説明に変換することで、技術に精通していないユーザーがデータを理解できるようになります。
-
日常的な質問に対する迅速な回答により、意思決定が加速されます。
-
同じ 組み込みSDK と AI 意図を多くの画面で使用することで、開発作業が削減されます。
-
洞察を見つけてコンテキスト内で使用しやすくなるため、製品の採用率が向上します。
これらの利点は、より強力な製品の使用をサポートし、エンドユーザーに明確な結果を提供する分析機能を通じて、新しいパスを開きます。 データの収益化 課題と考慮事項
生成 AI 分析は、製品チームが制御する必要がある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、正確性、およびガバナンスに関連しており、AI がアプリケーション内でどのように動作するかを決定します。
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、どのデータが環境内に保持され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保持し、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適用することで、これに対処します。次の課題は、正確性です。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、信頼スコア、モデルテスト、およびスポットチェックを使用して、重要なワークフローを保護することがよくあります。
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、すべての洞察についてデータガバナンスを管理する必要があります。レイテンシーはユーザーの信頼性に影響するため、パフォーマンスの調整とモデルの選択の両方が役割を果たします。Reveal は、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、AI をガイドし、結果を基になるデータ構造と一致させるのに役立つコントロールを追加します。
これらの問題により、生成 AI 分析と従来の分析ワークフローの間には明確なコントラストが生まれます。
生成 AI と従来の分析
生成 AI 分析は、ユーザーがデータを探索する方法を変更します。従来の分析では、準備されたダッシュボードと手動クエリに依存します。生成システムは、結果を説明し、変更を強調し、平易な言葉で質問に答えるレイヤーを追加します。この変更により、ユーザーが洞察と対話する方法と、チームが分析機能を設計する方法が変化します。
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、新しい洞察へのエントリーポイントとして使用する理由を示しています。
埋め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で実行される場合に最も価値を発揮します。このモデルにより、洞察はアクションに近づき、ツールを切り替える際の摩擦が軽減されます。また、製品チームは、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、およびデータがどのように保護されるかを完全に制御できます。
埋め込みアーキテクチャでは、アプリケーションは分析 SDK と API 駆動型分析を使用して、AI 意図を既存の画面に接続します。ユーザーは、運用タスクの横に質問を記述し、同じ
またはダッシュボードビュー内で更新されたグラフまたは説明を受け取ることができます。このパターンは、インタラクティブなダッシュボードとガイド付きのフローをサポートし、ユーザーを別の BI ポータルに強制することはありません。 ほとんどの顧客向け分析では、iFrame埋め込みではなく、分析SDKと直接埋め込みに依存しています。これにより、エクスペリエンスを完全にブランド化し、ロールベースのアクセス、データのリフレッシュ、行レベルのセキュリティなどの機能をサポートできます。また、マルチテナント環境で信頼性が高く、スケーラブルな分析を提供するために必要な制御も提供します。 デプロイメントもエクスペリエンスを形作ります。多くのチームは
を独自の環境で実行し、独自のドメインの下にある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 Reveal とセキュリティルール内に保持されます。また、 データソースに対してのみ もサポートし、生成機能はホスト製品のデザインと一致します。 ホワイトラベル分析はこれらの機能により、
埋め込み分析の ROI が向上します。 受動的な視覚化を会話型のエントリーポイントに変換し、ユーザーがより迅速に洞察にアクセスできるようにします。適切に実行すると、生成 AI は、ワークフローの外にある別の機能ではなく、埋め込み分析の上に構築されたオペレーションレイヤーになります。 統合分析：その概要と仕組み | Reveal 用語集
