自然言語処理（NLP）、ビジネスインテリジェンス（BI）、アナリティクスは近年進化している。NLP は、BI データをよりアクセスしやすいものにする可能性がある。しかし、この非常に競争の激しい分野での使用に NLP を適応させるには、多くの作業が必要となる。

統合された NLP 対応のチャットボットは、検索やクエリ機能とともに、多くの BI 指向システムの一部になっている。データサイエンスと MLOps テクノロジーが同様の目標を追求しているため、老舗の BI プレーヤーもスタートアップの BI プレーヤーも同様に非常に競争の激しい環境にある。しかし、競争はイノベーションに拍車をかけている。

Domo、Google Looker、Microsoft Power BI、Qlik Insight Advisor Chat、Tableau、SiSense Fusion、ThoughtSpot Everywhere などのシステムでは、NLP の更新が行われている。これらにより、ビジネスユーザは自然言語クエリを介してデータを取得するため、データの消費が大幅に便利になった。

Microsoft や Salesforce のプラットフォームが ChatGPT と連携

幅広い製品範囲にわたって、より多くのイノベーションが待ち構えている。他の技術分野と同様に、OpenAI の ChatGPT のような大規模な言語モデルがオンラインになるにつれ、この分野はさらに劇的に変化するだろう。

先月、Microsoft がこのモデルに基づいた開発機能「Power BI」が「Azure OpenAI Service」を通じて利用可能になると発表したことから、NLP の取り組みに ChatGPT が後押しする兆しが見えてきた。同社は今週、Power Virtual Agents のジェネレーティブ AI 機能をフォローアップした。

また今週、SalesForce は、BI ワークフローに影響を与える可能性のある自動要約を含む、さまざまなツールのSalesForce 独自のAI モデルに「エンタープライズ向け ChatGPT」をもたらす OpenAI 連携を発表した。

ポンコツからの進化

Constellation Research のアナリスト Doug Henschen 氏 は VentureBeat に次のように語った。

その道のりは時に険しいものだった。自然言語クエリと自然言語表現は、今日、ほとんどの BI アナリティクス製品に日常的に搭載されている。しかし、その道は時に険しいものだった。

NLP の強化が BI システムに導入された当初は、ちょっとポンコツだった。 企業の開発者は、データの対象ユーザがいるドメイン内で一般的な言語を収集する必要があった。これには、同じことを説明するのに使われる可能性のある同義語を特定することも含まれる。トレーニングや舞台裏のツールは、セットアップを自動化するために改良されてきた。

ほとんどの場合、BI 製品はそれをうまく処理できるようになった。今、我々はLLM（大規模言語モデル）とジェネレーティブ AI のまったく新しい波に目を向けている。まったく別のレベルのテクノロジーだ。

NLP で強化されたビジネスインテリジェンス

ほとんどの BI システムでは、アプリケーションにログインし、必要なレポートを生成し、ダッシュボードを通じてインサイトをフィルタリングするという従来の方法でデータにアクセスする。しかし、この時間のかかるプロセスには、ある程度の技術的習熟が必要であるため普及率が低くなる。

そのため、企業はデータサイエンティストやデータアナリストを雇って BI システムからインサイトを引き出すことがよくある。しかし、マネージャーは、組織内でより広く使われることも求めている。現在、ますます多くのグローバル企業が、自然言語を理解し、BI に関連する複雑なタスクを実行できる NLP ドリブンのビジネスインテリジェンスチャットボットを採用している。

ServiceNow の市場開拓アナリティクス担当バイスプレジデント Sarah O’Brien 氏によると、ビジネスインテリジェンスは、ニュースの報告から、リアルタイムのデータに基づく関連行動の予測と処方へと変化している。

自然言語処理における革新の爆発により、これらのアクションは会話言語で構築され、はるかに幅広いソースから引き出されるようになった。ビジネスインテリジェンスはコンテキストを提供し、NLP はコンテンツを提供する。（O’Brien 氏）

Tableau のリサーチディレクタ Vidya Setlur 氏によると、今日のチャットボットは、既存の LOB や CRM システムなどのさまざまなソースから効率的にデータを抽出し、Skype for Business や Slack などの多くのサードパーティメッセージングアプリケーションと連携できる。

NLP 対応のチャットボットと質問応答インターフェイスにより、視覚的なアナリティクスワークフローは従来のダッシュボードエクスペリエンスに縛られなくなった。人々は Slack で質問し、データのインサイトをすばやく得ることができる。（Setlur 氏）

つまり、ユーザは毎回 BI アプリケーションにアクセスしなくても、会話型インターフェースを通じて実用的なインサイトを得ることができる。Setlur 氏は、これにより、組織がビジネスを成長させ、採用する専門知識の種類について考える方法が変わったと考えている。

NLP 主導の分析体験は、高度なアナリティクスツールを使用したり、複雑なデータクエリを作成したりすることなく、人々がデータを分析してインサイトを収集する方法を民主化した。（Setlur 氏）

この利便性は、組織の分析文化を促進する上で重要な役割を果たす。NLP を BI ツールに適用することで、ITスペシャリストに頼って複雑なレポートを生成するのではなく、非技術者でも独自にデータを分析できる。

NLP を採用すると、高度な分析を行うための高度なスキルセットを持っていない人でも、簡単な言葉でデータに関する質問をすることができる。人々は複雑なデータベースや大規模なデータセットから質問への回答をすばやく得ることができるため、組織は重要なデータドリブンな意思決定をより効率的に行うことができる。

彼女は、音声ベースとテキストベースの両方の自然言語インターフェース（NLI）がこれらの質問を解釈し、関連するデータと洞察に関するインテリジェントな回答を提供できると付け加えた。

同様に、エンタープライズ VR プラットフォーム「Mesmerise」のデータおよび応用科学責任者 Ivelize Rocha Bernardo 氏は、このような実装によりデータ分析がより透明になり、組織のデータの民主化に役立ったと考えている。

ステークホルダーと経営陣は、質問を通じてデータを照会でき、BIプラットフォームは関連するグラフを提供することで応答できる。これは、次のレベルのデータ分析であり、ビジネスインテリジェンスと分析の可能性を解き放つものであり、チームはより詳細なフォローアップの質問と単純ではないデータの洞察に集中できる。（Bernardo 氏）

NLP を使用して BI ワークフローを自動化する

組織は自然言語処理によって多くのワークフロー タスクを自動化し、関連データを取得できる。

検索エンジンは NLP アルゴリズムを活用して、以前の検索履歴の動作とユーザの意図に基づいて関連する結果を推奨できる。これらの検索エンジンは、「フライト状況は？」とか「Golden State Warriors （編注：サンフランシスコのパスケットボールチーム）の試合の現在のスコアは？」などのシウモンに答えてくれる。（Setlur 氏）

予測テキストの生成とオートコンプリートは、携帯電話から文書や電子メールの作成まで、いたるところに存在するようになった。アルゴリズムは、メッセージのトーンに合わせて単語やフレーズを推奨することもできる。

ドメイン領域の絞り込みが成功の鍵

Mesmerize の Bernardo 氏によると、BI プロセスにおけるコラボレーションは重要である。彼女は、NLP モデルの実装はチーム間のコラボレーションであると述べた。ワークフローアーキテクチャを改良し、データチームと連携するには、ドメインのスペシャリストのサポートが不可欠である。

NLP を使用してワークフローを最適化する成功例は数多くある。そのうちの1つは、ソーシャルメディアを分析してトレンドやブランドエンゲージメントを特定することだ。もう1つの成功例は、よくある質問への回答プロセスを自動化し、従業員が人とのやり取りを必要とするタスクに集中できるようにするブロックを解除することで、カスタマーサービスを改善するチャットボットだ。（Bernardo 氏）

ベテランのデータサイエンティストとして、Bernardo 氏は、このような NLP ソリューションを実装する最善の方法は、段階的に作業し、小規模で非常に客観的な配信を行い、結果を測定および追跡することであると推奨している。

これらのソリューションを効果的に実装するための私のアドバイスは、組織が最適化したいユースケースを定義することから始めることだ。次に、長期目標と短期目標を作成する。短期的な目標は、納品に関連付けて、特定のプロジェクトフェーズに割り当てる必要がある。最後に、チームは各フェーズの終わりに長期計画を再検討し、再評価して改良する必要がある。（Bernardo 氏）

彼女はまた、NLP ソリューションを実装するためのベストプラクティスの1つは、特定のドメイン領域に焦点を当てることであると述べた。

モデルのドメインが広ければ広いほど、NLP モデルがそれほど正確ではない結果をもたらす可能性が高くなる。

BI に NLP を実装する際の現在の課題

BI に NLP を実装する際の大きな課題の1つは、特定のグループまたは人口統計に対するバイアスが NLP モデルに見られる可能性があることだ。もう1つの問題は、NLP システムが機能するには膨大な量のデータが必要であるが、このデータを収集して使用すると、深刻なプライバシーの問題が発生する可能性があることである。

公平で偏りのないモデルの作成に集中する必要がある。データを保存する前に、組織はユーザのメリット、データを保存する必要がある理由を検討し、ユーザデータを保護するための規制とベストプラクティスに従って行動する必要がある。（Bernardo 氏）

NLP モデルもより複雑になる可能性があり、特定の決定にどのように到達するかを理解することが困難になる可能性がある。したがって、説明可能なモデルの作成、つまり、モデルが特定の決定にどのように到達したかをより簡単に理解できるようにすることに重点を置くことが不可欠である。

コンピュータシステムは、人々がデータについて質問する様々な方法を解析し、解釈することができる必要があり、これにはドメイン固有の用語（例：医療業界）を含む。セキュリティを維持しながら、BI 組織のアナリティクスやインサイトをサポートする、堅牢で信頼性の高いツールを開発することは、この分野がさらに改善すべき課題だ。（Setlur 氏）

BI における NLP の次は何か?

NLP は進歩し、さまざまな問題を解決するのに役立っているが、言語自体は依然として複雑で曖昧である。

合成データプラットフォーム「Synthesis AI」CEO 兼創設者の Yashar Behzadi 氏によると、NLP に対するジェネレーティブ AI のアプローチはまだ新しく、モデルを適切に構築して微調整する方法を理解している開発者は限られている。

これらのアプローチを単純に利用すると、偏りや不正確な要約につながる可能性がある。しかし、微調整されたモデルの開発を合理化するために、これらのシステムのエンタープライズバージョンを作成しているスタートアップや既存企業があり、現在の課題の一部を軽減するはずだ。（Behzadi 氏）

Behzadi 氏は、今後数年間でエンタープライズレベルのターンキーソリューションによって、企業が自社のデータに基づいて大規模な言語モデルを微調整できるようになると予測している。彼はまた、モデルの監視とフィードバックのソリューションが一般的になり、実際のパフォーマンスを評価し、基礎となるモデルを継続的に改良するのに役立つと述べた。

今後数年間は、従来の BI を補完する必要があり、新しい NLP アプローチに取って代わられるべきではない。テクノロジーは急速に成熟しているが、ビジネス主導の中核となる意思決定は、新しいアプローチで信頼が確立されるまで、実証済みの BI アプローチに頼る必要がある。（Behzadi 氏）

AI コピーライティングプラットフォーム「Anyword」の CEO 兼共同創設者 Yaniv Makover 氏は、彼の会社では「コピーインテリジェンス」の必要性が高まっていることを認識していると述べた。これは、チャネル全体で市場とのコミュニケーションを管理するためのBIアプローチである。Makover 氏は、近い将来、BI とジェネレーティブ AI の連携が見られるかもしれないと述べている。

LLM の出現により、NLP アルゴリズムははるかに正確に要約し、ユーザが生成したコンテンツの意味を理解できるようになった。例の無限の流れを抽出し、単語ごとにコピーする必要はない。これにより、クエリの要約がはるかに強力になる。（Makover 氏）

エンドユーザの好みとニーズを理解することは、大量のデータをプログラムでソートする必要性と同様に、NLP とビジネスインテリジェンスにとって継続的に不可欠である。

ChatGPT のような LLM は、BIの開発者側のボトルネックに対処するのにも役立つことに注意することが重要である。

このようなジェネレーティブ AI は、ビジネス言語だけでなく、ソフトウェアプログラミング言語にも役立つとDoug Henschen 氏は述べている。

次世代の自然言語として、ジェネレーティブ AI はコードも生成する。それは巨大なものだ。

しかし、彼は「関係する人々への注意」として注意点を挙げている。

モデルを使って何かを試したところ、ちんぷんかんぷんな結果が返ってきたという話や例は、これまでにもたくさんある。だから、ソフトウェアメーカーがより多くの文脈を組み込めば、より信頼性の高い結果を得ることができる。

企業は、（ジェネレーティブ AI に対し）引き続き人間による監督と監視を必要とするだろう。ただ、ChatGPT のようなモデルは膨大な時間を節約し、必要なものに非常に近い言語生成コードの生成を開始できることを約束する。しかし、それが正しいことを確認する必要がある。

【via VentureBeat】 @VentureBeat

【原文】