はじめに
AIエージェントを構築するには、プランニング、テクノロジー、インフラストラクチャーの複数のレイヤーが必要です。開始点は、構築するエージェントの種類（チャットボット、レコメンデーションエンジン、自律システムなど）によって異なります。 まず、エージェントの目的と範囲を定義し、適切なプラットフォームを選択して、エージェントのために指示と変数を作成します。エージェントを関連するナレッジベース、チャネル、プラットフォームに統合し、最後にパフォーマンスのテスト、導入、監視、改善を行います。ロードマップ
エージェントを構築するための基本的な手順の一般的なロードマップを以下に示します。1. 目標を定義する
質問： エージェントに解決させるのはどのような問題ですか？ これにより、すべてのダウンストリームの選択が定義されます。- 質問に回答しますか？（例：カスタマーサポート）
- タスクを実行しますか？（例：スケジュール設定、自動化）
- 知覚して行動しますか？（例：ロボット、自走車）
2. 環境を理解する
- エージェントはどのような入力を受信しますか？（例：テキスト、画像、センサーデータ）
- エージェントはどのような行動を取ることができますか？
- エージェントは予測的ですか？ 反応的ですか？ 双方向的ですか？
- 環境は静的ですか？ 動的ですか？
3. エージェントタイプを選択する
- ルールベースのエージェント — if-thenロジックを使用します
- マシンラーニングベースのエージェント — データから学習します
- 学習エージェントの強化 — 環境と対話することで学習します
- ハイブリッドエージェント — 複数の技術を組み合わせます
4. データを収集して準備する
- ユーザーインタラクション、ログ、ラベル付きDataSetなどの関連データを収集します。
- データを適切に整理し、フォーマットして、ラベル付けします。
- トレーニング、検証、テストのセットに分割します。
5. トレーニングと評価
- 正確性、精度、報酬など、適切なメトリクスを念頭にモデルをトレーニングします。
- 検証/テストデータを使用してパフォーマンスを評価します。
- ハイパーパラメーターを最適化します。
- 必要に応じてフィードバックループを組み込みます。
使用事例 — エージェントの例
この使用事例では、パラメーターは以下の通りです。- 解決すべき問題 — 製品チームは、複数のアナリストに対して1年に何度もプラットフォームに関する特定の質問に回答する状況に直面しています。
- 目的と範囲を定義する — 以前に提出した回答と製品リリースノートを使用して、アナリストの各質問に対する回答を作成します。
-
プラットフォームを選択する — 当然、DomoのAgent Catalystです。
-
指示と変数を作成する サンプル指示：
-
知識システムとの統合 — 上記の例には、以下のようなDomo DataSetやFileSetが含まれています。
その他のエージェント案
作成できるエージェントにはほかに以下のようなものがあります。-
ナレッジベースエージェント
Domoナレッジベース の記事や コミュニティ
のデータをすべて使用し、顧客やパートナーがDomoで何かを構築しようとするときの質問に使用できるDomoエージェントを作成します。
- Domoディープリサーチ ディープリサーチは、AIを使用して複雑なトピックを探索し、包括的で読みやすいレポートで結果を提供します。これは、Domoで複雑なタスクの処理方法を大幅に改善して時間を節約する方法を探るための第一歩です。
- コールセンター分析 毎月10万件を超える通話に対応しているとします。コール品質とコンプライアンスの規制を追跡するにはどうすればよいでしょうか。またコール品質と通話時間が平均を下回っているコールセンター担当者をフォローアップするにはどうすればよいでしょうか。この困難なタスクを実用的なインサイトにまとめることができるとしたら、どうでしょうか。
