AI Builder についての説明
AI Builder は、ビジネス プロセスを最適化するために設計された AI モデルを提供する Microsoft Power Platform の機能です。 AI Builder を使用すると、組織はインテリジェンスを使用してプロセスを自動化し、Power Apps や Power Automate のデータからインサイトを収集できます。 AI Builder では、AI の機能を使用するためのコーディングやデータ サイエンス スキルは不要です。 ユーザーは、ニーズに合わせて調整されたカスタム モデルを構築したり、一般的なビジネス シナリオで使用できる事前構築済みモデルを選択できます。
AI ハブ
AI ハブはさまざまな AI 要素へのアクセスを可能にする集中化された領域です。 AI ハブから、次の 3 つの領域にアクセスできます。
プロンプト: さまざまな要素で詳細なコンテキストを入手するために使用し、消費するプロンプトを作成します。
AI モデル: 個々のビジネス要件に応じてさまざまなモデルを定義します。
ドキュメント自動化: 完全なドキュメント自動化ソリューションを作成できます。
ビジネスへのインテリジェンスの追加
AI Builder は、さまざまなビジネス シナリオに適した複数のモデルを備えています。 次に例をいくつか示します。
画像に含まれる自社製品を検出するインテリジェンスを使用する場合、AI Builder の物体検出モデルをカスタマイズできます。 カスタマイズ可能なモデルを使用することで、目的に合ったモデルの構築、トレーニング、公開を行えます。
領収書のスキャンと処理によって経費精算書の構築を自動化するインテリジェンスを使用する場合、AI Builder の事前構築済み領収書スキャンモデルを使用できます。 このような事前構築済みモデルを使用することで、すぐに生産性を高めることができます。
履歴データのパターンに基づいてマーケティング キャンペーンをデザインする場合、自社の履歴データを使用して、自社のビジネスに適した予測モデルをカスタマイズできます。
AI Builder モデルには主に 2 種類があります。
事前構築済み: データの収集、モデルの構築、トレーニング、公開を必要とすることなく、アプリやフローにインテリジェンスを追加できるモデルです。
カスタム: これらのモデルは、より複雑な、または対象を絞った AI ソリューションの構築に役立ちます。 これらは、一から構築できるモデルです。
事前構築済みモデルには以下が含まれます。
名刺リーダー: 名刺の画像から情報を抽出します。 画像内の名刺を検出すると、AI モデルが名前、役職、住所、メール、会社、電話番号などの情報を抽出します。
カテゴリ分類: 事前構築済みのカテゴリ分類モデルは、すぐに使用できる AI モデルです。 このモデルは、テキストを特定のビジネス シナリオに役立つカテゴリに分類するように構成されています。 最初の事前構築済みカテゴリ分類 AI モデルは、顧客フィードバックのユース ケース用に構築されています。 その他のカテゴリ分類事前構築済みモデルについては、後日再度確認するか、予定されているリリース プランをご確認ください。
エンティティの抽出: 事前構築済みエンティティ抽出モデルは、ビジネスで必要なテキストから特定のデータを認識します。 このモデルは、テキストから重要な要素を抽出し、定義済みのカテゴリに分類します。 これにより、構造化されていないデータを機械で読み取り可能な構造化データに変換します。 その後、ユーザーはデータを処理して、情報の取得、事実の抽出、質問への回答を行えます。
ID リーダー: 事前構築済み ID リーダー モデルは、パスポート、米国の運転免許証、ソーシャル セキュリティ カード、グリーン カードから情報を抽出します。 このモデルは、対象者の名、生年月日、性別などの情報を抽出します。
請求書処理: 事前構築済み請求書処理 AI モデルは、請求書処理を自動化するために、主要な請求書データを抽出します。 請求書処理モデルは、請求書 ID、請求日、合計金額などの一般的な請求書要素を認識するように最適化されています。
キー フレーズ抽出: 事前構築済みキー フレーズ抽出モデルは、テキスト ドキュメントの要点を識別します。 たとえば、「食事は素晴らしく、サービスも優れていた」というテキストを入力すると、このモデルは「食事」と「優れたサービス」という主な話題を返します。このモデルは、構造化されていないテキスト ドキュメントからキー フレーズの一覧を抽出できます。
言語検出: 事前構築済み言語検出モデルは、テキスト ドキュメントで使用されている主な言語を識別します。 このモデルはテキストを分析して言語を検出し、0 から 1 の間のスコアを返します。 スコアが 1 に近いほど、結果の信頼度が高いことを示します。 検出された言語は、言語の「スクリプト」として返されます。 たとえば、「I have a dog」というフレーズに対しては、「en-US」ではなく「en」を返します。検出できない言語は、不明と返されます。
領収書処理: 事前構築済み領収書処理モデルは、最新式の光学式文字認識 (OCR) を使用して、印刷および手書きのテキストを検出し、領収書から重要な情報を抽出します。
感情分析: 事前構築済み感情分析モデルは、テキスト データからポジティブまたはネガティブな感情を検出します。 このモデルを使用すると、ソーシャル メディア、顧客のレビュー、またはビジネスで必要とされるあらゆるデータを分析できます。 感情分析は入力テキストを評価し、文章および文書レベルのスコアとラベルを返します。 スコアおよびラベルは、ポジティブ、ネガティブ、ニュートラルです。 文書レベルでは、「混在」感情ラベルも返しますが、このラベルにはスコアがありません。 文章のスコアの集計は文書の感情を決定します。
テキスト認識: 事前構築済みテキスト認識モデルは、ドキュメントや画像から単語を抽出して、機械で読み取り可能な文字列ストリームに変換します。 このモデルでは、最先端の光学式文字認識 (OCR) を使用して、画像内の印刷テキストと手書きテキストを抽出します。
テキスト翻訳: 事前構築済みテキスト翻訳モデルは、60 以上の言語のテキスト データをリアル タイムで翻訳します。 この事前構築済みモデルは、社内の言語の障壁の排除に役立ちます。 テキスト翻訳モデルは、翻訳するテキスト データの言語も検出できます。