ApexによるSalesforce Einstein Language API活用術：高度な自然言語処理の実装

日付:

背景と応用シーン

現代のビジネス環境では、メール、チャット、ソーシャルメディアの投稿、ケースのコメントなど、非構造化テキストデータが爆発的に増加しています。これらのデータには顧客の真意や重要なビジネスインサイトが隠されていますが、手動で分析するには膨大なコストと時間が必要です。

Salesforce Einstein Languageは、この課題を解決するための強力なソリューションです。これは、Natural Language Processing (NLP) (自然言語処理) 技術を活用して、テキストデータから意味や感情を自動的に抽出し、分類するためのAPI群です。開発者はApexからこれらのAPIを直接呼び出すことで、Salesforceプラットフォーム上で高度なテキスト分析機能を備えたカスタムアプリケーションを構築できます。

具体的な応用シーンとしては、以下のようなものが考えられます。

  • ケースの自動ルーティング： 顧客からの問い合わせメールの内容を分析し、「請求に関する問題」「技術的な質問」「製品へのフィードバック」といった意図（インテント）を特定し、適切なサポートチームへ自動的に割り振る。
  • 顧客感情分析： サポートケースのやり取りやアンケートの自由回答から顧客の感情（センチメント）を分析し、顧客満足度の低下を早期に検知してプロアクティブな対応を促す。
  • リードの優先順位付け： Webフォームから送信された問い合わせ内容を分析し、購入意欲の高いリードを自動的に特定して営業担当者に通知する。

原理説明

Einstein Language APIは、Salesforceプラットフォームに組み込まれた一連のRESTful APIサービスです。ApexからこれらのAPIを利用する際、開発者は直接HTTPコールアウトを作成することも可能ですが、Salesforceは`EinsteinPlatform`という便利なApexクラスを提供しています。このクラスはAPIコールを抽象化し、より簡単かつ安全にEinsteinの機能を利用できるようにします。

この記事では、特に重要な2つの機能に焦点を当てます。

1. Einstein Intent (インテント):
これは、テキストがどのような「意図」を持っているかを分類する機能です。利用するには、まず自社のビジネスに合わせたデータセット（例：「この文章は請求に関する問い合わせ」といったラベル付けされたテキストデータ）を準備し、Einstein Platform上でカスタムモデルをトレーニングする必要があります。トレーニングが完了すると、一意の`modelId`が生成されます。Apexコードからは、この`modelId`と分析したいテキストをAPIに送信することで、各ラベルに合致する確率のリストを受け取ることができます。

2. Einstein Sentiment (センチメント):
これは、テキストが表現している感情（ポジティブ、ネガティブ、ニュートラル）を分析する機能です。Einstein Intentと同様にカスタムモデルをトレーニングすることもできますが、Salesforceが提供する事前トレーニング済みのグローバルモデル（`CommunitySentiment`）を利用することも可能です。これにより、特別な準備なしですぐに感情分析を開始できます。

いずれの機能も、`EinsteinPlatform`クラスのメソッドを呼び出すことで、非同期または同期的に実行できます。

サンプルコード

以下に、`EinsteinPlatform`クラスを使用してEinstein IntentとEinstein Sentimentを呼び出す具体的なApexコード例を示します。これらのコードはSalesforceの公式ドキュメントに基づいています。

Einstein Intent APIの呼び出し（非同期）

この例では、事前にトレーニングしたカスタムインテントモデルを使用して、ケースの件名から問い合わせの意図を予測します。非同期（`@future`）で実行することで、ガバナ制限への影響を最小限に抑えます。 

// ケースが作成または更新されたときにトリガーされることを想定
public class CaseIntentClassifier {

    // @futureメソッドとして非同期でEinstein APIを呼び出す
    @future(callout=true)
    public static void classifyCaseIntent(Id caseId, String subject) {
        
        // 事前にEinstein PlatformでトレーニングしたモデルのIDを指定
        // このIDは実際のモデルIDに置き換える必要があります
        String modelId = 'B25DE25C5T3G4A7E5H2A3B4C1D';
        
        // EinsteinPlatform.predictIntentAsyncメソッドを呼び出し、予測を要求
        // 第一引数：モデルID
        // 第二引数：分析対象のテキスト
        // 第三引数：サンプルID（オプション、ロギング等に利用）
        // 第四引数：コールバック（オプション）
        Long predictionId = EinsteinPlatform.predictIntentAsync(modelId, subject, null, null);

        // 戻り値は予測ジョブのID。
        // このIDを使いEinsteinPlatform.getPredictionStatus()で結果をポーリングできます。
        // ここでは簡略化のため、結果取得のロジックは省略します。
        // 実際の実装では、Queueable Apexなどを使って定期的に結果を確認し、
        // 予測が完了したらケースのカスタム項目を更新するなどの処理を行います。
        System.debug('Einstein Intent prediction started. Prediction ID: ' + predictionId);
    }

    public static void runSample(Case newCase) {
        // トリガーなどからこのメソッドを呼び出す
        classifyCaseIntent(newCase.Id, newCase.Subject);
    }
}

注釈： 非同期呼び出しの場合、結果はすぐには返ってきません。`EinsteinPlatform.getPredictionStatus()`メソッドを使用して、返された`predictionId`を元に結果を定期的に確認（ポーリング）する実装が必要です。

Einstein Sentiment APIの呼び出し（同期）

この例では、Salesforceが提供するグローバルセンチメントモデルを使用して、テキストの感情を同期的に分析します。即座に結果が必要な場合に適しています。 

public class SentimentAnalyzer {

    public static void analyzeTextSentiment(String textToAnalyze) {
        try {
            // EinsteinPlatform.predictSentimentを呼び出す
            // 第一引数：モデルID（'CommunitySentiment'はグローバルモデル）
            // 第二引数：分析対象のテキスト
            // 第三引数：サンプルID（オプション）
            EinsteinPlatform.EinsteinPrediction predictionResult = EinsteinPlatform.predictSentiment('CommunitySentiment', textToAnalyze, null);

            if (predictionResult != null && predictionResult.isSuccess()) {
                // 予測結果のリストを取得
                List<EinsteinPlatform.PredictionResult> probabilities = predictionResult.probabilities;
                
                // 各ラベル（Positive, Negative, Neutral）とその確率を出力
                for (EinsteinPlatform.PredictionResult prob : probabilities) {
                    System.debug('Label: ' + prob.label + ', Probability: ' + prob.probability);
                }

                // 最も確率の高いラベルを取得
                String topLabel = probabilities[0].label;
                System.debug('Top sentiment: ' + topLabel);

                // ここで結果をカスタム項目に保存するなどの後続処理を実装
                
            } else if (predictionResult != null) {
                System.debug('Einstein Prediction Error: ' + predictionResult.message);
            }
        } catch (Exception e) {
            System.debug('An unexpected error occurred: ' + e.getMessage());
        }
    }

    public static void runSample() {
        // 分析したいテキスト
        String customerFeedback = 'The new feature is amazing and incredibly helpful!';
        analyzeTextSentiment(customerFeedback);
    }
}

注釈： 同期呼び出しは即座に結果を返しますが、APIコールアウトのガバナ制限（1トランザクションあたりのコールアウト数やタイムアウト時間）を消費します。トリガー内での大量実行は避けるべきです。

注意事項

Einstein Languageを実装する際には、以下の点に注意が必要です。

権限設定 (Permission Settings)

APIを呼び出すユーザーには、適切な権限セットが必要です。一般的には、「Einstein Language User」 (Einstein言語ユーザー) という標準の権限セットを割り当てることで、APIへのアクセスが許可されます。

API制限 (API Limits)

Einstein Platform APIには、Salesforceの標準的なAPI制限とは別の、独自の使用制限が存在します。月間または年間のコール数に上限が設けられている場合があります。大規模な実装を行う前には、契約内容とSalesforceの公式ドキュメントで最新のAPI制限を確認し、制限を超えないように設計することが重要です。

モデル管理 (Model Management)

カスタムインテントモデルの精度は、トレーニングに使用するデータセットの質と量に大きく依存します。多様で偏りのない、十分な量のデータを準備することが成功の鍵です。また、ビジネスの変化に合わせてモデルを定期的に再トレーニングし、精度を維持・向上させる運用が求められます。

エラー処理 (Error Handling)

APIコールは、ネットワークの問題やAPI制限超過、無効な`modelId`の指定など、さまざまな理由で失敗する可能性があります。コードには必ず`try-catch`ブロックを実装し、`EinsteinPrediction`オブジェクトの`isSuccess()`メソッドで成功したかどうかを確認するなど、堅牢なエラー処理を組み込む必要があります。

まとめとベストプラクティス

Salesforce Einstein Languageは、非構造化テキストデータから価値を引き出すための強力なツールです。Apexと組み合わせることで、Salesforce上で動作する業務プロセスをインテリジェントに自動化し、これまでにないレベルのインサイトを得ることが可能になります。

以下に、導入を成功させるためのベストプラクティスを挙げます。

  • 明確なビジネスケースから始める： まず、どの業務プロセスを自動化したいのか、どのようなインサイトを得たいのかを明確に定義します。
  • 高品質なデータセットに投資する： カスタムモデルを利用する場合、データセットの準備がプロジェクトの成否を分けます。クリーンで正確なラベル付けされたデータを十分に用意しましょう。
  • 非同期処理を積極的に活用する： トリガーからの呼び出しなど、バルク処理が想定される場合は、`@future`やQueueable Apexを利用して非同期でAPIを呼び出し、ガバナ制限を回避し、システムのパフォーマンスを維持します。
  • 結果の閾値（Threshold）を考慮する： APIは各ラベルの「確率」を返します。最も確率の高いラベルを常に採用するのではなく、「確率が80%以上の場合のみ採用する」といったビジネスルールを設けることで、誤分類によるリスクを低減できます。
  • 継続的な監視と改善： モデルのパフォーマンスを定期的に監視し、必要に応じてデータセットを更新して再トレーニングを行います。モデルは一度作ったら終わりではなく、継続的に育てるものです。

これらの点を考慮することで、Salesforce Einstein Languageの能力を最大限に引き出し、ビジネスに大きな変革をもたらすことができるでしょう。

コメント

コメントを投稿