AI901-Foundry#94-2
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
あるホテル チェーンが、宿泊レビュー (英語 / 日本語 / 中国語 / 韓国語 / フランス語が混在、月 200,000 件) から「不満が多いトピック上位 10」を週次レポートにまとめたいと考えています。集計対象は文書全体の sentiment / トピック語句 / 言及される設備名 (Wi-Fi / 朝食 / 客室 / フロント等)。Azure AI Foundry hub には Azure AI Language の connection が既に登録されています。
解決策
Azure AI Language を完全に経由せず、200,000 件すべてのレビューをアナリストに分担して人手で読ませ、Excel に sentiment / トピック / 設備名を書き起こさせて週次レポートを生成します。
この解決策は目的を満たしますか?
解説
【判定: いいえ】の理由
月 200,000 件の人力読解は現実的な工数で不可能で、要件「週次レポート」も達成できません。1 件あたり平均 1 分で読んでもアナリスト 1 名で 3,333 時間 / 月、人件費もコスト最適化を完全に逸脱します。さらに採点者間で sentiment 判定にぶれが生じ、レポートの信頼性も担保できません。Microsoft Responsible AI Standard の Reliability and safety / Inclusiveness の観点でも、客観的・再現可能な機械分析を採用するほうが妥当です。Azure AI Language の connection が既に登録されている前提を活用せず、わざわざ低効率な人力に置き換えるのは本シナリオの設計として明らかに誤りです。Foundry の light-weight text-based ソリューションが解決すべき典型的な業務領域 (大量レビューの自動 NLU) を放棄する判断にあたります。
【「はい」が違う理由】
人力分析は時間・コスト・再現性のいずれも要件を満たせず、「目的を満たす」と判定する根拠はありません。
月 200,000 件の人力読解は現実的な工数で不可能で、要件「週次レポート」も達成できません。1 件あたり平均 1 分で読んでもアナリスト 1 名で 3,333 時間 / 月、人件費もコスト最適化を完全に逸脱します。さらに採点者間で sentiment 判定にぶれが生じ、レポートの信頼性も担保できません。Microsoft Responsible AI Standard の Reliability and safety / Inclusiveness の観点でも、客観的・再現可能な機械分析を採用するほうが妥当です。Azure AI Language の connection が既に登録されている前提を活用せず、わざわざ低効率な人力に置き換えるのは本シナリオの設計として明らかに誤りです。Foundry の light-weight text-based ソリューションが解決すべき典型的な業務領域 (大量レビューの自動 NLU) を放棄する判断にあたります。
【「はい」が違う理由】
人力分析は時間・コスト・再現性のいずれも要件を満たせず、「目的を満たす」と判定する根拠はありません。
コメント