Grab、AIエージェントにより機械的な分析業務を44%から30%に削減

GrabはAIエージェントを使用してアナリティクスのワークフローを自動化しており、アナリストが担当するルーチンワークの割合を減らし、ビジネス上の質問に答えるために必要な時間を短縮しています。同社によれば、アナリストが処理する機械的なチケット（データ準備、アラート設定、レポート作成などのタスクを含む）の割合は、2月の44%から6月の30%に減少しました。

このアプローチは、人間の監視を維持しつつ、アナリティクスのワークフローのどの程度をエージェントが担当できるかを定義する、5段階の自律性モデルに基づいています。レベル3では、人間が質問を設定し結果をレビューする一方で、エージェントはデータの探索、クエリの作成と実行、結果の検証、および分析のドラフト作成を行います。レベル4では、エージェントがワークフローの計画とオーケストレーションを行い、人間は定義されたゲートをレビューします。レベル5はエンド・ツー・エンドの自律性を表し、人間は目標、品質のしきい値、およびエスカレーション・ルールを設定します。Grabは、指標の定義、因果関係の解釈、ビジネス上の仮定、および最終決定に関する人間の責任を維持しています。

Grabでアナリティクスを率いるMaanas Prabhakarは、 LinkedInの投稿でアナリストの役割の変化を強調しました：

より難しい問いは、エージェントがデータ準備、分析、その他すべてを担当するようになったとき、アナリストは何をするのか、ということです。

GrabのSpartanシステムは、Slackを通じて送信される質問を含む、自然言語によるアナリティクスのリクエストにこのモデルを適用しています。このシステムは、50以上のスキルと120の分析フレームワークを使用して、リクエストを専門的なワークフローに振り分けます。根本原因に関する質問は、認定された指標と関連するディメンションにわたる分析をトリガーし、一方で実験に関する質問は、データレイクにクエリを実行するのではなく既存のスコアカードを取得することができます。

ナレッジベース全体のインデックス・アーキテクチャ（出典：Grab Blog Post）

同社はまた、エージェントが信頼性の高い結果を出せるようにするために必要なデータコンテキストにも投資しています。Grabは、5,000以上の認定テーブルと指標、4,000のコンテキスト・ドキュメント、および2,000のゴールデン・レコードを維持しています。同社のContextIQシステムは、この情報をライフサイクルとして扱い、計測内容の変更に合わせてコンテキストを更新し、本番環境でのエージェントの失敗から特定された修正を組み込みます。

Grabはまた、アナリティクスの運用にAIエージェントを使用しています。例えばScarletは、根本原因分析を行ってパイプラインの失敗を処理し、失敗を修正するか、定義されたゲートや文書化されたランブックで問題が解決できない場合にエスカレーションを行います。