高等教育向けAI活用アドバイザリーサービス

課題

コールセンターは、高等教育における学生支援の重要なツールです。奨学金、入学手続き、登録担当のアドバイザーは、多くの場合、学生が最初に接触する窓口となりますが、大規模な環境で会話の品質を監視し、維持することはコストがかかり、困難です。

ほとんどの教育機関は自前のコールセンターを運営し、GenesysやFive9などのカスタマーサービスオーケストレーションツールを使用しています。問題は通話そのものではありません。その後に起こることです。

例1：コストを増やすことなくアドバイザーの品質を向上させる。 一般的なQAのアプローチでは、オーケストレーションソフトウェアから文字起こしデータを抽出し、ランダムなサンプルを手動でレビューします。通話量が多いため、QAチームが評価できるのは年間わずか5%程度の通話にすぎないことがよくあります。そのカバー率を2倍にするということは、チームの規模を2倍にすることを意味します。10人のチームで1人あたり5万ドルとすると、わずかな効果のために年間50万ドルの追加コストが発生します。コストに加えて、標準の文字起こし機能では学生の名前を誤って認識することが多く、通話履歴を学生のプロファイルに関連付ける必要があるダウンストリームのダッシュボードが機能しなくなります。

例2：学生が何に悩んでいるかを理解する。 一部の教育機関には体系的なアプローチがありません。また、文字起こしをチャンクに分割し、トピックを抽出し、センチメントをスコアリングするために、複雑なNLPパイプラインを維持している機関もあります。これらのパイプラインは大規模な環境では脆弱であり、週次のバッチ実行の合間にフレーズリストを手動で整理する必要があり、管理者が学期が進む前に新たな問題に対処できるほど迅速にインサイトを提供できることは滅多にありません。

なぜLLMベースの文字起こしが重要なのか

クリーンで限定的なデータセットでトレーニングされた従来のASRモデルは、アクセント、方言、圧縮された電話音声、ノイズの多い環境などに苦戦します。これらはすべて、特に留学生の多い教育機関における学生支援の通話では一般的なものです。68万時間以上の多様な多言語音声でトレーニングされたOpenAI Whisperのような基盤モデルは、これらの条件下で非常によく一般化されます。古いASRが廃れたわけではありませんが、このユースケースにおいては適切なツールではありません。

DatabricksにおけるAIアプローチ

私たちは、多くの高等教育機関がDatabricksと提携することで、これら両方の課題を解決するのを見てきました。ベイラー大学はその一例です。ここで紹介するワークフローは、ベイラー大学がこれらと同じ課題に取り組むために使用したものを洗練させたバージョンです。コアとなるパターンは、より高精度な文字起こしのためにDatabricks Model ServingにOpenAI Whisperをデプロイすることから始まり、次にエンリッチメントとスコアリングのためにAI Functionsを重ねます。

例1（アドバイザーの品質）の場合：

• WhisperAIをホストし、管理されたサービングエンドポイントとして使用します。日次または週次のバッチでai_query()を介して大規模に文字起こしを適用します。
• LLM-as-a-judgeを使用して、教育機関のQAルーブリックに照らして各文字起こしをスコアリングします。モデルはすべてのルーブリック基準を評価し、重み付けされた1〜5の総合スコア、基準ごとのスコア、および記述式の評価を返します。ルーブリックの基準は参照テーブルから取得され、プロンプトにコード化されるため、すべての通話に対して同じ基準が一貫して適用されます。
• 改善が必要とフラグが立てられた通話をQAチームにルーティングし、ランダムサンプリングをターゲットを絞ったレビューに置き換えます。

例2（学生のインサイト）の場合：

• 同じWhisper文字起こしパイプラインを、四半期ごとに何時間もの音声に適用します。
• センチメント、トピック、意図について、ai_analyze_sentiment()とai_extract()を使用して各通話をエンリッチします。
• 結果を2つの補完的なインターフェースを通じて公開します。1つは、根拠となる引用を伴う生の文字起こしに対する非構造化推論（「学生は奨学金に関して一般的に何に悩んでいますか？」など）のためのAgent Bricks Knowledge Assistant、もう1つは、構造化されたトレンドクエリ（「今四半期のカテゴリ別の平均センチメントは？」など）のためのGenie Spaceです。

Databricksでこれが強力な理由は、すべてのステップ（取り込み、文字起こし、AI分析、ディスカバリー）がガバナンスの効いた単一のプラットフォーム上で実行されるためです。Unity Catalogは、きめ細かなアクセス制御によって機密性の高い学生データを安全に保護します。ai_query()のようなAI Functionsは、個別の推論インフラストラクチャを必要とせずに、SQLから直接基盤モデルを呼び出します。ツールを繋ぎ合わせる必要も、データがガバナンス境界の外に出ることも、個別のオーケストレーションレイヤーも必要ありません。

アーキテクチャ

このソリューションは、ガバナンスの効いたパイプラインを通じて、クラウドオブジェクトストレージからの非構造化音声を高精度な構造化データに変換します：

生の音声は、Unity Catalog配下のDatabricks Volumesに保存されます。Whisperは分散音声認識を実行し、標準の文字起こしでは見落とされる学生の名前や高等教育の専門用語などのニュアンスを捉えます。その後、AI Functionsが各レコードをセンチメント、トピック、ルーブリックスコアでエンリッチします。これらは教育機関の記録（Salesforceからの学生データなど）と統合され、すべてのやり取りの360度ビューを提供します。

開始方法

ソリューションを実行するには、カタログ/スキーマのウィジェット値を更新し、SQLウェアハウスが利用可能であることを確認してください（AI Functionsはai_query()を使用し、これはサーバーレスSQLコンピュート上で実行されます）。コンピュートをシングルユーザーのクラスター（DBR 15.4 LTS+）またはサーバーレス環境にアタッチします。

Whisperの場合、最も簡単な方法はDatabricks Marketplaceです。マーケットプレイスからWhisperモデル（例：whisper-large-v3）をカタログにインストールし、スループットのニーズに合わせたGPUティアを持つサービングエンドポイントとしてデプロイします。エージェントのLLMエンドポイント（Claude、Llama）は、デフォルトで利用可能なFoundation Model APIエンドポイントです。すべてのエンドポイント名はウィジェットパラメータを介して構成可能です。

セットアップステージでは、スキーマ、Deltaテーブル、アドバイザールーブリックを作成し、12個のSQL関数すべてを登録します。デプロイでは、Auto Loaderを介して音声メタデータを取り込み、LangGraphエージェントをMLflowでパッケージ化し、モデルサービングエンドポイントとしてデプロイします（約15分）。40以上のエンドツーエンドテストのテストスイートが、テーブルスキーマからアクティブなエンドポイントツールの呼び出しまで、すべてを検証します。

デプロイしたら、AI Playgroundでエージェントとやり取りします。エンドポイントを選択し、自然言語で質問します。Playgroundはプロトタイプ優先のパスもサポートしています。UC SQL関数をツールとして任意のFoundation Modelにアタッチし、システムプロンプトを反復処理して、動作する構成をPython/MLflowノートブックとしてエクスポートします。

上部には2つの自然言語インターフェースがあります。構造化された質問（「通話カテゴリ別の平均ルーブリックスコアは？」など）のためのGenie Spaceと、根拠となる引用を伴う非構造化された文字起こしに対する推論（「学生は奨学金に関して一般的に何に悩んでいますか？」など）のためのAgent Bricks Knowledge Assistantです。これらを組み合わせることで、技術者ではないアドバイザー、メンター、QAマネージャーが、データのSMEに問い合わせることなく、学生について質問できるようになります。詳細情報：Genie Spaces（AWS | Azure | GCP）およびAgent Bricks Knowledge Assistant（AWS | Azure | GCP）。

ご自身の環境でこれを試してみませんか？GitHubからソリューションをダウンロードして、アドバイザーの通話録音がどのようにエンドツーエンドで取り込まれ、文字起こしされ、分析され、探索されるかを確認してください。さらに詳しく知るには、生成AIワークフロー向けのDatabricks AI、セキュアなガバナンスのためのUnity Catalog、そして対話型分析のためのGenieをご覧ください。追加のガイダンスについては、ソリューションアクセラレータや製品ドキュメントを参照するか、Databricksにお問い合わせいただき、これらの機能が貴校の学生サービス業務をどのようにサポートできるかをご相談ください。

Databricksが教育、政府機関、非営利団体をどのように支援しているかに関する最新情報を入手するには、LinkedInでDatabricks for Public Sectorをフォローしてください。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事