# ハイパースケーラーAPIを使用した強化

> ハイパースケーラーAPIを使用した強化 - GCP APIを呼び出し、顧客のチャーンを予測するモデリングデータセットを強化します。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.225367+00:00` (UTC).

## Primary page

- [ハイパースケーラーAPIを使用した強化](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/data-enrichment-prep/enrich-hyper.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/advanced_ml_and_api_approaches/data_enrichment_gcp_nlp_api/GCP_enrich_sentiment.ipynb)

多くの企業は、非構造化データの価値を特にテキスト形式で認識しており、そこからインサイトを抽出する方法を模索しています。 このデータには、Eメール、ソーシャル メディアの投稿、顧客のフィードバック、通話の書き起こしなどが含まれます。 テキストデータを分析するための最も強力なツールとして感情分析があります。

感情分析は、肯定、否定、中立などのテキストの感情的な口調を識別するプロセスです。 これは、機械学習モデルを構築するためのデータセットを強化する貴重なツールです。 たとえば、顧客の最近の顧客サービスとの通話書き起こしで表現された感情は、顧客のチャーンの可能性を予測する可能性があります。

しかし、感情分析モデルの構築は簡単な作業ではありません。 これには、特にトレーニングする巨大なコーパスを持つ正確なラベル付けされたデータの観点から、時間、リソース、および専門知識の多大な投資が必要です。 ほとんどの企業には、独自の感情分析モデルを開発するためのリソースや専門知識がありません。

幸いなことに、サービスとして感情分析を実行するAPIが利用可能になりました。 これらのAPIを使用することにより、企業は感情分析のメリットを得ながら、時間とコストを節約できます。 感情分析にハイパースケーラーAPIを使用する最も重要なメリットとして、その精度があります。 APIの背後にあるモデルは大量のデータでトレーニングされるので、テキストデータからさまざまな種類の感情を識別するのに非常に精度の高いものです。

このアクセラレーターでは、GCP APIを呼び出して、顧客解約予測モデリングのデータセットを簡単に充実させることができます。 モデルのパフォーマンス向上は、顧客との通話記録から取得したセンチメントスコアに基づいています。