探索における質問と回答

  • リリースバージョン: Australia
  • 更新日 2026年03月12日
  • 所要時間：5分

    • AI データエクスプローラーで AI に固有の質問をすると、AI はデータの可視化、要約、および提案されたフォローアップの質問で応答します。

    探索で質問するには、データの可視化またはリストから AI データエクスプローラー を起動するか、既存の探索を開きます。「Now Assist にデータに関する質問をする」というプレースホルダーを含むフィールドが表示されます。詳細については、「打ち上げる AI データエクスプローラー」を参照してください。

    注:
    • 質問は、[ クエリ生成 セマンティックテーブル構成] テーブルにリストされているテーブルのいずれかのデータに関するものでなければなりません。これらのテーブルには、データベースビューと Workflow Data Fabric テーブルを含めることができます。詳細については、「セマンティックデータレイヤーへのテーブルの追加」を参照してください。
    • データが保護されたアプリケーションスコープからのものである場合は、そのスコープへのアクセスを AI データエクスプローラー用に構成する必要があります。詳細については、「クエリ生成 の保護されたスコープアプリケーションへのアクセスを有効にする AI データエクスプローラーおよび」を参照してください。
    • 質問を送信すると、質問が処理されるまで、別の質問を送信したり、探索で他の作業を行ったりすることはできません。質問の処理をキャンセルできます。
    探索で質問を書くと、AI はその質問をデータベースクエリに変換します。AI は次のアイテムを返します。
    • エリア 1元の質問。この質問を編集して、新しい出力を生成できます。
    • エリア 2応答のタイトルと AI 検出結果の要約。
    • エリア 3リストまたはデータの可視化。この応答は、生成されたものではなく、既存の可視化にすることができます。詳細については、「打ち上げる AI データエクスプローラー」を参照してください。 リストまたは可視化の高さを変更するには、隅にある二重矢印アイコンを操作します。可視化を探索内の他の場所にドラッグすることもできます。
    • エリア 4フォローアップの質問の提案。
    応答のこれらのセクションを選択してドラッグすると、順序を変更できます。質問から返された
    応答が AI データエクスプローラーに返され、サマリー、データの可視化、および提案されたフォローアップの質問が表示されました。

    応答ソースの表示

    ServiceNow AI Platformから応答を受信した後、応答にカーソルを合わせると、応答の技術的な詳細が表示されます。ソースの詳細には、次の情報が含まれます。
    • ソーステーブル
    • フィルター条件
    • メトリクス
    • 任意のグループ化基準
    画面上の探索が狭すぎる場合は、カーソルを合わせるのではなく [ ソースを表示 ] を選択します。
    探索の応答のソースの詳細。

    応答の削除

    応答の先頭の前にドットの矩形を展開すると、応答を削除するボタンが表示されます。
    応答を削除するボタン。

    質問のヒント

    AI データエクスプローラー の目標は、プロンプトを自分の言葉で理解し、必要な分析分析情報を提供することです。ただし、質問をどこから始めればよいかわからない場合、または結果に満足できない場合は、次のヒントをいくつか紹介します。

    テーブルに名前を付ける
    目的のデータが含まれているテーブルの名前がわかっている場合は、プロンプトに追加します。部分的な名前または類似の名前も問題ありません。

    例:「今週オープンされた P1 の数」ではなく、要求テーブルを参照する「今週オープンされた P1 要求の数」と書きます。「今週オープンされた P1 カタログ要求の数」と書くと、特定のカタログ要求テーブルを参照します。

    意味を説明してください
    クエリ生成 は用語を理解しようとしますが、詳細を追加してガイドに役立てることができます。予期しない結果が得られた場合は、探しているものをより具体的に伝えてみてください。

    例:「古いインシデントをすべて表示」ではなく、「5+ 日間更新されていないすべてのインシデントを表示」と書きます。

    名前を具体的にする
    ユーザー、グループ、サービスなどの参照レコードでフィルタリングする場合は、最良の結果を得るために完全な表示名を使用するようにしてください。AI モデルは同じドキュメント内の以前のクエリから学習する可能性がありますが、フルネームを使用すると正確性が保証されます。

    例:「Cases with Workplace Ops」の代わりに、「Cases with Workplace Operations」と書きます。

    クエリの編集と絞り込み
    生成されたクエリが正しくない場合は、フィルター条件を手動で編集できます。AI モデルは編集内容から学習し、同じドキュメント内の今後の質問に適用します。詳細については、「質問またはフィルター条件を変更する」を参照してください。

    例:「ネットワークチームからの重大なインシデントを表示してください」と尋ねましたが、応答に満足していません。より良い結果が得られることを期待して同じ質問のバリエーションを繰り返すのではなく、フィルターを編集して、アサイン先グループが「ネットワーク操作」で優先度が「1:重大」のレコードを検索します。次に、「経時的なこれらのインシデントの流入傾向を表示」と尋ねます。

    探索に不適切なクエリを残さないでください
    AI モデルは、前のドキュメントコンテキストを使用して次のクエリを書き込みます。したがって、有用な応答を得るためにクエリを絞り込むことができない場合は、そのクエリを削除します。そうしないと、不適切なクエリが探索に蓄積され、応答が悪化し続ける可能性があります。
    複雑なフィルターのインポート
    記述が難しい複雑なデータの場合は、データの可視化またはリストを探索にインポートします。可視化またはリストがダッシュボード上にある場合は、インポートする前にダッシュボードにフィルターを適用できます。AI モデルは、インポートされたクエリを使用して、同じドキュメント内の関連する質問を理解します。

    例:「廃止予定のサーバーを場所別に表示してください」と尋ねないでください。このようなプロンプトは曖昧で複雑です。代わりに、「廃止が近づいている PostgreSQL サーバー」というタイトルのダッシュボードから、ダッシュボードフィルターの [ライフサイクルステータス] と [廃止までの日数] に必要な値が事前に適用された状態で、可視化をインポートします。次に、「同じサーバーを表示するが、場所ごとにグループ化」と尋ねます。

    多くのコンテキストを使用して生産的な調査を進めれば、より抽象的な質問をし、有用な答えが得られることに気付くかもしれません。ただし、これらのヒントが開始に役立つ場合があります。