サプライチェーンの「DX」という言葉がメディアで日々取り上げられる一方で、「どこから 手をつけて良いのかわからない」「どんな体制が必要なのか」といった 声が多く聞かれます。遅れていると指摘される日本の DX をどう進めて いくべきなのでしょうか。現場起点で AI 活用に取り組み、全社的に AI 活用を推進しているヤマハ発動機株式会社の大西 圭一氏とダイハツ 工業株式会社の太古 無限氏に、DX を推進するプロジェクトをどう立ち上げ、どう広げていったのかを聞きました。
近年注目が集まるReal World Data(RWD)に機械学習を適切に用いることで素晴らしい知見が得られた事例が報告されています。本稿では、医療関係者や創薬研究者がRWD分析で成功するためのヒントを得ていただくために、機械学習を使用したRWDの分析で気を付けるべきポイントを紹介します。
AI/機械学習を使って要因分析を行うとき、事前に要因の候補に関する知識を上手に整理して仮説を立てておくと、適切な特徴量からモデルを構築できて分析の成功確率が高まります。そして、QCサークル活動など、産業界で品質管理活動に携わる人達が利用してきたドメイン知識整理の手法はデータサイエンティストにとっても非常に有効です。
要因分析を対象に、従来型の統計解析と機械学習を適宜使い分けながらより再現性の高い分析結果を得るための方法を考察します。また、データのレコード数が少ない「スモールデータ」や、特徴量の数がレコード数より大きい「横長データ」からでもロバストな要因分析を行うための機械学習応用アプローチを考察・提案します。
本ブログでは、単調性制約を用いたモデル結果の解釈性を向上するためのモデリング手法や制約の仕組みなどをご紹介します。また通例、単調性制約を適用するモデリングではコーディングが必要になりますが、DataRobotではGUIを用いて容易に適用できるのでその設定方法についてもお伝えします。
機械学習モデルがどの特徴量から学習したか DataRobotのデータサイエンティスト、緒方良輔です。この記事では、機械学…
DataRobotのデータサイエンティスト山本祐也です。 今回は2018年7月に開催しましたワークショップ「機械学習を使…
要因分析と因果解析の基本理論を紹介し、機械学習がどのように使えるかを解説