AIデータ解析プラットフォーム
Multi-Sigma

Multi-Sigma(マルチシグマ)とは
AIデータ解析プラットフォームMUlti-Sigmaは、ニューラルネットワーク解析、ベイズ解析による「結果予測」と、遺伝的アルゴリズムにより複数の要素を満たす「最適化」そして感度分析の手法を応用した「要因分析」が可能なWebアプリケーションです。 統計の専門的な知見、プログラミングスキル不要で、どなたでも最先端のAIエンジニアと同品質の解析が可能です。
このAIは、いわゆる生成AI(学習済み)ではありません、ユーザー様のデータを学習し、ユーザー様に特化したAIモデルを作ることが出来ます。
機能とポイント:
・データサイエンスの専門的な知識は不要
・開発・実験プロセスの大幅な効率化

1.最小限のデータから特化型AIモデルを
入力パラメータ(説明変数:実験条件・生産条件等)
出力パラメータ(目的変数:実験結果・生産結果等)
2つのCSVデータファイルをご用意ください。
データ数はニューラルネットワーク解析では20以上、ベイズ最適化ではより少数のデータから解析可能です。

2.実験していない条件での「結果予測」
AI専門家でなくとも高精度予測を可能にする
AI解析パラメータ(ハイパーパラメータ)のオートチューニング機能を搭載しています

3.ブラックボックスにならない「要因分析」
感度分析の手法を用いた要因分析により、説明変数の寄与の大きさと寄与の方向について定量的に分析することが可能となり、ブラックボックスと言われるAIを説明可能にします。

4.相反する項目から最適条件を探索「最適化」
Multi-Sigmaでは、入力条件(説明変数)を200まで、
結果項目(目的変数)を100まで同時解析することが出来ます

5.セキュアなクラウドプラットフォーム
Google Cloud Platform 上で構築されているデータセキュアなアプリで、お客様にてハードウェアやソフトウェアをご準備いただく必要はありません。普段お使いのパソコンやタブレット端末のWebブラウザからAI 解析をしていただけます。
応用例・ソリューション
統計解析から、AI解析へ
開発・実験プロセスが変わります
開発・実験における様々な課題:
シミューレション解析での膨大な計算リソースと時間、数多くの試作試験機と実験、定量化しにくい官能評価
品質保証における様々な課題:
不具合発生に対して少ない異常データ、難しい要因特定、複合的な要因
生産管理における様々な課題:
生産量予測、需要予測、予防保全
これらの様々な課題に対して、AIデータ解析は、非常に有効です。
・複数の目的を達成する最適パラメータを探索することで、シミュレーション・実験の工数を大幅に削減
・官能評価を数値に置き換えることで相関関係が解るように
・要因分析機能により、少ないデータでも影響を及ぼす要因を特定し、問題を早期解決へ
・生産工程のデータをインプットパラメータとすることで、需要予測や生産量予測が可能に
Multi-Sigmaは、AIの力でブレークスルーをもたらします。


【人工心臓の最適設計パラメータの探索】
設計パラメータは7200通り考えられる。すべてをシミュレーション・実験することは出来ない。最適条件を探索する効率的な手法はないか
数十回のシミュレーションデータを元に、AIでサロゲートモデルを構築
実測データから、AIモデルの高い精度を確認

性能に影響を与える要因を分析:
これまで:溝本数の影響が大きいと考えていた
AI解析 :溝の深さが大きいほど良いと判明
最適化:
Thrust力の最大化と損傷係数の最小化を同時に達成するためのパレート曲線を得ることに成功

【トマトの収穫量予測】
・トマトの収穫量予測をトマト菜園の出荷担当者が、経験や勘を頼りに予測
・収穫量は、気候や栽培方法など様々な要因が影響するため、正確に予測するのは困難
・既存の菜園データ、トマトの種類ごとに気温や湿度、水やりの量、実際の収穫量など、100以上の項目をMulti-Sigmaに学習
・特徴量を手動で選択するよりも、すべての特徴量をAIモデルに学習させるほうが予測精度は高いため、すべてのデータを投入し、予測モデルを作成
5週間先までのトマト収穫量予測が可能に!
ライセンス体系
導入サポート (画面に従って順に設定するだけで、とても簡単に使うことができます)
①学習データを用意します
入力データ(説明変数:実験条件・生産条件等)CSVデータファイル
出力データ(目的変数:実験結果・生産結果等)CSVデータファイル

②タスクを作成します
ニューラルネットワーク解析
・学習用のデータ数が20〜30以上ある時
・主なメリット:一般に予測精度が高くなる。
・主なデメリット:ある程度のデータ数が必要になる。
ベイズ解析
・学習用データが1桁、または10〜19程度の時
・追加実験(or シミュレーション)の実験条件候補を探すことも(逆解析)可能
・主なメリット:極めて少ないデータ数でも対応可能である。予測の不確実性を評価できる。
・主なデメリット:データが多数ある場合にはニューラルネットワークより予測精度が悪い。
連鎖解析(ニューラルネットワーク解析やベイズ解析でAIモデルを構築した後)
・複数プロセスに渡るシステムを複数AIモデルを連結して分析したい場合
・主なメリット:各プロセスの結果も全て評価が可能となる。特定プロセスだけのやり直しが可能となる。
・主なデメリット:1つでも予測精度の悪いAIモデルが混ざると、全体の予測精度も悪くなってしまう。
<まずは、ニューラルネットワーク解析をお勧めします>
③データの前処理
前処理では、各パラメータ(変数)の正規化・標準化を行います

④AI学習とAIモデル生成
AI学習を行います。
オートチューニング機能により、入力データから、最適なAI学習条件を自動探索します
この機能により、多くのケースで、手動条件設定よりも精度を高めることが可能です。
AIモデルが複数作成され、RMSE値により各モデルの精度を見ることが可能です。
AIモデルはダウンロードすることが可能です
Pythonなどでコードで書くことで、手元のプログラムでAI解析を実行することも可能です。
AIモデルを複数選択し、アンサンブルモデルとすることで、未知の目的変数の出力結果を予測する「AI予測」が、より正確に可能になります。

⑤要因分析
要因分析では、AIモデルによる結果について、どの要因(説明変数)がポジティブ/ネガティブに効いているのかを確認することが出来ます。 AIの予測結果がなぜそうなったのか、その要因を説明することが可能です。

⑥モンテカルロシミュレーション
モンテカルロシミュレーションでは、実験を行っていない1万回分のデータを作り出しAIでシミュレーションさせることが出来ます。
複数の目的変数(得たい結果)がある場合、両立させる最も目的に合致した点を探すことが可能になります。

⑦最適化
最適化では、
例えばAの目的変数を最大化し、Bの目的変数を最小化するような入力変数を探索することが出来ます
例)
A:エンジンの出力効率を最大化
B:燃料消費量を最小化
→このときの入力条件を探索する
排気量、ピストン径など


FAQ
-
GPTなど、生成AIとは違うのですか?
→生成AIと呼ばれるものは、すでに学習済みのAIです。Multi-Sigmaは、ユーザー様のデータを学習し、ゼロからAIモデルを作るものになります。 -
プログラミングやデータサイエンスのスキルがありません
→ 学習コストをかけずに、あらゆる人にAIスキルを与えます。プログラミングスキルやデータサイエンスの専門知識は不要です。どなたでも、専門家と同等の品質で、世界最先端の解析を行えます。 -
入力変数と説明変数は、複数可能ですか?
→ 一般的な自動機械学習(AutoML)は、予測機能のみでアウトプットは一つのみですが、最大200個の説明変数から最大100個の目的変数を予測し、かつ100個の目的変数の条件を同時に満たす200個の説明変数を逆解析可能です。 -
学習機能はどういうものがありますか?
→ 深層学習の2大技術といえるニューラルネットワークとベイズ最適化によるデータ解析の両方が利用できます。ある程度まとまったデータ(20個以上程度)で威力を発揮するニューラルネットワークと、最小のデータ数(3~5程度)からの逐次最適化で威力を発揮するベイズ最適化を組合せた解析が可能です。 -
複数のAI手法を使えますか?
→ 深層学習を利用した予測と遺伝的アルゴリズムを利用した最適化を同時に1つのアプリで実行することが可能です。最適化のAIが予測のAIを使いながら、多目的な最適解を自動で探索することができます -
最適化の条件について教えてください
→ 遺伝的アルゴリズムを利用し、多目的の最適化を行うことができます。目的変数の最大化・最小化・目標値設定と、説明変数の制約条件の設定が可能です。 -
要因分析とは何ですか?
→ 予測モデル作成後、感度分析の技術により、どの説明変数がポジティブもしくはネガティブに、どの程度効いているかを定量的に評価することができます。 -
ハイパーパラメータとは?
→ AIエンジニアの必須スキルと言われているハイパーパラメータ(機械学習アルゴリズムの挙動を設定するパラメータ)のチューニングを自動で実施することができます。ボタン1つで過学習を抑制しつつ、高精度な予測が可能となっています。 -
AI実験計画法とは?
→ 従来の統計をベースにした実験計画法から、AIをベースにした実験計画法にすることで、多重共線性問題の解決、予測精度の向上、多目的な予測・最適化、実験計画の簡易化・無駄の排除が可能となります。