98 search results for ""
Press Release DataRobot、FDUAが出版する『金融AI成功パターン』の執筆に参加

AIのリーディングカンパニーである DataRobot, Inc.(本社:マサチューセッツ州ボストン、CEO:Debanjan saha)は、一般社団法人 金融データ活用推進協会(東京都千代田区、代表理事:岡田 拓郎、以下 FDUA)が出版する金融業務に即した実践的なデータサイエンスの書籍『金融AI成功パターン』(2023年2月27日刊行)の執筆社として、日本法人である DataRobot Japan株式会社(以下「DataRobot」)が参加したことを発表いたしました。 金融AI成功パターン 【金融機関で働くデータサイエンティストの実践ノウハウを習得できる1冊】 『金融AI成功パターン』の筆者らは全員が金融データサイエンスの実務者です。金融機関でAI・データサイエンスの実務適用で失敗と成功を重ねていく中で、これまでのデータサイエンスに関する書籍はプログラミング/人物伝/歴史のような内容に留まるものが多く、金融実務に即したデータ活用の内容はほとんどないというのが実情でした。「金融分野のAI・データサイエンスとして活躍したい」という志を持った企画者が最初に手に取る教科書を作る必要性を感じ、本書の執筆に至りました。 【金融機関のAI・データ活用が進まない現状からの脱却】 金融データサイエンスの真のノウハウは、日々の実務を通じてブラッシュアップし続けている金融事業会社にのみ存在し、そのノウハウは外部には公開されずに自社内にとどまっていました。これまでであれば、実践的なノウハウは社外に出さず、自社の競争優 位性を保つ重要な戦略と位置付けるのが常識でしたが、自社囲い込みの意識が強過ぎると、金融業界全体が閉鎖的となり、結果として魅力の薄い業界と見られてしまいます。これからの時代は、たとえ実践的なノウハウであっても共有し、業界全体のレベルアップを図っていくべきと考え、そうした思いを形にしたのが本書です。 【書籍の内容】 一部のAI活用を先行する金融機関が有するノウハウを「金融AI成功パターン」というかたちで構成しています。「ターゲティングAI」「価値算出AI」「審査AI」「不正検知AI」など7つの基本パターンと、「マーケット予測AI」「ロスプリベンションAI」など5つの上級パターンを解説しています。実践的な金融AIのノウハウ書に仕上がっています。   基本パターンや上級パターンを単体で見ると、それは金融業務にAIを適用する効果的な事例として参考になります。さらにパターンを習得すれば、一見複雑な金融業務であってもAI適用業務を見いだすことができるほか、パターンを組み替えることで新たな金融AIとして活用できるようになります。 書籍では、データサイエンスの知識やプログラミングスキルがなくても、手順を追っていけば金融成功AIパターンを身に付けられるように工夫しています。読むのに必要な前提知識はあまりなく、AutoMLさえ使えればパターンを習得できます。これから金融機関で働くデータサイエンティストにとっては、金融機関でAIがどのように活用されるのかが具体的に分かるようになっています。金融AI分野での活躍を志す技術者に読んでもらいたい1冊です。 ■金融AI成功パターンの概要 書 名:金融AI成功パターン 著 者:一般社団法人金融データ活用推進協会 企画・監修:協会代表、デジタル庁 岡田拓郎 編集・校正:理事 兼 委員長 SBIホールディングス  佐藤市雄…

Resource 保険業界のDXを DataRobotが支援

AIを活かしたデータドリブンで実現する 「究極の顧客体験」に向けた事故対応サービス DXによるビジネス変革の実現を目指し「AIドリブン」に注目 損害保険業界としては比較的後発でありながら、競合とは一線を画したサービスの創造を目指して変革を図ろうとする企業、それがイーデザイン損害保険です。同社は2018年に、全社横断で今後の変革のデザインに着手、「究極の CX(顧 客体験)」を重要課題に掲げ、様々な活動を通じて改革を進めています。その取り組み の一環として、新たなサービスとしてリリースしたのが「私のタントウシャ」です。事故が 発生した際、AI を用いて顧客と相性のよい担当者を判断してアサインするという保険業界 でも前例のないサービスは、「Insurance Asia Awards 2022」で “Claims Initiative of the Year -Japan” を受賞するなど、価値あるサービスとして広く認知されるに至りました。 上記試みはどのようにして生まれたのか、キーパーソンの皆様に話を聞きました。 ポイント: 「究極のCX」に向けて生まれた、AIによる新サービス ソーシャルスタイル理論を採用し、スモールスタートからの挑戦 AIを活用してサービスの高度化と全国展開を図る AIモデルの活用で顧客満足度が向上 DataRobot によって、 担当者をアサインする際に 担当者との相性度をスコアで…

Blog 脱炭素 / GXの切り札となりうるAI / DataRobotの可能性

DataRobotで製造業や電力・ガス、エネルギーや建設業のお客様を担当しているAIサクセスマネージャーの笹口です。 ここ数年、新聞やニュース等で”脱炭素”や”GX(グリーン・トランスフォーメーション)”といったキーワードを目にする機会が増えてきました。私自身、担当する多くのお客様と会話する中で、企業にとって脱炭素やカーボンニュートラル、GXが経営アジェンダとして非常に重要度が高まっていることを体感しています。一方で、その必要性や意義は理解できるものの、取り組みに必要な投資判断の難しさや、いざ現場において具体的に何をどの程度行えばよいかが不明確である 等の難所もあり、多くの企業が苦心されています。 そこで、本稿では以下についてご紹介します。 脱炭素/GXのトレンドと、脱炭素/GXという壮大な課題に対する現実解 現実解の実現に向けた切り札となりうるAI/DataRobotの可能性 特に従来の業務・改善活動の中でも取り組める内容は多く存在するため、どのような領域・施策にAI/DataRobotを活用できるか、具体的な事例を踏まえてご紹介します。 1 企業の経営アジェンダとして重要度が増す脱炭素/GX ここ数年で脱炭素やカーボンニュートラル、GXは多くの企業が取り扱うようになった経営アジェンダの一つです。そのトリガーとなったのは2020年10月、臨時国会にて菅首相(当時)が所信表明演説で表明した「2050年カーボンニュートラル宣言」です。[1] 脱炭素/カーボンニュートラルの定義についてですが、これは国内の温室効果ガスの排出を2050年までに「実質ゼロ」とする方針です。そして、それを加速させる動きとして、岸田首相のもと、「GX実現に向けた基本方針」が2022年12月に決定されました。この基本方針では、150兆円超のGX投資を官民で実現するために、国として20兆円規模の大胆な先行投資支援の実行を目指すことが表明されました。[2] このような政府動向に加えて、投資家や顧客企業、個人といった企業を取り巻くステークホルダーの観点からも企業として脱炭素やGXは無視できない経営アジェンダになりつつあります。 2 一方、脱炭素/GXの実践難易度は高く、多くの企業が苦心 このように、企業の経営アジェンダとしての重要度が増す脱炭素やカーボンニュートラルですが、一方で、その実践には苦心される企業の方々も少なくありません。そこにはいくつかの要素が関係しています。[3] 例えば、設備導入/刷新の難しさがあります。 脱炭素やカーボンニュートラルを実現するための主な方向性として、日本経済団体連合会(経団連)は大きく7つを挙げています。[4] 図1 2050年カーボンニュートラル実現に向けた道筋出典:一般社団法人 日本経済団体連合会 グリーントランスフォーメーション(GX)に向けて ゼロ・エミッション電源の確保(再エネの主力電源化/原子力利用の積極的推進/脱炭素化力の実現) 電化の推進 次世代電力ネットワークの実現 熱源へのカーボンフリー水素・アンモニア・合成メタンの導入 生産プロセスの変革、革新的製品・サービスの開発・普及 材料におけるカーボンリサイクル、ケミカルリサイクルの推進 ネガティブエミッション(森林吸収源対策、DACCS[5]、BECCS[6]) さて、これらの方向性ですが、脱炭素化技術や脱炭素化サービスの多くは既存設備の刷新や新規導入が必要な施策となります。しかし、産業用の設備は設備コストが非常に高く、そう簡単に導入できる訳ではありません。また、仮に導入コストが捻出できたとしても、産業用設備の寿命は20-40年程度と長いため、設備刷新の機会も限定的です。さらに、単に設備を刷新・導入するだけではなく、場合によっては周辺インフラの転換も必要になる場合もあり、その場合は導入コストが益々増加します。 これに加えて、脱炭素技術導入や新技術・材料開発に伴うコスト転換や製品・サービス品質低下のリスクも存在します。前者については、省エネや脱炭素技術は既存技術と比較して現状高額なため、将来的に価格低減が進まない場合にはコストを製品・サービスへ転換せざるを得ない場合が考えられます。また、後者については、低炭素化された製造プロセス・燃料を活用した上で、従来と同水準以上の製品・サービス品質が維持できるかは読みきれない部分でもあります。 3…

Blog 金融AI成功パターン

DataRobotで金融チームディレクターをしています、小川幹雄です。DataRobotの肩書きとは別に、一般社団法人金融データ活用推進協会(Financial Data Utilizing Association以下:FDUA)の企画出版委員会委員長代行もしております。FDUAは金融機関を中心とした一般社団法人となっており、各金融機関でのデータ活用のナレッジを広く国内金融機関で共有し、発展させていこうという目的をもって活動しています。今回、FDUAとして初めての本を出版するにあたり、私も著者の一人として金融業界におけるAI活用のノウハウを共有させていただきました。 本ブログでは、2月23日に出版される本「金融AI成功パターン」の紹介を兼ねて、金融における成功するAIパターンの概要について紹介したいと思います。 「金融AI成功パターン」 金融AI成功パターンとは?なぜ今必要なのか? これまでも世の中には業界によらない機械学習全般の書籍やブログは多く出回っていました。そして金融業界のAI活用事例も多く発表され、金融業界とAIの関係性は一見近づいたように思われます。ただ実際には、金融機関で働く実務者からするとハードルが高い内容であったり、今は多くがAutoMLで置き換えられてしまう内容です。一方、金融機関の経験がないデータサイエンティストからすると金融機関の業務とデータサイエンスがどう結びつくのかわからないという課題がありました。結局、一部の金融機関やベンダーやコンサル会社にAI活用のノウハウが集中して溜まることになり、AI実現においてベンダーやコンサルに丸投げしてしまい想定以上に高額なコストがかかってしまう、金融業界以外から採用したデータサイエンティストが実力を発揮できずに辞めてしまった、AI導入自体を諦めてしまったという金融機関は少なくありません。 金融AI成功パターンとは金融業界におけるAI活用の基本パターン(本の中では上級編として追加5つのパターンも紹介)を網羅し、各パターンに必要なノウハウを実際にすでにその基本パターンを実現している金融機関の実例と併せてまとめたものとなっています。基本パターン単体においても金融機関でのAI活用を始める上でとても効果的な事例となっています。基本パターンを習得できれば、一見複雑なAI活用も一つ一つのパターンに落とし込むことができ、パターンを組み替えることによって新たな金融AI活用を見出すことができます。注意点として、今回出版する金融AI成功パターンでは、AutoML利用を前提に、プログラミング知識や統計的な知識習得を省略しながら、いかに金融業界の実ビジネスで効果的なAIを構築できるかのパターン実現方法をまとめたものとなっています。機械学習そのものがわからないという金融機関におかれましては、ぜひ弊社(AutoML・MLOpsツール及びデータサイエンティスト育成プログラムを提供)までお声がけいただくかデータサイエンティストの採用や育成をまずは行なっていただければと思います。 金融AI成功パターンの基本編 ターゲティングAI 営業推進からマーケティング領域で頻繁に見られるパターンです。業種ごとに見ても金融機関で営業とマーケティング両方を持たないケースは稀なので、必ず一つはターゲティングテーマを行なっているかと思います。事例も多い代わりに、その最小単位が分かりづらくなるケースが多いので、今回の金融AI成功パターンでは最小単位の考え方から重要となるターゲットの定義や具体的な金融機関の保有するデータについても紹介しています。 難易度も低いなかで、商材やサービスごとおよびイベントごとに作成することができるので、その出番はとても多くあります。また利用する特徴量はターゲティングAI同士で一定使い回すことができるので一つ作ると二つ目の構築工数は大幅に短縮されます。 ターゲティングAI 価値算出AI 金融機関では、不動産、保険金支払額など一見価格が決まっているようで、一定の不確定要素を持っているものが多々存在します。専門家の判断によって一定の価値が見込まれると判断され取引が行われるケースが多いですが、データが十分に揃っていれば専門家の判断や市場の結果を学習データとして利用し、不確定な価値を算出するAIが構築可能です。ポイントとしては、単純に未来の価格を当てるだけでなく、その時点の不透明な価格を推計するということに利用することも可能です。 単純な精度面での効果だけでなく、リアルタイム査定を行えるようになるなど従来の顧客体験を大きく変革させる効果も見込まれるパターンです。 価値算出AI 需要予測AI 金融とは元々物理的な物々交換から解き放たれるために存在するものであり、仕入や供給が直接ビジネスに関わる流通・小売業などに比べると忘れられがちなテーマとなります。ただ取引量予測や預金額の予測をもとに運用金額を決めるといった金融機関らしいテーマだけでなく、リースのように物理的なものを扱う分野や、コールセンターの需要予測などオペレーション周りでの需要予測は重要となります。 需要予測はどうしても金融業界と紐づくことが弱いことから学び漏れている現役の金融データサイエンティストも多いかと思いますので、まだ実践経験がないという方はぜひこの機会にキャッチアップしていただければと思います。 不正検知AI 残念ながら世の中の犯罪がある日突然なくなることはなく、犯罪行為が直接金銭と結びつく金融機関においては不正検知でのAI活用は必須であり、すでに先行している金融機関では基本パターンとして確立しています。今回の金融AI成功パターンでは不正検知の手法を丸々開示して不正を行う人が回避する手助けを行うものではなく、基本となる構築方法を紹介しています。不正を働く人は古い手法の穴を熟知しており、守備が弱いところを積極的に狙っています。そしてこれは国レベルで狙われている話なので、今回の金融AI成功パターンを習得していただくことによって日本全体の金融システムの高度化を図れればと考えております。 不正検知AI 審査AI 銀行における融資、カード入会審査や保険の引受など審査業務は金融機関において重要かつ独特な業務です。ターゲティングは性質的に営業やマーケティング中心で行われるということで、金融機関非経験者のデータサイエンティストでも簡単にイメージがつくかと思いますが、審査業務というものは金融機関外の人には馴染み深くないものかと思います。今回の金融AI成功パターンでは、実例と合わせてすでにどういう形で審査AIが世の中で実現されているのかイメージできるようになるかと思います。 審査AI テキスト分類AI 金融機関では膨大な書類や応対のやりとりがデータ化されています。金融機関内の情報だけでなくニュースや経済レポートなど世の中の動きに大きく影響を受ける業務も多くあります。例えば情勢が不安定になるとその国と関連したマネーロンダリングが増えたり、大統領選や政府のコメント一つでその国の成長性への認識が変わり運用への影響が出ます。日々膨大な情報が生まれる中、人手で全てのテキストを読み切ることは不可能な領域になっており、自然言語処理は業務継続においても重要となります。また運用などにおいてはその金融機関の競争力原資につながる部分でもあり、サードパーティーが一律につけたカテゴリでは意味をなさないことが多く、独自に強化していく必要がある分野とも考えられます。 画像認識AI…

Blog AI活用のさらなるステージ:バイアスと公平性 Part 2

はじめに DataRobotで主に政府公共領域やヘルスケア業界のお客様を担当しているデータサイエンティストの若月です。 本稿ではAIシステムのコアとなる機械学習モデルのバイアスと公平性に注目し、2回に渡って解説しています。Part 1では、以下のトピックを取り上げました。 バイアスと公平性とは、その重要性 バイアスの発生原因 公平性指標 Part 2では、モデルのバイアスを軽減するための具体的な手法や公平性に配慮したモデル構築をするためのプロジェクト体制について考察し、さらにDataRobotが標準的に備えている公平性評価・バイアス軽減のための機能をご紹介します。 モデルのバイアスを軽減する Part 1でご紹介した公平性指標に基づいてモデルのバイアスが検知できたとして、そのモデルからバイアスを軽減するにはどうすれば良いのでしょうか。実は機械学習においてバイアスを軽減しうるタイミングは大きく分けて3つあります。 データ準備段階でのバイアス軽減(Pre-Processing Bias Mitigation) 学習時のバイアス軽減(In-Processing Bias Mitigation) 予測時のバイアス軽減(Post-Processing Bias Mitigation) それぞれにおいてさまざまな方法が提案されていますが、そのうちのいくつかをご紹介します。 データ準備段階でのバイアス軽減 データの生成・収集プロセス自体の見直し Part 1で述べたようにバイアスの発生はデータの生成・収集プロセスに起因しているので、そのプロセス自体を見直すことは根本的にバイアスを排除するのに最も効果的な手段となります。例えば数の少ない属性のデータを収集するのは、コストとのトレードオフになり、かつあらゆるケースで可能な方法ではないですが、実施できる場合にはとても有効です。 一方でPart 1で述べたように、ラベル付けなどデータ生成に人間の判断が含まれることがあるとその判断によってバイアスが入り込んでしまうのは避けられません。また、後述する方法とは異なりデータを収集し直す必要があることからコストや時間もかかるというデメリットがあります。 特徴量の選定・特徴量エンジニアリング 特徴量の見直しもバイアスの軽減に有効な場合もあります。ただし、ここで気をつけなければならないのは「バイアスと直接関係する特徴量だけを学習データから除いても本質的なバイアスを除去できるとは限らない」ということです。…

Press Release DataRobot、AI管理・ガバナンスを強化するコンプライアンスドキュメント(日本語版)の提供を開始

AIモデルポートフォリオ全体のガバナンスを一元的に管理するとともに、モデル記述書の自動生成を実現 AI CloudのリーディングカンパニーであるDataRobot, Inc.(本社:マサチューセッツ州ボストン、CEO:Debanjan Saha)は、この度、企業のAI管理・ガバナンスを強化する「コンプライアンスドキュメント」日本語版の提供を開始いたしました。 本機能は、DataRobot 以外で構築されたモデルも含め、すべてのモデルのコンプライアンス文書 を作成することができます。この強化された機能により、規制の厳しい業界で使用されているモデルも含め、すべてのモデルの効率性とガバナンスが向上します。さらに、モデルポートフォリオ全体のガバナンスを一元的に管理しながら、コンプライアンス文書を迅速に作成できるようになりました。 モデル・レジストリ(インベントリ)でモデル・パッケージを作成した後、そのモデルのコンプライアンス文書を自動生成することができます。コンプライアンス文書では、モデルのコンポーネントが意図したとおりに動作すること、モデルが意図したビジネス目的に対して適切であること、モデルが概念的に健全であることを証明します。このように個別に作成されるモデルの文書化は、規制の厳しい業界では特に重要です。また、本機能は米国の銀行業界におけるFederal Reserve System の SR 11-7(モデルリスク管理に関するガイダンス、 2011)への対応にも対応するよう自動的に構成されます。 ●日本におけるAI規制の現状 日本では過去3年間で、『人間中心のAI社会原則』(内閣府、2019年)、『モデル・リスク管理に関する原則』(金融庁、2021年)、『AI原則実践のためのガバナンス・ガイドライン ver. 1.1』(経済産業省、2022年)といったAI管理・ガバナンスに関するガイドラインが次々と発表され、日本におけるAI規制の動きは徐々に厳しさを増しています。 これらのガイドラインの中では、「公平性及び透明性のある意思決定とその結果に対する説明責任(アカウンタビリティ)が適切に確保されると共に、技術に対する信頼性(Trust)が担保される必要がある」(人間中心のAI社会原則)ことや、「モデル記述書は、関連分野の専門性を持つ第三者(モデルの検証者等)がモデルの機能等を理解できる程度に十分な情報を備えている必要がある」(モデル・リスク管理に関する原則)ことを求められています。 ●コンプライアンスドキュメント(日本語版)で重要性 当社は、これまでに多くの企業のAI管理・ガバナンスをグローバルレベルで強化してきました。今回、日本語版の提供を開始したことで日本のお客様においても、作成したAIモデルの技術手法などが明記されたモデル記述書を自動生成し、活用できるようになりました。 具体的には、以下のような内容を自動的にレポートとしてまとめることができます。 ・エグゼクティブサマリーおよびモデルの概要 ・モデルデータの概要 ・モデルの理論的フレームワークと手法 ・モデルのパフォーマンスおよび安定性 さらに、本機能を導入することでDataRobotで構築されたモデルに限らず、お客様が運用するさまざまなモデル(Python, R, SASを始めとするさまざまなコーディング言語で構築されたモデル)もサポートします。…

Press Release DataRobot、IDC MarketScape社のWorldwide MLOps Platforms 2022 Vendor Assessmentでリーダーに選出

DataRobotの使いやすさと統合されたMLOpsレポートインターフェイスが高評価 AI CloudのリーディングカンパニーであるDataRobot, Inc.(本社:マサチューセッツ州ボストン、CEO:Debanjan Saha)は、IDC MarketScapeのWorldwide MLOps Platforms 2022 Vendor Assessmentにおいて、リーダーに選出されたことを発表しました。 同レポートでは、DataRobotの傑出している主な強みとして、ポイントアンドクリックインターフェースによる優れた操作性、明確な透明性と再現性、また統合されたMLOpsレポートのインターフェースを挙げています。 また、レポートでは「モデル開発ツールや展開環境にまたがる機械学習モデルの統合ビューが必要な組織は、機械学習運用ツールとしてDataRobotを検討するべきだ」としています。 IDCのリサーチバイスプレジデントであるDave Schubmehlは次のように述べています。「機械学習マーケットにおける優れたリーダーであるDataRobotは、MLOpsを同プラットフォームの主要機能に据え、AI活用を拡張するために必要な全ての機能をユーザーに提供し、本番環境にある全てのモデルを一箇所で管理できるプラットフォームを提供しています。このため、DataRobotは、多様なフレームワークで大規模なモデルのポートフォリオを管理するユーザーや幅広く深い機能を必要とする組織にとって素晴らしい選択肢だと考えています」 さらにレポートでは、DataRobotのAIプラットフォームにおいて、予測説明、予測の信頼性に関するルール、バイアスや公平性の監視を通じて信頼できるAIが実現されており、ユーザーは疑わしいデータや不確かな予測などのトリガーに基づいたアクションをカスタムし、適用することができると指摘されています。その他、レポートで認識された主な強み分野は以下の通りです。 使いやすさ DataRobot MLOps は、機械学習開発プロセスの多くを補強するものです。自動監視機能により、運用中のモデルのパフォーマンス履歴を記録し、モデルの交換を管理します。また、自動化されたコンプライアンスドキュメント機能により、DataRobot以外で構築されたモデルも含め、すべてのモデルに高い効率性とガバナンスを提供します。MLOpsのほとんどの機能は、ポイントアンドクリックインターフェースによって起動します。 統合されたMLOpsとレポート機能のインターフェース DataRobot MLOps は、モデル展開のテスト、表示、監視、および管理のための単一ペインの管理コンソールを提供し、情報を理解しやすいチャート、グラフ、およびアラートで表示します。 DataRobotの製品担当SVPであるVenky Veeraraghavanは、「今日の組織は、複雑かつ重要なビジネス上の問題に対処するためにMLOpsを使用しており、我々は、ビジネスに不可欠なワークフローやアプリケーションにMLを統合するための包括的かつ容易に実装できる機能のセットを提供しています。データサイエンティスト、ソフトウェアエンジニア、IT、ガバナンスの専門家が協力し、生産現場において機械学習の活用価値をもたらすことができるよう、DataRobotはMLOps機能に大規模な投資を継続して行ってきました。IDCの第1回Worldwide MLOps Platforms Vendor Assessmentでリーダーとして評価されたことを光栄に思います」と述べています。…

Page DataRobot AI Cloud – 2022 年 10 月リリース

至る所で変化が起こり、ビジネスに影響を与えています。そういった状況に適応するのに役立つ DataRobot AI Cloud の 2 つの新機能がリリースされました。  問題やそのパターンの時系列での特定に役立つ詳しいインサイトである、ドリフトの時系列機能についてご紹介します。予測の管理は、得られる情報が多いほど適切に実行できます。デプロイ予測処理の使用状況を確認すると、予測処理の遅延や、その理由と時間帯を知るのに役立つ詳細情報が得られるため、必要に応じた調整が可能になります。  デプロイ予測処理の使用状況 予測の状況を視覚的に追跡できる新しいチャートを使用して、ワークロードと遅延を簡単に管理できるようになりました。予測処理の遅延や、その理由と時間帯を確認できます。透明性の向上により、予測処理の状況が 1 時間ごとに表示されます。また、精度指標をいつ使用できるようになるのか、その指標に予測のすべて、または特定のサブセットが含まれているかどうかもわかります。この予測追跡チャートは、セルフサービス型で簡単に利用できます。 パフォーマンスを予測してプロジェクトを順調に進める ドキュメンテーションにアクセス MLOps 機能の詳細情報 ドリフトの詳細グラフ   顧客の行動と経済の変化によって、本番環境の AI に取り込まれるデータに変化やドリフトが発生する可能性があります。予測の正解率を維持するには、すべての特徴量について、このドリフトを時系列で追跡する必要があります。新たな機能「ドリフトの詳細グラフ」を使用すると、複数の特徴量または特徴量のグループを比較したり、複数の期間のデータドリフトを比べたりできます。この比較は、トレーニングデータとスコアリングデータの両方で実行できます。ユーザーは、必要に応じて比較に変更を加えたり、時系列の予測値などの背景情報をグラフに追加したりして、ドリフトの原因を調査できます。ドリフトの詳細グラフは、パブリックプレビュー機能として提供されます。 DataRobot AI Cloud – 2022 年 10 月リリース全機能一覧 DataRobot AI…

That`s all we have