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。
価値のある安全な生成AIアプリケーションをエンタープライズ規模で構築します。DataRobotは拡張性があり、完全にカスタマイズ可能で、クラウドにとらわれず、エンタープライズグレードの生成AIソリューションを安全かつ確実に構築、生産化、監視するために必要なすべてを提供します。
バリュー・ドリブン AIのリーダーであるDataRobot（本社：マサチューセッツ州ボストン、CEO：Debanjan Saha）は、プラットフォーム機能とAIエキスパートによる支援サービスを含む生成AIへの新たなる取り組みを発表しました。このサービスは、DataRobot AI Platformに生成型AIと予測型AIの両方の機能を独自に統合し、エンタープライズグレードのAIアプリケーションの実験、構築、展開、監視、調整を行うためのオープンでエンドツーエンドのソリューションを提供し、ビジネスにインパクトを与えます。
SAPとDataRobot .incは、2023年3月に戦略的パートナーシップを発表しました。そこで、今回はどのようなユーザーにどういったメリットがあるのか、といった観点でご説明させて頂きたいと思います。 このパートナーシップでは、ミッションクリティカルなビジネスデータを含むSAPソフトウェアのデータをDataRobot AI Platformに接続する事で、AI利用の拡大を促進するだけでなく、SAPのビジネスアプリケーションの更なる有効活用に貢献する事が可能になります。 SAPユーザー企業のAI活用を拡大する 従来、SAPユーザー企業は、機械学習モデルを利用する際、SAPデータからSAP Datasphere（旧SAP HANA Cloud上）でモデルを構築し、SAP上のモデルを展開しビジネス活用を行っていました。今回のDataRobotとの戦略アライアンスによって、SAPデータだけでなく、SAP以外のデータを活用する事で、より高度な予測AIの利用が可能になるだけでなく、より高度なモデルの運用管理が可能です。また、従来よりも扱えるデータの種類が増える事で、より多くのAI課題を解決する事ができます。 図1：SAPユーザー企業のAI活用パターン(SAP and DataRobot platform integration architecture.より参照) SAPのみで予測モデルを構築する従来の方式（パターン1）:SAP Datasphere（旧SAP HANA Cloud）において、SAP環境で予測モデルの構築からモデルの展開まで一元管理する事が可能です。 SAP & DataRobot連携（パターン２）方式：DataRobotのJDBCコネクタを活用することで、SAPユーザーはDataRobotからSAP Datasphere（旧SAP HANA Cloud）に存在するデータを活用して機械学習モデルをトレーニングすることができます。 生成した機械学習モデルを、SAP AI Core およびSAP…
生成AIは、AIの可能性における新しくエキサイティングな議論を巻き起こしながら、急速に進展しています。しかし、私たちが目にするのは、この技術クラスターという未知の海を航海する組織の前に立ちはだかる、現実的な不安、複雑さ、ハードルです。 生成AIはどのようにして具体的なビジネス価値を提供できるのか？この疑問は、予測AIを導入してきたチームにとっても変わらない課題です。 私たちDataRobotは、企業がAIで価値を実現する際に直面する多くの課題を目の当たりにする機会に恵まれてきました。私たちが知る3つの大きなハードルは以下の通りです： 生成AIライフサイクルと予測AIライフサイクルにまたがるサイロ化。 急速に進化する新しい技術を探求し、正しく評価すること。 既存の企業エコシステムとデータおよびAI投資との統合が不十分で、価値創造が損なわれる。 同時に、AIチームには、AIで何が可能かに対する非常に高い期待を実現しなければならないというプレッシャーが高まっています。 DataRobot Launch Event ~2023 Summerでは、クラウドデータウェアハウス、データレイク、プラクティショナーツール、およびビジネスアプリケーション全体にわたって、生成および予測AIプロジェクトの開発と管理のための一貫したエクスペリエンスを提供することによって、今日これらの課題に対処することを目的としたイノベーションを発表します。 生成AIと予測AI：両方の長所 DataRobotでは、生成AIと予測AIの融合が将来の価値の主要な源泉の1つであると考えており、スケールの大きな差別化された価値の推進を支援するために両者の長所を組み合わせています。 この可能性を強調するため、DataRobot Launch Event ~2023 Summerの一環として、予測AIと生成AIを使用して、人々に信頼されるGenAIソリューションを作成する方法を紹介します。 DataRobotを使用することで、生成的・予測的AIは合理化された効果的なプロセスとなり、価値への道筋における最大の課題や障害を克服するように設計されています。 そしてその道はすべて、ユーザーと利害関係者から始まる……。 ユーザーが喜ぶインタラクティブな生成・予測AIアプリの構築 新しいリリースでは、消費、生産、実験の間のギャップを縮めました。結局のところ、ユーザーがそれを使えなかったり、使い方を理解できなかったりしては、AIソリューションの意味がありません。 新しく導入されたStreamlitアプリホスティングを使えば、わずか数行のコードで、オーダーメイドの生成AIアプリケーションを構築し、瞬時にデプロイして共有することができます。消費、実験、制作を緊密に統合することで、あなたとあなたのチームは、GenAIソリューションの構築とGenAIアプリ体験のプロトタイピングを迅速かつ簡単に行き来することができます。これにより、人々が使いたいと思うリッチなインタラクティブ・アプリケーションを簡単に作ることができます。しかし、GenAIをユーザーに提供するためにアプリを構築するだけではありません。わずか数行のコードで、組織のオペレーションやビジネスシステム（Slack、Salesforce、BIツールなど）に生成AIを簡単に統合することで、ユーザーがどこにいても簡単に対応することができます。 https://www.datarobot.com/wp-content/uploads/2023/08/Build-Generative-AI-Applications.mp4 私たちはまた、コードを一切必要とせず、完全にインタラクティブで会議対応の予測AIインサイトアプリを容易に作成できるようにしました。これらの洞察アプリには、ビジネスとモデルのテンプレートが含まれており、ビジネスに適した言葉で結果を説明することができます。what-if分析、最適化、将来シナリオのシミュレーションなどの機能により、データサイエンスチームは予測をインタラクティブで視覚的に直感的な洞察に効果的に変換することができます。 モダンでライブなコードファースト・エクスペリエンスでAIを素早く作成 私たちは、AIの実験とプロトタイピングを合理化する必要性を認識しており、DataRobot Notebooksの機能にさらに投資して、予測AIと生成AIのユースケースの作成に集中できるようにしています。バックグラウンドでは、私たちがインフラストラクチャとプロジェクト編成を行います。 当社のAPIファーストの統合により、お客様は生成AIイニシアチブの運転席に座ったままで、LLMの選択を管理し、データプライバシーを保護し、生成プロジェクトの財務面を管理することができます。当社のプラットフォームの柔軟性とオープン性により、任意のLLMを使用し、お好みの埋め込み方法とベクターデータベースを使用し、特定の生成AIのユースケースに適した正確でユーザーフレンドリーなエクスペリエンスを提供するために、プロンプトを迅速に実験して最適化することができます。ボーナスとして、当社の組み込みノートブック・ソリューションにより、インフラストラクチャの設計、構成、管理、およびスケーリングが不要になります。…
本ウェビナーでは、生成AIの普及に伴い広がるガバナンスの重要性を詳しくご紹介いたします
2023年6月14日、DataRobotが主催したイベント「バリュー・ドリブンAIの道はここから始まる」で、DataRobotからは生成AIのビジネス活用と可能性と題して、ChatGPT等の生成AIがビジネスに活用されつつある今、DataRobotの提供するバリュードリブン・AIと生成AIを活用することでビジネスでのAI活用に変化が生まれてきていることを紹介した。 ゲストキーノートにはヤンマーホールディングス株式会社 取締役/CDO 奥山 博史 氏が登壇し、「現場主導でお客様価値創造につなげるデータ分析・活用を」と題する講演を行った。本レポートでは、ヤンマーが取り組むデジタル戦略について紹介する。 ■中期経営計画に合わせたデジタル戦略を推進する 創業111年を迎えるヤンマーホールディングス株式会社。ディーゼルエンジンの販売を祖業にし、1933年にディーゼルエンジンの小型化に成功。その後も、様々な世界初の製品を生み出し、現在ではディーゼルエンジンに加え、農業機械、建設機械、マリン関連、エネルギーシステムなどの分野で研究開発、製造、販売を行っている。 ヤンマーの中期経営計画の戦略課題のうちの一つが、デジタル基盤を整え次世代の経営基盤を作ること。そして、もう一つがこれまでの機械を販売する会社というイメージから脱却し、顧客価値創造企業に変革することだ。 さらに人材育成の方針として「HANASAKA（はなさか）」の推進を掲げている。これは、いろいろな分野の従業員が、それぞれ新しいことにチャレンジし、成長するとともに、新しい価値を作り出すこと、それを会社が全面的にバックアップすることで、花を咲かせようという考え方だ。 「会社としての全体戦略を踏まえて、デジタルという文脈においても、デジタルを駆使しないと実現できない新しい価値をお客様に届けることを最大の目標としています。そして、データに基づいた意思決定ができるような基盤やプロセス、文化を合わせて変革していくことを目指しています」 この目的の達成のために、ステップ1「スケーラブルな展開を可能とするデジタル基盤構築」、ステップ2「デジタルサービスの提供や効率性の向上による既存オペレーションの最適化」、ステップ3「デジタルを通じて新しい付加価値をお客様に届ける」ことを段階的ではなく、同時に進めていくという。 このような方針において、次の4つを今後3−4年間で実現していく。 インフラの整備とセキュリティの強化 グループ全体のデータ基盤の再構築、システムの刷新によるモダナイゼーション 草の根DX活動を組織化する データ活用・分析をする 「3つ目については、デジタルに興味があって、自主開発しているような従業員を見つけて声をかけ、コミュニティに参加してもらいます。グループ全体でコミュニティを盛り上げ、参加者を集中的に教育していきます。そこで成果の出るユースケースを作り、関心の薄い人たちに紹介することで『自分たちもやらないと』と意識を変えていくことができます。他社の成功事例はピンとこなくても、隣の事業部の事例は自分ごととして受け止められます。消極的な人でも、お客様に価値を提供したい、業務を効率化したいという思いは同じなので、デジタルを使えばそれができるということをしっかりと伝えていくことが重要です」 ■収集したデータを活用し、これまでにない価値を提供する ヤンマーでは、業務分野ごとに様々なデータを収集している。そのデータを組み合わせることで、お客様に価値として提供できるアウトプットが生まれる。例えば、農業機械が田植えや収穫の最中に壊れると、農作業の時期を逃してしまうなど、大きな問題が生じる。そこで、機械の振動データなどを活用して故障を予測して、機械が壊れる前に問題の部品を修理できれば、顧客への新たな価値となる。 他にも、葉っぱの色などのデータから土壌の性質を予測して、例えば窒素分が足りない、リンが足りないことがわかれば、その予測結果をトラクターに連携して、土壌に合わせた施肥ができるように最適化できる。 「機械販売だけではなく、農作業そのものに貢献できるようになりたいと考えています。データ分析によって最適な手法を提案できれば、収穫量の増加、肥料最適化による消費量の削減など新たな価値を届けられるようになります。加えて、我々のデータを農家が使う他のシステムに提供することで、貢献できることもあります」 ■PoCに移る前に、アイデアを精査し、選定する 前述したように、同社ではデジタルに興味がある人を組織化し、コミュニティを作っている。現在は500人ほどがコミュニティに参加しており、データ活用のアイデアを募っている。同社では2022年よりDataRobotを導入し、データ活用・AI活用を進めているが、まずはDataRobot社と連携した勉強会を開催し、どんなデータがあればアイデアを実現できるかを考え、「テーマ創出アイデアシート」を使って応募する。2022年後半からこの流れでアイデアを募集し、集まったアイデアから、データがあるもの、ビジネスのインパクトが大きいものなどを選定してPoCを行う。現在すでに7つのPoCが始まっており、うち2つが現場での実装に近いところまでできている。 「テーマ出しをするといろいろなアイデアが出てくるので、分類することが重要です。例えば、自動機械学習で解ける問題もあれば、モデルを自分で構築する必要があるもの、AIを使わなくても市販のSaaSで対応できるものもあります。今年度もすでに同じ取り組みを通して10個くらいのPoCが出てきています」 この取り組みを通して、筋の良い分析テーマが多く出るようになってきて、奥山氏は全社に浸透しつつあることを実感するという。 ■現場、経営陣とのコミュニケーションと、バランス調整が必要 ヤンマーの取り組みのまとめとして、次の3つがあげられた。 「1つ目は現場。特に重要なのは、現場の責任者です。PoCを実施したけど、その後全然プロセスにのらないということがありますが、その多くが現場の責任者を巻き込めていません。 例えば、生産部の人から、工場の設備Aが壊れるので故障を予測したいというアイデアがありました。そこで、その人の上司である課長も交えて議論したところ、経営視点で見ると設備Aよりも、Bの故障のほうがラインへの影響が大きいという話がありました。こうした議論を積み重ねることで、現場の人も経営インパクトが大きいテーマを見つけ出すことができますし、改善案を出した課長にとってもプロジェクトが自分事となるので、その後の展開がうまくいきます。…
※本内容は、2023年1月25日イベント開催時の情報となります。 DataRobotはメディア向けAI勉強会「今後、日本企業が取り組むべきガバナンスの最前線有事に”適切に稼働する”AIガバナンスとその構築方法」を開催しました。 企業のAI活用が進む中、AIガバナンスは企業が取り組むべき喫緊の課題の一つになっています。昨今ではAI先進企業、とりわけ大企業においてAIガバナンス強化の取り組みが活発化しており、経済産業省でもAI原則の実践の在り方に関する検討会を発足させるなど、政府・官庁による法整備に向けた動きも加速しています。 こうした背景のもと、DataRobotではAIガバナンスの概要と企業の取り組み方について学べる機会を創出するため、報道関係者に向けた「AI勉強会」を実施いたしました。 当日は、DataRobotでさまざまな業界のAIプロジェクトを担当し、金融チームをリードするデータサイエンスディレクター小川幹雄(2023年1月時点)とEYストラテジー・アンド・コンサルティング株式会社で金融サービス リスクマネジメントを担当する楠戸健一郎氏が登壇し、AIガバナンスの必要性や策定に必要なポイントを実例を交えて解説しました。 ⚫️当日のスピーカー ※所属、役職はイベント開催当時の情報 楠戸 健一郎 氏（EYストラテジー・アンド・コンサルティング株式会社 金融サービス リスクマネジメント シニアマネージャー） 小川 幹雄（DataRobot / 一般社団法人金融データ活用推進協会 企画出版委員会 副委員長） 左：楠戸氏 右：小川 第一部：スピーカーセッション AI勉強会は、楠戸氏と小川によるテーマセッションからスタートしました。 今後求められるモデルリスク管理・ ガバナンスの検討(楠戸氏) AI倫理・ガバナンス・ツールの関係性について(小川) 1、今後求められるモデルリスク管理・ ガバナンスの検討 まず、楠戸氏からは「企業におけるモデルリスク管理の重要性」や「ガバナンス構築に向けたポイント」、「AI・機械学習の利活用におけるガバナンスの潮流」について解説。国内外の企業が定めているAI倫理ポリシーや、内閣府/経産省/金融庁などが示すガイドラインを参考に、企業が自社のポリシーに則った業務ガイドラインへ落とし込む上でクリアすべきポイントを紹介しました。(例：態勢構築や、業務プロセスの整備の重要性など) 「今日までは、業務領域ごとでの管理を中心として、モデルの管理が行われていました。しかし、金融機関におけるモデル活用領域の拡大に伴い、金融庁の『モデルリスク管理に関する原則』が要求するように、今後は幅広い種類のモデルに対する全社横断的かつ包括的なガバナンス・コントロールの必要性が高まると予想します。また、AI・機械学習等テクノロジーの進展に対応した、これまでと違った管理のあり方も必要になると考えられます」(楠戸氏) 2、AI倫理・ガバナンス・ツールの関係性について 続く小川のセッションでは、AIの広がりと共に、いくつかの課題が顕在化している現状への対応策を提言した。AI活用を進める先端企業が抱える課題とAI倫理・AIガバナンスの関係性を明らかにしつつ、AI管理ツールとしての「ML…
DataRobot Summer 2023 リリース: 生成 AI を活用してビジョンから価値を生み出しましょう。DataRobot AI Platform の最新アップデートで生成 AI から価値を引き出す方法をご覧ください。
DataRobot AI Platform なら、生成 AI ソリューションをエンドツーエンドに構築できます。あらゆるクラウドで生成 AI と予測 AI 両方のニーズをエンドツーエンドに満たす唯一のオープンソリューションについて詳しくご紹介します。
今、しっかりとした生成AIのプランを立てることが不可欠です。生成AIの安全性、有用性、組織にとっての価値を高める方法を学んでください。
DataRobot は唯一のフルライフサイクル AI プラットフォームを提供しています。このプラットフォームは、広範なエコシステムと相互運用できます。さらに、DataRobot の AI エキスパートのチームが、お客様が AI によって何ができるのかを策定し、その策定内容を実現できるようお手伝いいたします。
本イベントでは、今、必要とされるすべての生成 AI、予測 AI プロジェクトを加速させ、高い生産性を実現するための運用・管理も可能にする、新たなAI プラットフォームをDataRobot の AI エキスパートが詳しくご紹介します。
両社の共同顧客はエンドツーエンドのAIライフサイクルのさらなる加速が可能に ※当資料は、2023年6月27日に米国で発表されたニュースリリースの抄訳版です。 バリュー・ドリブン AIのリーダーであるDataRobot（本社：マサチューセッツ州ボストン、CEO：Debanjan Saha）は、Snowflakeの年次ユーザーカンファレンス「Snowflake Summit 2023」において、DataRobotとSnowflakeの統合を拡大したことを発表しました。これにより組織はSnowflake上でDataRobotのAIモデルを構築、展開、拡張し、既存のSnowflakeへの投資を最大限に活用できるようになります。 ■Venky Veeraraghavan（Chief Product Officer at DataRobot）は次のように述べています。「DataRobot AI PlatformとSnowflake Data Cloudは強力な組み合わせです。データ準備、モデル展開、モニタリングを目的としたSnowflakeとの統合は、データが存在する場所に機械学習が持つ能力をもたらし、エンドツーエンドかつエンタープライズグレードのAIエクスペリエンスを提供します」 DataRobotはSnowflakeと共に、世界中のデータを活用して組織のAIライフサイクルの加速を支援します。なお、この度の統合の拡大における新機能は以下の通りです。 ● プッシュダウンとWranglerの強化によるデータ準備Snowflake Data Cloudのスケーラビリティとガバナンスを活用しながら、高品質の機械学習データを準備します。複雑で斬新なシナリオを「レシピドラフトモード」で自由に試すことができるため、データのやり取りや処理に費やす時間が短縮されます。 ● DataRobot NotebooksとSnowparkSnowparkを使用してデータ処理をSnowflakeにプッシュでき、計算の効率化が可能です。ここでは、生成AIベースのコード生成を特徴とした、完全に管理されホストされたDataRobot Notebooksを使用し、ご自身の好きな言語でコードを記述できます。 ● SnowparkでSnowflakeデプロイワンクリックでDataRobotモデルをSnowflakeに直接デプロイし、データベース内推論で機密データの安全な予測を生成します。 ● SnowflakeモニタリングSnowflakeにデプロイされたモデルのドリフト、精度、またはカスタムメトリクスを監視し、トレーニング後にモデルを容易に置き換えることができます。…
本ウェビナーでは、SnowflakeとDataRobotを用いたデータの学習とAIモデルのデプロイメントの効率化に焦点を当てています。これらのツールを活用することで、エンドツーエンドのデータ分析プロセスをスムーズに、かつ効率的に行うことができます。
Powering Generative and Predictive AI: watch this on-demand recording for insights from AI experts at DataRobot, Baptist Health & FordDirect. Discover new innovations to accelerate your Gen AI projects
DataRobotで実現する販売予測の精度向上 成果を維持するためにGSユアサが取り組む 改善活動と運用体制構築 さらなる分析の高度化、運用の自動化に向け「MLOps」機能を採用 GSユアサでは、AI導入で販売予測を大幅に改善し、当初から継続的な AI 運用のノウハウを積み上げてきまし たが、これらの知見をさらに生かすには、AI を効率的に運用できるツールの活用が不可欠 であると考えていました。そのため、さらなる分析精度の向上に向け、DataRobot の AI の 運用やメンテナンスツールである「DataRobot MLOps」を2021年10月から導入し、本格 的な活用を検討しています。 DataRobot MLOpsは、生成したAIをモニタリングして本番環境の状態を把握でき、リア ルタイムに AI の動向が確認できるため、サービスの正常性や精度を追跡し、モデルの品 質が低下した理由を把握できます。そのため予測精度の改善業務に大きく寄与することを 期待しています。 ポイント AI導入で販売予測を大幅に改善 AIの精度向上を支える「改善」意識 分析の高度化、運用の自動化に貢献する「MLOps」機能 継続的な運用を見据えた体制づくり “AI を導入当初のままで…
DataRobot スターターキット 詳細なナレッジセンターや機能のショーケースから、ウェビナー、活発なコミュニティまで、必要なものはすべてすぐに利用できます。 フリートライアルにお申し込み お問い合わせ DataRobotでは、お客様の時間の価値とシームレスなユーザーエクスペリエンスの重要性を理解しています。 DataRobotのエクスペリエンスを最大限に活用できるように、学習を加速し、ジャーニーを合理化し、成功を支援するための包括的なリソースとツールのセットを厳選しました。 学習と交流 コミュニティ 活気に満ちたコミュニティで交流し、アイデアを共有し、質問をし、他の人の経験から学ぶことができます。 ドキュメント DataRobotの特徴と機能の使用方法に関するステップバイステップの説明を提供する包括的なドキュメントと、 スターターキットにアクセスします。 機能ショーケース 当社製品の主な機能をご覧ください。 各機能の詳細については、専用ページにアクセスするか、デモをご覧ください。 ハンズオン体験 AI アクセラレーター DataRobotを使ってプロジェクトを開始するためのテンプレートを提供する、効率的なモデル開発とデプロイのためのコードファーストのモジュラービルディングブロックをご覧ください。 ハンズオンラボ インストラクター主導のバーチャルハンズオンラボに参加して、実践的なトレーニングを行い、DataRobotの経験を積んでください。 DataRobot University 自分のペースで進められるコース、ビデオを含むDataRobot Universityの構造化されたラーニングパスで知識を広げ、スキルの開発に役立てましょう。 視聴してインスピレーションを得る ウェビナーとイベント AI や業界の専門家が主催する今後のウェビナーやイベントに参加して、AutoMLとそのアプリケーションに関するより深い洞察を得ることができます。…
DataRobot の研究開発イノベーションチームが、AI で真の価値を実現するために、どのように限界を押し上げ続けているかをご確認ください。
マイクロソフトのAzure OpenAI ServiceとAzure Machine Learningとのインテグレーションにより、顧客に生成AI機能と、AIモデルの構築から展開、管理のためのより強力で汎用性の高いプラットフォームを提供 バリュー・ドリブン AIのリーダーであるDataRobot（本社：マサチューセッツ州ボストン、CEO：Debanjan Saha）は、企業におけるAI導入を加速させるために、マイクロソフトとの提携を発表しました。この提携では、Microsoft Azure OpenAI Service、Azure MachineLearning、Azure Kubernetes Service（AKS）とのインテグレーションが行われ、データサイエンティストによる大規模言語モデル（LLM）を利用したコーディング支援が可能になる予定です。これにより、DataRobotとマイクロソフトの顧客は、Microsoft Azure上でエンドツーエンドのエンタープライズ対応AIソリューションをより容易に構築、展開、管理することが可能になります。 またAzure OpenAI ServiceのモデルをDataRobot内で直接利用できるため、コードやノーコードメソッドを用いたモデル構築、Azure Machine Learningによるデプロイと管理が容易になりました。この新しいシームレスな体験は、DataRobotがLLMを利用して、あらゆる規模の企業向けに生成AIの採用を加速させるための最初のステップの1つです。この新たなインテグレーションにより、MLの責任者や構築者の効率が向上し、組織はAIから価値を引き出すことが可能になります。 ● Azure OpenAI Servicesとの統合：DataRobot Notebooks Code-Assistでは、会話型プロンプトを用いることで、ビジネス上のユースケースと利用可能なデータのコンテキストを使用するPythonでのデータ準備と、モデリングコードの生成をPreview内でできるようになりました。 ● Azure Machine Learningとの統合：DataRobotのレジストリからAzure…
ネットワールドは I T・ソリューションズ・ディストリビューターとして革新的な製品を提供しつづけるとともに、それら製品をより快適に、より便利に活用していただくための高い付加価値を創造します。 飛躍的に進展するデータセンター、クラウド・コンピューティングを根幹から支える I C T 基盤製品のディストリビューションを中核事業として、コンサルティングから、インテグレーション、運用支援、保守サービス、そしてプロフェッショナルトレーニングまで、幅広いサービスをご用意しております。 高度に変化する環境に柔軟に対応し、数多くのメーカー、パートナー企業様とともに、エンドユーザ様のビジネス発展に貢献していきます。
DataRobot, Inc.（本社：マサチューセッツ州ボストン、CEO：Debanjan Saha、以下DataRobot）と、日本におけるインターネット金融サービスのパイオニアであるSBIホールディングス株式会社（本社：東京都港区、代表取締役会長兼社長：北尾 吉孝、以下SBIホールディングス、TYO：8473）は、本日パートナーシップをさらに拡大する計画を発表しました。 この度の計画は、SBIホールディングスによる多額の投資と、DataRobotのシングルテナントSaaSプラットフォームを複数の金融サービス分野に導入する拡張ライセンスの購入を通じて、AI・機械学習分野におけるパートナーシップを深めるものです。 2020年12月、SBIホールディングスはDataRobotと戦略的資本業務提携を行い、同社および子会社のSBIインベストメントが主導する「SBI 4+5ファンド」からDataRobotへ出資を行いました。SBIホールディングスは数年前からDataRobotの大切な顧客であり、当社の技術を活用して銀行や保険を中心に100以上のAIプロジェクトを立ち上げてきました。この先の可能性を信じ、SBIグループは今回の追加出資を機にDataRobot AI Platformの利用拡大と、より多くの革新的なソリューションをグローバル規模で適用することを目指します。 今回のパートナーシップ拡大により、SBIホールディングスはDataRobotとAIプラットフォームを活用するSBIグループ各社に対するサポートにおいて協業します。またDataRobotは、SBIグループ各社のAIプロジェクトに関する戦略、開発、実行、プラットフォームを利用・管理する様々なユーザーに対するAIトレーニングをサポートします。 ■北尾 吉孝氏(SBIホールディングス株式会社 代表取締役会長兼社長) より 「投資家として、また長年の顧客として、我々はDataRobotのAIソリューションに直接触れてきたことでそのパワーを知り、理解しています。今回の追加出資により、AIの未来だけでなく、今日のグローバル経済において重要な産業のリーダーであるDataRobotへの信頼を強化していきたいと考えています」 ■Debanjan Saha(DataRobot, Inc. CEO) より 「SBIグループは、当社の貴重な顧客でありパートナーです。これからAIの新時代を迎えるにあたり、AIの実現可能性についてグローバルなビジョンを共有しています。私たちは共に、AIがもたらす影響と、AIソリューションがあらゆる種類のビジネスにもたらす変革の価値を理解しています。私は、このパートナーシップの次の段階で我々が成し遂げるすべてのことを楽しみにしています」 ■SBIホールディングス株式会社について SBIグループは、オンライン証券・銀行・保険などの金融サービス事業を中心に、ベンチャー企業への投資を主とするアセットマネジメント事業、医薬品・健康食品および化粧品などの開発・販売や、新薬の研究開発を行うバイオ・ヘルスケア＆メディカルインフォマティクス事業を3大事業として、飛躍的な成長を遂げてきました。 2023年3月期より、「金融サービス事業」「投資事業」「資産運用事業」「暗号資産事業」「非金融事業」の5事業へと変更し「金融を核に 金融を超える」を実現するべく、引き続き先進技術を活用した商品・サービスの改善や新たなビジネスの創出に向け注力していきます。 ■DataRobotについて（ https://www.datarobot.com/jp/ ） DataRobot はバリュー・ドリブン…
Slalom は、2001 年に米国シアトルで創業した戦略/テクノロジーを掛け合わせたビジネストランスフォーメーションを実現するコンサルティングファームです。先端テクノロジーを駆使したビジネスモデルの変革と文化づくりを戦略・計画・実行・定着化まで包括的に支援します。従業員規模は 1 万 5000 人超、顧客数は 1,200 社超となり、過去 5 年間で北米以外への展開を強化しております。2021 年に 5 カ国目の拠点として日本（東京）を設け、2023年5月時点で約120名規模の体制で国内への事業展開を進めています。
〜イーデザイン損保、サントリーが登壇するローンチイベントを5月18日に開催〜 新機能とMicrosoft Azure OpenAI ServiceおよびSAP®ソリューションとの統合により、 顧客のTime to Valueを加速させ、バリュー・ドリブンAIの時代を切り開く DataRobot, Inc.（本社：マサチューセッツ州ボストン、CEO：Debanjan saha）は、DataRobot AI Platform 9.0のリリース、並びにパートナーとの連携強化、AIアクセラレータ、サービス内容のリニューアルを発表しました。 DataRobotのCEOであるDebanjan Sahaは次のように述べています。 「AIは、ビジネスや人間関係のあらゆる側面を強化し、私たちの生活や働き方を改善する可能性を秘めています。 私たちは創業以来、ビジネス課題を解決するAIライフサイクルプラットフォームと、お客様のビジョンを実現するための必要なApplied AIの専門知識を提供することで、企業が価値を実現できるよう一貫して支援してきました。 DataRobot AI Platformはユニークかつ協調的なアプローチであるバリュー・ドリブンAIとしてビジネスの運営、成長、最適化を改善に導きます。DataRobotはこれまでにFortune 500の半数以上の企業に導入されており、この度の発表はそれらのグローバル企業が信頼を寄せる主要な機能と特徴を強化したものです」 BMW GroupでAI PlatformのHeadを務めるMarc Neumann氏は次のように述べています。 「BMWグループのAI Platformの要として、DataRobotが提供する豊富なモデルブループリントや、過程が分かる特徴量エンジニアリングを活用しながら、AIの実装を拡大しています。私たちは安全かつ信頼できるAI活用を目指し、倫理規定を遵守しながら、AIモデルの迅速な探求と開発にDataRobotを活用しています」 ●DataRobot…
AIの導入における今日の最も一般的な課題の1つは、あまりにも多くのプロジェクトが完了せず、明確なビジネス成果を得られていないということです。この1年間、何百人ものお客様と会話し、さらにプロジェクトを分析する中で、私たちはすぐに、AIに対する新しいアプローチが必要であることに気がつきました。この新しいアプローチを実現するために、私たちは「バリュー・ドリブンAI」と名付け、お客様がより早く価値を実現できるような新たなプラットフォーム機能の設計と強化に着手しました。 本日は、AIへの投資から一貫して価値を提供するためのAIプラットフォームの主要な要件として、私たちが学び、確立したものを共有したいと思います。また、これらの要件を満たし、それを超えるためにDataRobotで開発したイノベーションと機能を共有できることを嬉しく思います。 モデル・ドリブンAIが価値を提供するには至らない理由 モデル中心、データ中心のMLでモデルの性能だけに焦点を当てるチームは、大局的なビジネスの文脈を見失う危険性があります。このような焦点は、ビジネスパフォーマンスの向上とは対照的に、モデルパフォーマンスを向上させるために、より優れたアルゴリズムやニューラルネットワークを構築したり、より多くのデータを見つけることに傾倒しすぎることになりがちです。このような狭い焦点は、正確で真のインサイトが本当に有用でないことにつながり、ビジネスの利害関係者に不満を抱かせることになりかねません。AIチームが本当にすべきことは、まずビジネス上の問題を考え、ツールを使ってビジネス関係者と有意義なコラボレーションを行い、プロジェクトが期待に応えられないということがないようにすることです。 AIがもたらす価値を実現するために、AIチームに必要なこととは？ 実験とビジネスとのコラボレーションのためのより良い方法：AIチームは、多くのML問題文に対して迅速に反復し、異なるアプローチやコホートを比較し、ビジネスのSMEから学び、モデル構築の反復を行うために、適切なツールとプロセスを必要とし、シンプルで膨大な手作業を必要としません。 現実世界の制約の中で、生産規模を拡大するための信頼性と再現性の高い方法：持続的な価値を生み出すには、意思決定を行うユーザーの目の前で、モデルやインサイトを本番に導入できる必要があります。つまり、モデルのテストや文書化、パイプライン全体の自動化、ビジネス上重要なアプリケーションやワークフローにモデルをシームレスに統合するためのツールが必要です。 ベストプラクティスのコンプライアンスとガバナンス：企業は、データサイエンティストが信頼できるモデルを提供し、長期的に守ることができることを認識する必要があります。これは、安全性のベストプラクティスをプロアクティブに実施し、プロセスを遅らせることなく最高のガバナンス標準を適用することを意味します。 幅広い企業のエコシステムとうまく連携するAIプラットフォーム：インフラ、実務者向けツール、データプラットフォーム、ビジネスアプリケーションなど、企業がすでに行っている多額の投資とシームレスに統合するプラットフォーム。 AIの課題と複雑さを克服するための専門家のアドバイス：AIチームは、価値を高めるために単独で行動する必要はありません。AIの成熟度を高めるために、適切な段階で適切な専門知識が必要なのです。 DataRobot AI Platformがバリュー・ドリブンAIを実現する 新たな DataRobot AI Platform 9.0のリリースでは、MLライフサイクルに存在する障壁を取り除きました。複雑さを取り除き、MLライフサイクルのエンドツーエンドを合理化したことで、チームは簡単にコラボレーションでき、迅速に実験でき、そして最も重要なことは、どんなモデルでも迅速に本番に投入できるようになりました。 コラボレーティブな実験体験 – Workbenchと呼ばれる新しい体験には、モデリング用の新しい統合データ準備や、完全なコードファースト体験を提供するノートブックなどの新機能が搭載されています。これにより、チームはすべてのML資産を1つの場所でコラボレーションできるようになり、より迅速に実験できるようになります。 プロダクション規模での価値 – DataRobotのML Productionは、単なる基本的なMLOpsツールではなく、新機能により、モデルパフォーマンスの拡張と維持がさらに簡単かつ迅速になりました。CI/CDのための新しいGitHub Marketplace Actionは、DataRobotを既存のDevOpsプラクティスに統合し、ビジネスパフォーマンスを追跡するためのカスタム推論メトリクス、およびドリフト管理機能の拡張スイートは、モデルが期待通りに動作することを保証します。 確実なコンプライアンスとガバナンス – DataRobotは、常にガバナンスの確保に力を入れてきました。Datarobotの外部で構築されたモデルをサポートするために、ガバナンスとコンプライアンスの機能を拡張し、外部モデルの新しいコンプライアンス文書、MLflow実験のメタデータの統合、バイアス緩和機能により、チームがAI成果物のすべてを監視および制御できるようにしました。 …
コーネル大学の大学院に始まり、Eureqaのアルゴリズムをベースにした会社の設立、DataRobotのイノベーターチームのリーダーなど、この12年間、私はイノベーションを通じてAIで何が可能かを探求する機会に恵まれました。それ以来、私は長年にわたって学んだことを活かして、これらの境界をさらに押し広げることにますます意欲的になっています。この数ヶ月間、私はAzure OpenAI Serviceの製品責任者であるDom Divakaruni氏と共同研究を行ってきました。DataRobotとMicrosoft Azure OpenAI Serviceで取り組んできたことを共有できるのは、これ以上ない楽しみです。 本日、私たちはMicrosoft Azure OpenAI Serviceとの新しい最先端インテグレーションを公開します。Azure OpenAIのChatGPTモデルを活用したこの統合は、モデルの結果や予測に直接触れて解釈することができる対話型AI体験を提供します。この重要なマイルストーンは、開発だけでなく、最も重要な、AIユースケースの解釈、理解、採用を劇的に近代化する第一歩となります。 DataRobotとAzure OpenAI Serviceの統合は、データチームとビジネス関係者の間に長く存在した障壁を取り払うものです。この統合は、Azure OpenAI Serviceに現存する最も先進的な大規模言語モデル技術の1つのパワーを取り入れ、DataRobotを通じて、機械学習による価値中心の成果を促進します。 従来、適切なデータサイエンス・コードを開発し、その結果を解釈してユースケースを解決することは、データサイエンティストが手作業で行っていました。これは時間のかかるプロセスであり、組織全体におけるAIの導入を遅らせる可能性があります。しかし、私たちは、DataRobotが管理する情報（データ、機能、モデル、予測など）を、Azure OpenAI Serviceの機能を活用して、よりアクセスしやすく理解しやすくしています。この統合により、ユースケースを反映したインテリジェントなデータサイエンス・コードを生成することができます。例えば、データの準備だけでなく、モデルのトレーニングやデプロイを行うためのコードを生成することができます。また、モデリング結果をビジネス上の重要なポイントに変換することができます。 その例として、ある機能が予測に高い影響を与える理由を提案することが挙げられます。データサイエンティストは依然として、これらの結果をレビューし、評価する必要があります。しかし、データサイエンスチームはMLの予測解釈の生成に費やす時間を減らし、ビジネスユーザーはMLアプリケーションからより大きな理解を導き出すことができます。最終的に、ユーザーは、ML予測の意味するところを透明で明確に説明をされることで利益を得ることができます。 これがAIの用途と影響を拡大するために何を意味するのか、私は非常に興奮していますが、これは始まりにすぎません。マイクロソフトとDataRobotは緊密に連携し、これらのソリューションのパフォーマンスと信頼性を共に拡大し、お客様にインサイトに依存する自信をさらに与えていきます。 この新しいイノベーションは、DataRobotが、お客様のAIプロジェクトを飛躍させ、ゲームチェンジをもたらすような先駆的なソリューションの開発に絶え間なく注力していることを証明するものです。これは、DataRobot AI Platformが、Azure OpenAI Serviceのような新しいテクノロジーとシームレスに統合することを容易にし、MLを使った革新的なビジネスソリューションを生み出すことができることを示す別の例です。 DataRobotとAzure OpenAIで価値駆動型AIを加速させる では、どのように実現しているのでしょうか。この新しいアプローチでは、まったく新しいデータサイエンスの開発とコラボレーション体験を作り出しています。DataRobotとMicrosoftは、大規模な言語モデルから新しい機能を注入し、AIビルダーが特定のユースケースを解決するために書く必要のあるコードを予測し、その結果得られた統計結果を主要なビジネス関係者とのコミュニケーションとコラボレーションに必要なビジネス言語に翻訳します。 …
組織が生成 AI プラットフォームを活用して、包括的な生成 AI 戦略の立案を始める方法をご紹介します。この最先端テクノロジーを効果的に実装することで、具体的なビジネス価値を生み出し、組織内のイノベーションを推進する方法をご確認ください。
本Webinarでは、IT部門が主導する「AI導入」と「人材育成」という観点からサントリーシステムテクノロジーの坂本 健后氏にご登壇いただき、AI活用を成功に導けた要因の一つである、内製化に向けたプロジェクトチームの構築とコミュニケーション環境の整備についてお話いただきます。
DataRobotの機能強化によりコードファーストのデータサイエンティストはAI開発のコラボレーションをより促進可能に DataRobot, Inc.（本社：マサチューセッツ州ボストン、CEO：Debanjan Saha）は、DataRobot AI Platform内に完全に統合されたノートブックソリューションであるDataRobot Notebooksの提供を発表しました。DataRobot Notebooksを活用することで、コードファーストのデータサイエンティストはAI開発のコラボレーションをより促進できます。 ※本機能の詳細については、5/18に開催するDataRobot Launch Eventでもご紹介予定です。 ノートブックは、データサイエンティストにとって、迅速な実験とアイデア共有のための重要なツールです。しかし、ノートブックを使う人が増えると、ノートブックの管理や、複雑な依存関係やライブラリの維持などが課題となります。これらの課題は、データサイエンスチームにとって、大きな負担となります。 Enterprise Strategy Groupのシニアアナリストであるマイク・レオン氏は、次のように述べています。 「AIガバナンスのフェーズに突入しており、データサイエンスチームのコラボレーションと生産性向上がますます重要になっています。DataRobot Notebooksでは、オープンソースのMLツールやDataRobot AI Platformなど、好みの環境で柔軟に開発ができるため、データサイエンティストはより効率的にコードを開発でき、一つの環境でチームとしてより良いコラボレーションができるようになります」 DataRobot Notebooksは、データサイエンスのチームにとって、自動化、再現性、拡張性、コラボレーションを強化することで、コード開発を合理化します。このような強化された機能はチームに、以下のような独自の価値をもたらします。 相互運用性: DataRobot Notebooksは、Jupyter Notebook stadardに準拠しているため、DataRobot AI Platformへのオンボーディングを簡単にできます。DataRobot Notebooksには、NumPy、Seaborn、scikit-learn、SciPyなど、よく使われるオープンソースの機械学習ライブラリがあらかじめインストールされています。 DataRobot内のネイティブな統合:…
– DataRobot MLOps監視エージェントによるAIモデルの運用管理 – はじめに 小売・流通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濱上大基です。本稿はバイスプレジデント、ジャパンAIエキスパートの小川幹雄と濱上が執筆しました。 AIガバナンスという言葉が世の中でも注目されています。経済産業省は令和3年7月に報告書「我が国の AI ガバナンスの在り方 ver. 1.1」[1]を公開しました。様々な業界でAI（機械学習モデル）が研究フェーズから業務実装フェーズへと急速に進む中、同報告書に記載された「AI ガバナンスは、様々な分野の有識者の知識と経験を結集しなければならないと解決できない喫緊の課題である。」との指摘は、広く産業界で共通認識になりつつあると感じます。 弊社のデータサイエンティストがお客様と技術的な議論をするとき、かつてはAIモデル（機械学習モデル）をいかに高い精度で効率的に作るかという点が主なトピックでした。しかし、AIガバナンスの認識が浸透しつつある昨今では、AIモデルの説明性や運用管理というトピックにもお客様の関心が高くなってきています。説明性についてはモデルの精度向上や現場への説明という観点で以前から注目されていましたが、運用管理に関しては課題を感じている一方でまだ組織的に取り組めていないとの認識を持たれているお客様が多いようです。一例として、データサイエンティストがDataRobot外で作成した機械学習モデルの運用が必要な場合には運用管理ができないまま放置されていたり、別の運用管理環境をゼロから作成するのに四苦八苦している、といった課題をご相談いただくことがあります。 DataRobot AI PlatformはAIモデル（機械学習モデル）の開発実験環境だけでなく、デプロイ後運用フェーズに入ったモデルの運用管理環境も高度に自動化しているため、AIガバナンスに課題をお持ちのお客様にも高くご評価をいただいています。さらに、DataRobot MLOpsを利用すればプラットフォーム上に構築されたモデルだけではなくDataRobot外で開発されたモデルの運用管理も可能なので、DataRobotを導入したお客様はそれまでに自社のデータサイエンティストがPythonなどで独自に開発したモデルも併せてDataRobotで一元的な運用管理を行うことができます。 本稿では、PythonやR、Javaで構築し、DataRobot外でデプロイされた機械学習モデル（以下「外部モデル」と表記）の運用管理を行いたい方やDataRobot外に出力したモデルの運用管理を行いたい方に最適なDataRobot MLOps監視エージェントの概要とその価値についてご紹介します。 社内のAIモデルを一元的に運用管理 弊社の経験では、機械学習モデルの開発を単一の開発環境で行っている企業は数少なく、自社のデータサイエンティストが各々慣れ親しんだ開発環境を使ってモデルを作成する、モデル開発を外部委託する、など様々な理由で、企業内にはDataRobotのようなAIプラットフォームを利用しないで開発したモデルが存在しています。そして、それら機械学習モデルの構築者（モデルビルダー）が自身が作ったモデルの運用管理まで継続的に行ってくれるケースは決して多くありません。 その理由を考えると以下のような問題点を挙げることができます。 モデル社内開発ケース：機械学習モデルの開発から運用に至るプロセス全体での分業化が機械学習エンジニアらの登場によって進んだ結果、現在のデータサイエンティストは運用管理業務をあまり好きではないパーソナリティの人が多い モデル外部納品ケース：モデル開発ベンダーにその運用管理まで依頼すると常駐支援となり、膨大なコストがかかる これらの背景から、様々な環境で開発された機械学習モデルを実運用フェーズで一つのプラットフォーム上に集約し、なるべく少ないリソース/コストで運用管理を行いたいという意向をどの組織も持っています。 運用管理基盤を統合する目的から逆算して、運用の上流に存在するモデル開発のための環境を一つに絞るという考え方があります。運用管理基盤を統一できるだけでなく、ツールの使い方を習得する教育コストも下がりますし、一つの理想ではあります。ただし、社内の既存モデル開発環境がバラバラの状況からいきなり強制すると摩擦も大きくなります。さらには統合までの時間やコスト、別環境に慣れたエンジニアの再教育と理想に対してのコストが大きくなりすぎるきらいがあります。 すでに機械学習モデルを複数の環境で開発している状況にあり、その状態が今後も一定期間は続く場合にお勧めしたいのが、運用管理基盤だけを一元化することです。DataRobot MLOpsに搭載されているDataRobot MLOps監視エージェントは、外部で作成したPythonやR、Javaモデルに対してエージェントを設定することによってその運用情報をDataRobot MLOpsに送信し、DataRobot内で作成したモデルと同じUI上で、外部モデルの運用管理を行うことを可能とする機能です。図1はダッシュボード上でDataRobot作成モデルと外部の予測サーバーで動作している機械学習モデルが一元的に表示されている例を示しています。…
本ウェビナーでは、新商品の需要予測を行うことで、販売前の新商品から得られる利益を把握して新商品採用をスムーズに行うための方法をデモを交えて紹介します。
DataRobot AI Platform 9.0: コラボレーション可能な実験, 本番環境のスケール, コンプライアンスとガバナンスの確保, バイアスへの対応, Snowflake および SAP との統合。詳しくはこちらをご覧ください。
DataRobot のエクスペリエンスの向上に必要なサポートをご利用ください。コミュニティーとのつながりを築き、ヘルプチケットを送信し、詳細なチュートリアルを見つけましょう。当社まで直接ご連絡いただくこともできます。
AI の導入を開始したばかりの場合も、組織全体に対して取り組みを拡大している場合も DataRobot はジャーニーのすべての段階において、お客様が最大限に能力を発揮できるようサポートします。
自動化戦略で、すべての実稼働モデルのパフォーマンスを確保します。DataRobot AI Platform における ROI の監視と測定について説明します。
生成 AI と予測 AI をカスタムアプリケーションにデプロイしたり、ビジネスツールやプロセスに統合したりできます。
すべての生成 AI 資産と予測 AI 資産に対して、整理、デプロイ、バージョン管理を一元的に実行できます。クラウド環境を問わず、あらゆるモデルで承認ワークフローと監査機能が利用できるほか、パフォーマンステストと文書化の自動化によって、一貫したレベルのガバナンスとセキュリティを実現します。
アプリケーションをシームレスに構築し、生成 AI と予測モデルをビジネスインサイトとアクションに変換します。
生成 AI と予測 AI のツールを活用することで、新しいデータソースのテスト、生成 AI ソリューションの構築、複数の問題設定での実験をすばやく実行できます。また、数千点のモデルをテストして、影響を及ぼす主な要因を特定し、本番環境に最適なモデルを評価できます。
Kubernetes などのコンテナテクノロジーを活用して、VPC（Azure、AWS、GCP）またはオンプレミスにデプロイすることで、完全な移植性、パフォーマンス制御、データセキュリティ、アクセスを維持できます。
自動化された手法と、すべての主要なクラウドデータウェアハウスおよびデータレイクへのネイティブな統合を使用して、AI 用のデータを迅速に準備します。
マネージド SaaS 環境で DataRobot をデプロイしましょう。GCP、AWS、Azure で提供されているシングルテナント SaaS、または AWS で提供されているマルチテナント SaaS として利用できます。
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…
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…
データウェアハウス、API、ワークフローツール、BI ツール、およびビジネスアプリを DataRobot AI Platform に統合します。
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…
SAP のテクノロジースタックと DataRobot を活用して、カスタム機械学習モデルの構築、デプロイ、監視を実行できます。
本ウェビナーではBtoCにおける多面的なデータ活用ユースケースや、DataRobotによるデモをご紹介しながら、BtoC領域でのデータ活用の今後を展望していきたいと思います。
本ウェビナーでは、脱炭素やカーボンニュートラル、GXに取り組む上で、AIがどの程度・どんな領域で貢献できるのか？そして、DataRobotがどのように力を発揮するか？ 具体的な活用事例について、お客様事例を交えながら実際の製品デモと合わせて簡単にご紹介します。
アフラックデジタルサービス株式会社は、アフラックグループに所属するAI・データアナリティクスを専門としたデータサイエンスカンパニーであり、医療・製薬・金融等に精通したデータサイエンティストがデータ分析支援・コンサルティングサービスを提供しています。
Snowflake との連携強化と新機能（Snowflake の監視）の発表。DataRobot AI プラットフォーム – 2023 年 2 月リリースの詳細をぜひご覧ください。
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…
本ウェビナーでは、「機械学習モデルのバイアスとは何なのか」「バイアスに対して分析者がどのように対処するか」「チームとしてどのようにバイアスに対処できるのか」といった観点から、機械学習モデルのバイアスへのアプローチについてご紹介します。
グロービスが提供する「GLOBIS 学び放題」は、15万人以上に選ばれたグロービス・マネジメント・スクールの講義と、累計168万部発行の「グロービスMBA」シリーズをベースに開発された動画の定額学び放題サービスです。同社が提供する本サービスは、累計導入実績3,300社、アクティブビジネスユーザー24万人以上に選ばれており（2023年1月時点）、ビジネスの基礎からIT・DX、AIなどの最新トレンドまで幅広い学びを提供します。
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。…
新機能の発表 - ノートブックDataRobot AI プラットフォーム – 2023 年 1 月リリースの詳細をぜひご覧ください。
DataRobot AI Cloud は次世代の AI です。AI Cloud は、あらゆるデータタイプ、あらゆるユーザー、あらゆる環境を統合し、業界・業種を問わずすべての組織に対して重要で価値あるビジネスインサイトを提供することをビジョンとしています。DataRobot は、Fortune 50の3分の1を含む、業界や業種を超えたグローバルな顧客から信頼を得ています。
本ウェビナーでは、東邦ガス情報システム様をお迎えし、ガスの開栓・閉栓やガス機器修理などの訪問業務において、どのようにAIを活用し、運用負荷とコストの削減を実現したのかをご紹介いただきます。
NRIでは2018年より、小売業の発注業務にAIを適用する「AI発注支援システム」を提供しています。現在ではすでに複数の企業において導入され、導入機企業は需要予測を活用し、成果を上げています。 本講演では、AI需要予測活用の成功のポイントである「AIの民主化」について解説するとともに、具体的な例として「相鉄ローゼン株式会社」様の取り組み事例もご紹介いたします。
事業環境の変化と社会課題に向き合い、食の未来をつくりだす企業を目指すカルビーでは、コロナ禍におけるお客様の消費行動の変化にも対応すべく、顧客分析の強化を図っています。今回の講演では、カルビーにおける最新のカスタマーマーケティング事例として、ターゲティング効率化改善プロジェクトについて、成果とそこに至る苦労や現状の課題についてご紹介いたします。
本ウェビナーでは、「DX注目企業2022*」にも選定されたアスクル様をお招きし、同社におけるDX人材育成の取り組みや成功のポイントについてお話を伺います。 後半では、実現場での課題や解決策についてアスクル様・DataRobot・グロービスの3社でディスカッション形式で深堀いたします。
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。…
機械学習によるAIが普及する中で、AIが倫理的な、公平な判断をしているかという観点にも焦点があてられるようになってきました。2020年に公開されたドキュメンタリー映画「CODED BIAS」では、白人男性より黒人女性の方が顔認識の精度が低くなってしまう例などをあげ、AIに関する社会問題を紹介しています。バイアスと公平性は、AIが社会に浸透してきた今こそ注目をしなければならない領域です。本稿Part 1ではバイアスと公平性がなぜ重要なのか、その発生要因、機械学習モデルのバイアスをどのように評価するのかについて解説します。（Part 2では具体的にどのように機械学習モデルのバイアスを軽減するのか、機械学習プロジェクトにおいてどういった点に留意する必要があるのか、そしてDataRobotでどのようなことができるのかについて解説します）
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。…
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、日本法人である DataRobot Japan株式会社（以下「DataRobot」）が一般社団法人 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）における「標準化委員会」の本格化に向けた検討メンバーに参加したことを発表いたしました。FDUAの標準化委員会は、これまでその活動骨子の策定や情報交換会の開催を通じて、金融データ活用の在るべき組織の標準化活動を推進してきました。この度決定した、金融業界を代表する有識者および高度な専門知識を持つ有識者及びDataRobotで構成される検討メンバーが中心となり、本活動をより加速・拡大していくことになります。
AI のイノベーターである DataRobot, Inc.（本社：マサチューセッツ州ボストン、以下「DataRobot」）は、この度、米国の独立系市場調査会社 Forrester Research が実施した調査 The Forrester Wave: AI/ML Platforms, Q3 2022 において AI/ML Platforms におけるリーダーに選出されたことを発表しました。
実行環境の数が編集できるようになったほか、プロセスの追跡が容易になりました。また、カスタムモデルの変更時にトレーニングデータが更新されます。DataRobot AI Cloud – 2022 年 11 月リリースの詳細をぜひご覧ください。
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…
ターゲットマーケティングなどで近年注目されているアップリフトモデリングは、介入効果を個別またはサブグループごとに予測することで介入すべき対象を明らかにする手法です。本記事では、アップリフトモデリングのメリットや適用範囲・注意点を説明し、DataRobotを用いたシンプルな操作によるモデル構築方法をご紹介します。
片方のクラスが極端に少ない、あるいは大半の値がゼロといったゼロ過剰などのバランスの悪いデータを不均衡データといいます。このようなデータの偏りは、予測結果の偏りにつながるなどという問題があります。本記事では、不均衡データへの代表的な対処法を紹介し、DataRobotにおいてこの問題をどう扱うかについて解説します。
本ウェビナーでは製造プロセスデータを用いた要因分析やパラメータの最適化、シミュレーション等について実際の製品デモを交えて簡単にご紹介いたします。
本ウェビナーでは、特にDataRobotをはじめてご覧になる皆様のために画像データを用いたデモを製造業における外観検査工程をテーマとしてお伝えさせていただきます。DataRobotを用いることで誰でも簡単にAIモデルを構築していただけることを、特に製造業、画像データ、異常検知をキーワードとしてご紹介いたします。
In this release, we are excited to announce that Time Series Clustering is now available for all SaaS users. Learn more about these and other features.
価格弾力性を推定するデモンストレーションを行います
このリリースでは、DataRobot MLOps の大幅な機能強化に重点が置かれているため、モデルの構築場所に関係なく、モデルを監視し、信頼することができます。詳細をお確かめください。
That's all we have
