DataRobot ブログ

コードセントリックなデータサイエンティストを多く抱える組織にとって、AI開発環境の管理は複雑で時間のかかる課題となっています。DataRobot Codespaces / Notebooksは、この課題に対する包括的なソリューションを提供し、AI開発プロセスの効率化と最適化を実現します。

データサイエンスの世界は急速に進化し続けており、効率的なツールと環境の重要性がますます高まっています。DataRobotはGUIでの機械学習モデル構築を支援するプラットフォームとして知られていますが、最近ではDataRobot Codespaces / Notebooksという新しい機能をリリースし、コードによるデータサイエンスのワークフローをサポートしています。

DataRobotは、生成AI機能と支援プログラムを株式会社ノーリツに提供し、生成AIアプリケーション(LLM Apps)開発の実証実験を開始しました。株式会社ノーリツでは、製品のアフターサービス領域における生産性の向上を目的に、業務ナレッジの共有とベテラン作業員のナレッジを平準化し、若手作業員でも同様の水準で作業に取り組む体制の構築が急務となっており、解決策として生成AIの活用を検討してきました。

本記事では、AIと機械学習が小売業界にもたらす進化や影響、課題、そして将来の展望について詳しく掘り下げて解説します。

本記事では、AIと機械学習の通信業界にもたらす影響や重要性、通信業界における生成AIのポジション、そして将来の展望について詳しく掘り下げて解説します。

DataRobotとApache Airflowを連携することで、機械学習 (ML) パイプラインを自動化し、MLOps ワークフローを強化する方法について説明します。

DataRobotではマネージドサービス(いわゆる「クラウド版」)とセルフマネージド型(いわゆる「オンプレミス版」)に加え、近年では専有環境のマネージドサービスであるシングルテナント版も提供しており、セキュリティ要件に応じて選ぶことができます。セルフマネージド型(「オンプレミス版」)をお使いで、なかなかバージョンアップの時間が取れない！という場合、二世代前のバージョン8(あるいはそれ以前)を使っているユーザーの方もいらっしゃるのではないでしょうか。このブログではそうしたユーザーの方向けに最新世代のDataRobotをご紹介します。

AIのビジネス価値を証明することは、AIリーダーにとって最も重要な課題です。世界中の企業が、試作から本番への移行に苦戦しています。ここではその方法と注意すべき点について説明します。

今回は数ある機械学習のモデル精度の評価指標の中でも私のお気に入りであるにも関わらず前回の最適化指標ブログでは取り扱うことができなかったFVE  Binominalについて紹介したいと思います。分類モデルの精度を単一の指標で測る上ではトータルバランスで現時点最強の評価指標だと考えています。これまで分類問題ではとりあえずAUCを使っていた人もこのブログをきっかけにFVE  Binominalを利用いただければ幸いです。