DataRobot ブログ

機械学習モデルをビジネスで活用するには、なぜその予測がなされたか等、高い解釈性・説明性が求めらます。本ブログでは最近のアップデートで可能になったShapley Valuesを応用したSHAPによる特徴量の影響度算出について解説します。

水へのアクセスは基本的人権であり、UNICEF の持続可能な開発目標（SDG #6）のひとつでもあります。世界では、10億人近くの人々が（主にアフリカとアジアで）、毎日の水の使用をハンドポンプや蛇口などの農村部の水源に頼っています。

今『データドリブン』『データドリブン企業』がバズワードになっていますが、品質管理分野では既にデータドリブンという経営戦略が存在していました。では、データドリブンの本質は以前から変容したのか？データドリブン企業はAIを導入し成功するのに有利なのか？本ブログではこれらのテーマを考察します。

AI ソリューションを導入することで組織は巨大な利益を得られますが、AI ドリブンな組織を実現するのは簡単なことではありません。本ブログでは先日リリースしました eBook『2021 年に AI で成功するための 10 の鍵』で取り上げているこの課題にどう取り組むべきかを簡単にご説明しています。

数か月の有益なコラボレーションを経て、DataRobotとSnowflakeはこの度、両社のパートナーシップ下で初の製品連携を発表しました。​​DataRobot の特徴量探索​（特微量エンジニアリングの自動化により、機械学習モデルで使用する重要な特微量の新規作成が可能）が、Snowflakeで利用できるようになりました。

昨今の金融業界では法律・規制の変更による FinTech 企業や非金融事業者の参入に伴い、顧客獲得競争が激化しております。本稿ではそのような環境下でいかに顧客獲得を実現し、顧客理解を深化していくのかについて、具体的なプロジェクトのフローに沿ってご説明します。

AI はまだ比較的新しい分野ですが、世界の現状や変化に対応するため、今すぐに機械学習モデルの価値を発揮する必要が生じています。これを実現するのが DataRobot のソリューションです。

需要予測は、企業のサプライチェーンを改善する上で重要な役割を果たします。需要予測の様々なシナリオの中で、新製品の需要予測は、過去の販売データがないため、最も困難な問題となっています。本ブログでは、新製品の需要予測をAIで行う方法と、それに伴う注意点を紹介します。

DataRobot JapanでSDRとして活躍するパヴリチェンコ・オレグのインタビュー記事となります。