執筆者: 伊地知晋平（Shinpei Ijichi）

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/機械学習を使って要因分析を行うとき、事前に要因の候補に関する知識を上手に整理して仮説を立てておくと、適切な特徴量からモデルを構築できて分析の成功確率が高まります。そして、QCサークル活動など、産業界で品質管理活動に携わる人達が利用してきたドメイン知識整理の手法はデータサイエンティストにとっても非常に有効です。

医療業界でのAI活用はフィージビリティスタディのフェーズから脱しつつあり、予防医療・先制医療に繋がる臨床研究や医師の診断補助、病院オペレーション改善などのケースで成功事例が報告されるようになってきました。本稿ではDataRobotユーザー様のお取り組みを中心に、機械学習が医療業界の様々な課題解決に役立っている実例をご紹介します。

要因分析を対象に、従来型の統計解析と機械学習を適宜使い分けながらより再現性の高い分析結果を得るための方法を考察します。また、データのレコード数が少ない「スモールデータ」や、特徴量の数がレコード数より大きい「横長データ」からでもロバストな要因分析を行うための機械学習応用アプローチを考察・提案します。

要因分析を対象に、従来型の統計解析と機械学習を適宜使い分けながらより再現性の高い分析結果を得るための方法を考察します。また、データのレコード数が少ない「スモールデータ」や、特徴量の数がレコード数より大きい「横長データ」からでもロバストな要因分析を行うための機械学習応用アプローチを考察・提案します。

DataRobotブログでは、機械学習の技術ティップス、産業各界における応用事例、AI活用の組織的課題などについて今年も弊社のデータサイエンティストが精力的に執筆してきました。今回は今年一年間の振り返りとして、各メンバーが注目した、今年のニュース総集編企画を行いたいと思います！

要因分析と因果解析の基本理論を紹介し、機械学習がどのように使えるかを解説

要因分析と因果解析の基本理論を紹介し、機械学習がどのように使えるかを解説

DataRobotの自動特徴量エンジニアリングをご紹介