DataRobot Location AIのご紹介

この10年で機械学習データサイエンスが驚異的に成長したことで、予測モデリングにおける位置情報の重要性が、多くの業界ではっきりと認識されるようになりました。予測モデリングのワークフローで中核を担うのは地理空間分析と位置情報であるという認識が、企業の間で急速に広がりつつあります。地理空間分析や位置情報に関連した作業は、インタラクティブなマッピングツール上で特徴量を可視化するだけのものから、ネイティブ形式の地理空間ファイルの操作や高度な地理空間分析(空間クエリー、ジオプロセシング、空間ラグなど)まで、多岐にわたります。 

このような地理空間技術は、不動産、保険、小売などの業界では以前から重要視されていましたが、現在では、新たに登場した機械学習ワークフローへの組み込みを求める声が高まりつつあります。

地理空間データの分析は、多くの業界で注目されるようになっただけではありません。一組織内のさまざまな職種にとって重要なスキルになりました。今までは地理情報システム(GIS)アナリストの領域でしたが、現在では他の職種においても地理空間分析スキルが必要になっています。しかし、そのことで膨大な数の課題に直面しています。また、お客様の多くで以下のような問題を常時抱えています。

  1. ビジネスアナリスト:実施したい地理空間分析に十分対応できるツールがない
  2. データサイエンティスト:高度な空間解析技術はごく少数の空間データサイエンティストにしか馴染みがない
  3. データエンジニア:地理空間分析技術と機械学習の連携に苦心している
  4. GISの専門家:従来のGISベースのツールやワークフローを機械学習に組み込むことに苦心している

今すぐLocation AIを試してみるmap route checkpoint dark@6x

DataRobotの新しい地理空間機能を発見

DataRobotのLocation AIとは 

DataRobot Automated Machine Learning (AutoML)向けの新機能である Location AI の公開ベータ版をリリースいたします。Location AI は特許出願中の機能です。地理空間モデリングの各種技術を取り入れることで、DataRobot AutoML のユーザーエクスペリエンスが強化されました。たとえば、次のようなことが可能です。

  1. 地理空間を探索し可視化: Location AI では、ダイナミックマップの表示により、全く新しい方法でデータの調査と初期パターンの探索ができます。
Exploratory Geospatial Visualization
地理空間を探索し可視化
  1. 多様な空間データ形式に対応: 現在と同じ直感的で使いやすい Automated Machine Learning の UI で、ESRI シェープファイル、GeoJSON、PostGIS テーブル、ESRI ジオデータベースなど、さまざまな地理空間ファイルをネイティブ形式でアップロードすることができます。また、DataRobot では、緯度と経度、ラインとポリゴンなど、主な地理空間データが自動認識されます。さらに、既存のデータセットから位置特徴量を選択することも可能です。
Location AI 2
各種空間データ形式
  1. 空間を意識した特徴量エンジニアリングとモデル: 位置情報を利用する AI モデルのほとんどが、数値やカテゴリーなどで表された空間データをそのまま取り込むことしかしていません。DataRobot では、地理空間データとして認識されると、そのデータに特化した自動特徴量エンジニアリングが実行され、重心、外周、面積、最小境界矩形(MBR)面積などの空間属性が追加されるため、データセットがさらに充実したものになります。位置情報を利用する AI モデルのほとんどが、数値やカテゴリーなどで表された空間データをそのまま取り込むことしかしていません。DataRobot では、地理空間データとして認識されると、そのデータに特化した自動特徴量エンジニアリングが実行され、重心、外周、面積、最小境界矩形(MBR)面積などの空間属性が追加されるため、データセットがさらに充実したものになります。
Spatially Aware Feature Engineering
空間を意識した特徴量エンジニアリング

また、新たに提供する空間的近接特徴量生成(Spatial Neighborhood Featurizer)により、データの中のサンプル同士の相対的な位置関係を使って、さまざまな特徴量が自動生成されます。例えば、各サンプルを中心とした空間の、各特徴量の平均値や標準偏差、距離で重み付けされた平均値、さらには、その空間を同心円状に拡張した「空間ラグ」などが生成されます。これにより、周辺の土地の状況に影響を受ける地価などを予測するユースケースでは、予測精度が向上します。

Spatial Neighborhood Featurizer
空間的近接特徴量生成(Spatial Neighborhood Featurizer)
  1. 地域単位での比類のない解釈性: 多くの企業が自社のモデルにとって地理的位置が重要であることを理解していますが、どの程度重要なのでしょうか? Location AI には、ローカルレベルでのモデルの挙動を把握できるツールが用意されています。特徴量の有用性とモデルの精度は、地理的位置によって大きく異なることがあります。Location AI では「空間上の精度」が視覚的に示されるため、モデルの精度が高い場所とそうでない場所がはっきりわかります。
Interpretability at the Local Level
ローカルレベルでの解釈性

マルチモーダル AI

DataRobot の Automated Machine Learning が他社製品と大きく違う点の1つは、マルチモーダルなデータセットを扱えることです。マルチモーダルとは、数値特徴量やカテゴリー特徴量を含む従来の表形式データと、未加工テキストや画像のような非構造化データの混在が可能であるということです。この概念は Location AI によってさらに広がり、上記の混合データに位置データを追加できるようになりました。見通しを立てる際に参照可能な情報の種類が増えれば、より的確な判断を下すことができます。AI も例外ではありません。DataRobot では、こうした多様なデータタイプすべてをまとめて処理できるため、特徴量の種類は多岐に渡り、モデルは考えられる最高の精度を達成できます。 

Feature Image Geospacial Data
特徴量のインパクト:地理空間データ

上記のサンプルチャートは、ユタ州の住宅価格の予測用に構築したモデルでの特徴量のインパクトを示しています。ここでは、表形式のデータ、テキスト、画像を含む多様なデータタイプのすべてと位置情報をまとめて処理することで、モデルは可能な限り最高の精度を達成できます。

Location AI を使ってみましょう 

すでに DataRobot の Automated Machine Learning をお使いの場合は、今すぐ Location AI を使い始めることができます。Location AI は、DataRobot の最新版である Release 6.1 に含まれており、すべてのエディション、およびオンプレミスとクラウドのすべてのデプロイオプションで利用できます。Location AI を使用するためにライセンスを追加する必要はありません。DataRobot の設定で機能を有効にするだけです。必要に応じて、弊社担当が設定のお手伝いをいたします。

まとめ

DataRobot では、チームで協力して AI や機械学習のアプリケーション構築に取り組めば、最良の結果がもたらされると考えています。DataRobot の最新リリースで、この重要な新機能を、他のエキサイティングな新機能と一緒にぜひチェックしてみてください。データに接続するだけで、コンテンツの共有、プロジェクトの作成、新しい予測の生成を今すぐ始めることができます。

バーチャルカンファレンス
AI Experience Virtual Conference

変化の時代にAIのインパクトは加速する

執筆者について
Hajime Obata
小幡 創(Hajime Obata)

プロダクトマネージャー

DataRobot プロダクトマネージャー。2018年から DataRobot に参加。DataRobot 製品に関するフィードバック収集と新規開発計画への反映、新機能・新製品のベータプログラムやローンチ、トレーニングやマーケティングを通じた普及活動、ローカライゼーション管理、などを通じて、AI と DataRobot の価値を日本に広く広めるための業務に従事。

小幡 創(Hajime Obata) についてもっとくわしく
Haruyuki Nakayama
中山 晴之(Haruyuki Nakayama)

データサイエンティスト

DataRobot データサイエンティスト。某ファミリーレストランチェーンにてデータサイエンティストとして、需要予測、出店計画、新商品の需要予測、退職者予測などのプロジェクトをデータ準備からデプロイまで実施した経験を活かし、主に流通・外食の AI 活用をサポート。

直近の注目記事
データサイエンティストでない人に、データサイエンティストっぽく働いてもらおう(atmarkIT)

中山 晴之(Haruyuki Nakayama) についてもっとくわしく