需要予測は近年AIの活用が著しい領域ですが、需要を予測しただけではビジネスインパクトには繋がりません。予測した需要を適用できる主な業務として在庫の最適化があります。本稿ではAIを用いた需要予測の在庫最適化への活用方法を考察します。
本ブログでは、信頼できる AI を構成する要素のうち、モデルのパフォーマンスについて説明します。高度なパフォーマンスの実現には、主に「データ品質」、「精度」、「堅牢性と安定性」、「スピード」の 4 つが必要です。
「データのパーティション」には多くの種類とそれぞれに特性があります。本稿では適切なパーティションを選択するために、各パーティションの手法ごとに利用シーンやメリット・デメリットを考察します。
モデリングを行う際に結果に大きく影響を与えるのが「データのパーティション」です。パーティションは特徴量エンジニアリングなどと異なり、表面上に見えにくいため軽視されがちですが、適切なパーティションを選ばないことにより運用で痛手を負うケースがあります。
オフセット項を利用することによって、ビジネスロジックや既存のドメイン知識をそのままモデルに組み込むことができます。少し高度なテクニックですが、オフセット項を身につけるとより機械学習の幅が広がります。
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。
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。
金融機関での不正出金のニュースが世を賑わしています。ほぼ毎日なんらかの不正が行われています。その被害額も凄まじく、2019年1年間のクレジットカードの不正利用額は273.8億円にも上ります。本ブログでは、様々な不正の種類に触れながら、実際に不正を防ぐための対策をどのようにAIで実現していくか紹介します。
AI（人工知能）技術が注目をあつめる昨今、ディープラーニング（深層学習）という単語を耳にする機会も増えてきました。一方で、従来の機械学習との違いや詳細な仕組みはわからないという方も多いのではないでしょうか。 そこで本稿ではディープラーニングとAI、マシンラーニングとの違い、kaggleコンペ優勝者が使ったモデルかつ産業応用事例に基づいて、どちらの領域でディープラーニングが優れているか、優れてないかを紹介します。
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。
