JP main app screen hero

新機能のご紹介

リリース6.1ではエンタープライズ AI のビジネス面にフォーカスし、ユースケースの価値を追跡する機能を導入しました。また、Automated Machine Learning では Location AI による空間認識モデル、Automated Time Series では異常検知、MLOpsではデプロイモデル(チャンピオン)に対するチャレンジャーモデルを新機能として追加しました。ここでは、本リリースの内容を一部ご紹介します。

DataRobot Location AI

予測における位置情報の重要性
DataRobot Release 6.1では、Automated Machine Learning において空間情報の認識が可能になりました。特許出願中の新機能である Location AI により、予測モデルはデータセット内の観測値間の空間的関係を理解できます。例えば、住宅価格を予測する最良の方法の1つは、同じ地域にある他の住宅の価格を知ることです。近接性による影響を把握することは、多くの予測問題にとって非常に重要です。複雑な空間モデリングタスクを自動化するLocation AI は、初心者から上級者まで利用できます。また、位置データを表形式、テキスト、画像などの他のデータタイプと混在させることもできます。
まずは Location AI のブログをご確認ください。

ユースケース管理

AIのROIを理解する
DataRobot では、機械学習の取り組みを実際の業務で運用する際に役立つ機能を継続的に追加しています。リリース6.1では、ユースケース管理が最新の機能として追加されました。ユースケース管理は、1つの AI イニシアティブの全体を通してチームメンバーとのコラボレーションを一元管理するハブとしての役割を果たします。この機能を利用して、所有する DataRobot の全アセットを特定のユースケースでまとめれば、機械学習プロジェクトを管理し、関連する価値をすべてのステップで把握することが可能です。

収益曲線とペイオフ行列

予測の価値を把握する
AI に本腰を入れているほとんどの組織では、モデルによる予測がもたらす財務的な影響を評価できるようにする必要があります。DataRobot 6.1では、正しい予測から得られる利益と正しくない予測に関連したコストを可視化できるように、収益曲線とペイオフ行列を導入しました。複数のペイオフ行列の設定、結果として得られた収益曲線の検査、同じチャート上での収益曲線の比較が可能であるため、最大限のビジネスインパクトを目指してモデルを調整することができます。

MLOps のチャレンジャーモデル

実稼働モデルの継続的な競争
今日正確なモデルが明日も正確とは限りません。MLOps リリース 6.1で導入されたチャレンジャーモデルでは、ビジネス状況の変化に応じて、実稼働モデル(チャンピオン)をテストし、代替モデル(チャレンジャー)と比較することができます。これにより、実稼働モデルに対して、トレーニング中と同様に厳密な分析を続行することが可能です。チャレンジャーモデルで予測を再生し、チャンピオンと同期間での精度とパフォーマンスを分析します。チャレンジャーが現在のチャンピオンより優れている場合、サービスを全く中断することなく、直ちに新しいモデルに切り替えることができます。

Automated Time Series での異常検知

想定外のことを想定する
今回のリリースでは、Automated Time Series に異常検知機能を導入しました。ターゲット変数を指定する必要がなく、完全に教師なしのモードで時系列モデルをトレーニングできるようになりました。多種多様な異常検知モデルが自動的に選択、構築、テスト、ランク付けされ、新たな合成 AUC エラー指標が使用されるため、特定のユースケースに最適なモデルを把握することができます。また、 Automated Time Series の異常検知機能では、インサイトの提示や可視化が自動化されているため、各モデルを説明し、個々の異常を掘り下げて因果関係を理解するのに役立ちします。異常検知機能が追加されたことで、幅広い種類のユースケースに Automated Time Series を利用できるようになりました。

AI の説明可能性と信頼性を向上

謙虚(Humble)になるのは難しいことではありません
DataRobot では、どのリリースにおいても、お客様が自らの AI 施策を説明および信頼する上で役立つ機能を追加することを心がけています。リリース6.1も例外ではありません。データ品質評価レポートとデータ品質処理レポートが自動的に作成されるようになりました。これらレポートでは欠損値、外れ値、ターゲットリークなどの問題を明らかにして報告します。また、SHAP 値による直感的な説明により、各特徴量が平均から外れた予測にどの程度関与しているるのか正確にわかるようになりました。さらに、MLOpsでは、ユニークな予測の信頼性(Humble AIJP)機能により、実稼働モデルの予測が不確実な場合のルールを定義して修正措置を取ることができます。

DataRobot のエンタープライズ AI プラットフォームの詳細はこちらへ