AIデータ解析プラットフォーム
Multi-Sigma
Multi-Sigma（マルチシグマ）とは
データサイエンスの専門的な知識は不要
自分でつくる特化型AIでデータ解析、最適解を導き出せます
設計パラメータや、計測条件、最適値がどれだけなのか？ という課題はありませんでしょうか？
複数の条件（説明変数：負荷荷重、圧力、温度）に対して、複数の結果（目的変数：出力、燃費、効率など）という組み合わせパターンが数多く考えられる場合、AIデータ解析により、最適解を求めることが可能です。
Multi-Sigmaは、「多入力・多目的システム」において、試行錯誤や経験に頼って行われてきた研究開発に、AIの力でブレークスルーをもたらしたいという、AI研究者の強い想いから生まれました。
従来のPDCAサイクルにAIの手法を取り入れた「革新的実験計画法」により、多入力・多目的システムの最適解を、効率よく導きます。
機能とポイント：
・データサイエンスの専門的な知識は不要、自分でつくる特化型AIでデータ解析。最適解を導き出せます
１．最小限のデータとコストで、最適解を
深層学習をフルオートで高度にチューニングすることで、少ないデータでも過学習することなく高精度に予測が可能です。
ニューラルネットワーク解析は20以上、ベイズ解析はさらに少ないデータから精度の高い予測ができます。ビッグデータは必要ありません。
２．要因分析で、説明できる AI
要因分析により、説明変数の寄与の大きさと、寄与の方向性について、定量的に分析することが可能で、ブラックボックスと言われるAIを説明可能にします。
３．最適解を見つけ実験工程も超効率化
多目的遺伝的アルゴリズム（MOGA)により、トレードオフにある複数の目的を同時に満たす条件を自動で探索します。お客様にとって最適なバランスの条件を抽出頂けます。
※MOGA: Multi-objective genertic algorithm
４．安全、導入と管理コストを削減
Google Cloud Platform 上で構築されているデータセキュアなSaaSアプリで、お客様にてハードウェアやソフトウェアをご準備いただく必要はありません。普段お使いのパソコンやタブレット端末のWebブラウザからAI 解析をしていただけます。
導入サポート （画面に従って順に設定するだけで、とても簡単に使うことができます）
①学習データを用意します
入力データ（説明変数：実験条件・生産条件等）CSVデータファイル
出力データ（目的変数：実験結果・生産結果等）CSVデータファイル
②タスクを作成します
ニューラルネットワーク解析
・学習用のデータ数が20〜30以上ある時
・主なメリット：一般に予測精度が高くなる。
・主なデメリット：ある程度のデータ数が必要になる。
ベイズ解析
・学習用データが1桁、または10〜19程度の時
・追加実験（or シミュレーション）の実験条件候補を探すことも（逆解析）可能
・主なメリット：極めて少ないデータ数でも対応可能である。予測の不確実性を評価できる。
・主なデメリット：データが多数ある場合にはニューラルネットワークより予測精度が悪い。
連鎖解析（ニューラルネットワーク解析やベイズ解析でAIモデルを構築した後）
・複数プロセスに渡るシステムを複数AIモデルを連結して分析したい場合
・主なメリット：各プロセスの結果も全て評価が可能となる。特定プロセスだけのやり直しが可能となる。
・主なデメリット：1つでも予測精度の悪いAIモデルが混ざると、全体の予測精度も悪くなってしまう。
＜まずは、ニューラルネットワーク解析をお勧めします＞
③データの前処理
前処理では、各パラメータ（変数）の正規化・標準化を行います
④AI学習とAIモデル生成
AI学習を行います。
オートチューニング機能により、入力データから、最適なAI学習条件を自動探索します
この機能により、多くのケースで、手動条件設定よりも精度を高めることが可能です。
AIモデルが複数作成され、RMSE値により各モデルの精度を見ることが可能です。
AIモデルはダウンロードすることが可能です
Pythonなどでコードで書くことで、手元のプログラムでAI解析を実行することも可能です。
AIモデルを複数選択し、アンサンブルモデルとすることで、未知の目的変数の出力結果を予測する「AI予測」が、より正確に可能になります。
⑤要因分析
要因分析では、AIモデルによる結果について、どの要因（説明変数）がポジティブ／ネガティブに効いているのかを確認することが出来ます。 AIの予測結果がなぜそうなったのか、その要因を説明することが可能です。
⑥モンテカルロシミュレーション
モンテカルロシミュレーションでは、実験を行っていない１万回分のデータを作り出しAIでシミュレーションさせることが出来ます。
複数の目的変数（得たい結果）がある場合、両立させる最も目的に合致した点を探すことが可能になります。
⑦最適化
最適化では、
例えばAの目的変数を最大化し、Bの目的変数を最小化するような入力変数を探索することが出来ます
例）
A:エンジンの出力効率を最大化
B:燃料消費量を最小化
→このときの入力条件を探索する
排気量、ピストン径など
ライセンス体系
FAQ
-
GPTなど、生成AIとは違うのですか？
→生成AIと呼ばれるものは、すでに学習済みのAIです。Multi-Sigmaは、ユーザー様のデータを学習し、ゼロからAIモデルを作るものになります。 -
プログラミングやデータサイエンスのスキルがありません
→ 学習コストをかけずに、あらゆる人にAIスキルを与えます。プログラミングスキルやデータサイエンスの専門知識は不要です。どなたでも、専門家と同等の品質で、世界最先端の解析を行えます。 -
入力変数と説明変数は、複数可能ですか？
→ 一般的な自動機械学習(AutoML)は、予測機能のみでアウトプットは一つのみですが、最大200個の説明変数から最大100個の目的変数を予測し、かつ100個の目的変数の条件を同時に満たす200個の説明変数を逆解析可能です。 -
学習機能はどういうものがありますか？
→ 深層学習の2大技術といえるニューラルネットワークとベイズ最適化によるデータ解析の両方が利用できます。ある程度まとまったデータ（20個以上程度）で威力を発揮するニューラルネットワークと、最小のデータ数（3～5程度）からの逐次最適化で威力を発揮するベイズ最適化を組合せた解析が可能です。 -
複数のAI手法を使えますか？
→ 深層学習を利用した予測と遺伝的アルゴリズムを利用した最適化を同時に1つのアプリで実行することが可能です。最適化のAIが予測のAIを使いながら、多目的な最適解を自動で探索することができます -
最適化の条件について教えてください
→ 遺伝的アルゴリズムを利用し、多目的の最適化を行うことができます。目的変数の最大化・最小化・目標値設定と、説明変数の制約条件の設定が可能です。 -
要因分析とは何ですか？
→ 予測モデル作成後、感度分析の技術により、どの説明変数がポジティブもしくはネガティブに、どの程度効いているかを定量的に評価することができます。 -
ハイパーパラメータとは？
→ AIエンジニアの必須スキルと言われているハイパーパラメータ（機械学習アルゴリズムの挙動を設定するパラメータ）のチューニングを自動で実施することができます。ボタン1つで過学習を抑制しつつ、高精度な予測が可能となっています。 -
AI実験計画法とは？
→ 従来の統計をベースにした実験計画法から、AIをベースにした実験計画法にすることで、多重共線性問題の解決、予測精度の向上、多目的な予測・最適化、実験計画の簡易化・無駄の排除が可能となります。