Alkanoのサポート情報をご覧いただけます。

お知らせ

お役立ち情報

Alkanoユーザーの方は、ここでご紹介している「分析アイコンチートシート」「Alkano・BayoLinkS可視化機能チートシート」や「テクニカルサンプルプロジェクト」を、Alkanoの画面上のメニューからダウンロードしていただくことができます。

Alkanoユーザーでない方には、以下のフォームよりダウンロードページのURLをご案内いたします。

チートシート

Alkano_cheat_sheet.png

Alkano 分析アイコンチートシート

こんな方におすすめします

  • Alkano の分析機能を用途から逆引きしたい方

Alkano 分析アイコンチートシート は、あなたの 分析目的 や 分析対象データの種類 に応じて、適切な Alkano の分析機能を選択するためのフローチャートです。Alkano の多彩な分析機能の全体像をつかみ、使い分けを知るためのガイドとして、Alkano を使い始めた方からヘビーユーザーの方まで幅広くご活用いただけます。


Visualization_cheat_sheet.png

Alkano・BayoLinkS可視化機能チートシート

こんな方におすすめします

  • お手持ちのデータをどのように可視化できるのか知りたい方

Alkano は多彩な可視化の機能を設けています。このチートシートでは、お手持ちのデータから、可視化したい情報のタイプや観点に応じてどういったグラフが作成できるかを示しています。ぜひともデータの把握や分析結果の確認に、このチートシートをご活用ください。

テクニカルサンプルプロジェクト

Alkanoの実践的な分析例であるテクニカルサンプルプロジェクトをご紹介します

時系列データ予測分析

キーワード:時系列データ・需要予測・販売予測・生産計画

こんな方におすすめします

  • 時系列データを用いて予測分析をしたい方・製品などの需要予測をしたい方

需要予測などの時系列データを利用した予測分析においては、次のような課題がよく発生します。

  • 需要予測の対象が膨大で、人手で予測を行うには限界がある
  • ユーザーのニーズの頻繁な変化に追従する必要がある
  • 過去の経験や直感、不確実なトレンドの変化など数値化しづらい面を考慮して予測するため、属人性が高い

そこで、本プロジェクトでは「機械的に」「時系列データに合わせた方法で」 商品の販売履歴データから翌週の商品の販売件数(需要)を予測するモデルを学習し、需要予測を行います。


テキストデータの可視化・類似検索

キーワード:テキストデータ分析・次元圧縮・テキストデータ可視化・クラスタリング・類似検索・t-SNE・UMAP

こんな方におすすめします

  • 膨大なテキストデータを効率的に分析したい方
  • 類似検索(特定データと似たデータの抽出)をしたい方

膨大なテキストデータの分析を行う際にテキスト全てに目を通すことは、実務上・時間上難しい場合があります。 そのため、特定のデータやそれに似たデータだけを抽出し、効率的に分析を行うことが必要になってきます。

このプロジェクトでは、次元圧縮を用いたテキストデータの可視化・クラスタリングを行うことで似た傾向のデータをグループ分けし、 新規データが既存データ群のどれに近いかの類似検索をベクトルの距離計算で行っています。 テキストの次元圧縮については、古典的に利用されてきた主成分分析の他、t-SNE や UMAP などの近年注目を集めている手法を利用しています。


ベイズ最適化による実験パラメータの推薦・最適化

キーワード:マテリアルズインフォマティクス・材料開発・ベイズ最適化

こんな方におすすめします

  • マテリアルズインフォマティクスを活用して、最適な素材の配合比や生成条件を求めたい方
  • 製造条件 と 製品の特性値 との関連性を分析し、最適な製造条件を明らかにしたい方
  • 実験データが少ない場合でも ベイズ最適化 を活用して効率的に最適条件を探りたい方

材料開発など一般に試作品を作成するのに大きなコストがかかるケースにおいて、マテリアルズインフォマティクスが注目されています。素材の配合比などの製造条件と製品の特性の関連を実験データから明らかにし、最適な素材の配合比や生成条件を見つけるという試みです。

このプロジェクトでは、過去の実験データ、すなわち配合比・生成条件などの製造条件に対応する実験パラメータ(説明変数)と特性値(目的変数)の値から ベイズ最適化によって特性値が大きくなる(または小さくなる)ような実験パラメータを探索、試すべき製造条件を推薦します。また、実験データから学習した予測モデルを利用した、製造条件の最適化を行います。


異常検知モデルに対するドリフト検知

キーワード:機械学習・モデル精度・異常検知・コンセプトドリフト・モデルドリフト・ドリフト検知・再学習

こんな方におすすめします

  • 運用中の機械学習モデル・異常検知モデルに対し、精度低下を監視し再学習を行うタイミングを検知したい方
  • 日々流入するデータについて、傾向の変化を数値的に確認したい方

作成した機械学習モデルを使用していくと、最初のうちは精度よい予測が行えていたのに、徐々に予測の精度が落ちて来たかも、ということはありませんか。このような場合、データの変化(コンセプトドリフト)やそれに伴うモデル精度の劣化(モデルドリフト)を適切に検知し、新しいデータで再学習を行うことが一つの有効な方法とされています。このプロジェクトでは、再学習の起点を知るためのドリフト検知手法を紹介いたします。
具体的には、入力となる特徴量、予測対象、予測結果の分布に対して「現在データが学習当時と同じ分布から生成されたものかを調べる」ことによって、精度変化を検知し予測モデルを監視する方法を紹介いたします。

ドキュメント/FAQ

攻略ガイド

FAQ

関連書籍・技術コラム

ダウンロード(MSIISMへのリンク)

資料請求・お問い合わせ