SAS Viya紹介セミナー (in person seminar) 講演資料

(1)

＜抜粋版＞

「今、企業が求める

オープンな AIプラットフォーム」

SAS新製品・ SAS

®

Viya

®

ご紹介セミナー

(2)

Agenda

• 分析テクノロジーのポジショニング

• AI＆アナリティクス活用とビジネス価値創出の課題

• 課題解決に不可欠な要素：「アナリティクス・ライフサイクル」とは

• AI プラットフォーム SAS Viyaの特長紹介とデモ

＞統合GUI上で実現するアナリティクス・ライフサイクルデモ

＞プログラミングUI（Python, R, SAS）デモ

• SAS Viya：特定分野別デモ

＞画像認識/分類～ディープラーニング：CNN活用～

＞異常予兆検知～教師無し機械学習の3つの手法～

＞リアルタイム異常予兆検知＆レポーティング

• まとめ：SAS Viya活用のメリット

• SAS Viya特設サイト、無償体感プログラム、紹介

2

(3)

機械学習

ディープラーニング

人工知能（AI）

コグニティブ・コンピューティング

統計解析

データマイニング

ニューラルネットワーク

アナリティクス

3

(4)

検索・推論

などなど

人工知能

（AI）

機械

学習

ニューラル

ネットワーク

ディープ

ラーニング

画像

処理

自然言語

処理

データマイニング

統計

解析

コグニティブ・コンピューティング

アナリティクス

4

(5)

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

5 https://www.sas.com/ja_jp/news/press-releases/2017/march/2017-03-30-forrester-wave-predictive-analytics-machine-learning-jp.html

※以下のプレスリリースサイト内のリンクから、

Forresterのレポートをご覧いただけます。

(6)

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

6

(7)

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

7

(8)

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

(9)

目的・ゴールを見失っていませんか？

課題の明確化が重要

「家もAI・機械学習活用しなきゃいけないんじゃないの、活用しなさい」

あわてて「AI・機械学習」関連の事例やツールの情報収集・調査を始める

分析スキルに乏しい担当者は、特別な分析スキルが無くても

「AI・機械学習」を簡単に活用できそうな手段に目が向く

この時点で、

「AI・機械学習」を

活用する＝

簡単に予測モデルを

生成できる

ツールの導入

が目的化している

_{「簡単に精度が高い予測モデルを作成できそうな手段」に焦点を当てる}

＝

企画

担当

「AI・機械学習」がバスワード化

経営層

こうしたプロジェクトの多くは失敗に終わります。

9

(10)

目的・ゴールを見失っていませんか？

課題の明確化が重要

「家もAI・機械学習活用しなきゃいけないんじゃないの、活用しなさい」

あわてて「AI・機械学習」関連の事例やツールの情報収集・調査を始める

分析スキルに乏しい担当者は、特別な分析スキルが無くても

「AI・機械学習」を簡単に活用できそうな手段に目が向く

この時点で、

「AI・機械学習」を

活用する＝

簡単に予測モデルを

生成できる

ツールの導入

が目的化している

_{「簡単に精度が高い予測モデルを作成できそうな手段」に焦点を当てる}

＝

企画

担当

「AI・機械学習」がバスワード化

経営層

こうしたプロジェクトの多くは失敗に終わります。

「ビッグデータ」ブーム

「AI・機械学習」ブーム

同じ轍を踏む

10

(11)

なぜデータ活用・アナリティクスで成果を出せないのか？

11

• 予測モデルは作ったが、ビジネス価値（￥）を生み出したのかが不明

• 予測モデリングツールは用意したが、入力データが適切に準備できない

• 様々なOSS技術が混在し、アルゴリズム精度やバージョン不整合に追われる

• OSSだけでは、アナリティクスの精度がプログラミングスキルに依存することが多い

• 予測モデルは作ったが、業務システムと連携ができない

• 予測モデルは作ったが、そもそも業務の意思決定プロセスのデザインが不十分

• 作成したモデルが管理できない。共同作業、ナレッジの共有ができない

• 予測モデルをシステムに組み込む際に、再度プログラミングが必要となる

• データ種類、ボリューム、アルゴリズムに応じて異なるスキルが要求される

• アナリティクスツールが自社のセキュリティ・IT要件を満たせない

• ・・・

(12)

課題解決に不可欠な要素

アナリティクス・ライフサイクル

信頼性

（ガバナンス）

多様性

（多様＆オープン）

拡張性

（スケーラブル）

なぜデータ活用・アナリティクスで成果を出せないのか？

• 予測モデルは作ったが、ビジネス価値（￥）を生み出したのかが不明

• 予測モデリングツールは用意したが、入力データが適切に準備できない

• 様々なOSS技術が混在し、アルゴリズム精度やバージョン不整合に追われる

• OSSだけでは、アナリティクスの精度がプログラミングスキルに依存することが多い

• 予測モデルは作ったが、業務システムと連携ができない

• 予測モデルは作ったが、そもそも業務の意思決定プロセスのデザインが不十分

• 作成したモデルが管理できない。共同作業、ナレッジの共有ができない

• 予測モデルをシステムに組み込む際に、再度プログラミングが必要となる

• データ種類、ボリューム、アルゴリズムに応じて異なるスキルが要求される

• アナリティクスツールが自社のセキュリティ・IT要件を満たせない

• ・・・

データハンドリングの課題（取得・加工・品質・準備）

モデリングの課題（スキル課題や結果の一貫性など）

モデル実装の課題（価値創出とガバナンス、実行と評価）

12

(13)

なぜデータ活用・アナリティクスで成果を出せないのか？

• 予測モデルは作ったが、ビジネス価値（￥）を生み出したのかが不明

• 予測モデリングツールは用意したが、入力データが適切に準備できない

• 様々なOSS技術が混在し、アルゴリズム精度やバージョン不整合に追われる

• OSSだけでは、アナリティクスの精度がプログラミングスキルに依存することが多い

• 予測モデルは作ったが、業務システムと連携ができない

• 予測モデルは作ったが、そもそも業務の意思決定プロセスのデザインが不十分

• 作成したモデルが管理できない。共同作業、ナレッジの共有ができない

• 予測モデルをシステムに組み込む際に、再度プログラミングが必要となる

• データ種類、ボリューム、アルゴリズムに応じて異なるスキルが要求される

• アナリティクスツールが自社のセキュリティ・IT要件を満たせない

• ・・・

アナリティクス・ライフサイクル

の必要性

データハンドリングの課題（取得・加工・品質・準備）

モデリングの課題（スキル課題や結果の一貫性など）

モデル実装の課題（価値創出とガバナンス、実行と評価）

13

(14)

価値創出の鍵は、アナリティクス・ライフサイクル

アナリティクスの活用により、「ビジネス価値」を創出するために不可欠な一連のプロセス

信頼性

（ガバナンス）

拡張性

（スケーラブル）

多様性

（多様＆オープン）

➢ 統合プラットフォーム

➢

ITガバナンス

➢ アナリティクス・ガバナンス

➢

AI技術要素の網羅性

➢ 多様なデータソース接続

➢ 多様な環境で稼働

➢ スキルレベルに応じたUI

➢ 多彩なモデル組み込み

形態

➢ 各種汎用プログラミング

言語対応

➢ 外部アプリ連携

➢ ビッグデータ対応

➢ インメモリー処理

➢ 柔軟なスケールアウト＆

ダウン

(15)

価値創出の鍵は、アナリティクス・ライフサイクル

15 アナリティクスの活用により、「ビジネス価値」を創出するために不可欠な一連のプロセス

(16)

AI プラットフォーム

(17)

「プラットフォーム」とは…

利用ユーザー層

分析機能

ＵＩ

サーバー管理

セキュリティ/ガバナンス

データ管理

自由度

多様性

アプリ開発コスト

システム間連係

高

中

低

高・多用途

中

低・特定用途

低

中

高

分析ツール

AIプラットフォーム

17

(18)

エンタープライズ・アーキテクトの８割が

統合プラットフォームを導入済み＆導入検討中

Source: The Forrester Wave™: Enterprise Insight Platform Suites, Q4 2016

統合プラットフォームへの

投資を開始した

導入する統合

プラットフォームを選定中

統合プラットフォームの

進化を調査中

統合プラットフォームに

現在興味なし

EAは、容易に構築でき

拡張できるテクノロジー

を求めている

EAにとって

「統合プラットフォーム」

が最優先事項

EAは数多くのオープンソース

技術や新興ベンダーの技術

に悪戦苦闘している

18

(19)

多様性

（多様＆オープン）

様々な、データソース/タイプ、分析手法、ユーザー層、

ビジネス課題に対応.

SAS Viyaの特長：その①

®

® the Open Source logo is a registered trademark of the Open Source Initiative

➢

AI技術要素の網羅性

➢ 多様なデータソース接続

➢ 多様な環境で稼働

➢ スキルレベルに応じたUI

➢ 多彩な予測モデル組み込み形態

➢ 各種汎用プログラミング言語対応

➢ 外部アプリ連携

19

(20)

AI のためのオープン・アーキテクチャ

In-Memory AI・Analytics Engine Real-Time Microservices Data Deployment Access Integration Model Mgmt Automation Monitoring Discovery Visualization Statistics Data Mining Machine Learning Deep Learning Image Procs NLP Optimization Forecasting Quality

20

(21)

ビジュアル・インターフェース

プログラミング・インターフェース

API インターフェース

オープンなユーザーインターフェース

分析者のスキルレベルに応じた最適なインターフェース

ビジネスユーザー

ビジネスアナリスト

データ

サイエンティスト

デベロッパー

(22)

多様で豊富なAI＆アナリティクス機能

（一部抜粋）

22 • 主成分分析

• Moving Window

主成分分析

• ロバスト主成分分析

• t-SNE

• クラスター分析

• 変数クラスタリング

• マーケットバスケット

• テンソル因子分解

• 異常検出サポートベクター

マシン(SVDD)

• ネットワーク分析

• 自動チューニング機能

• 線形回帰モデル

• ロジスティック回帰モデル

• ノンパラメトリック回帰

• 一般化線形/加法モデル

• 非線形回帰モデル

• 分位点回帰モデル

• 部分最小二乗法

• 半教師あり学習

• ディシジョン・ツリー

• ランダムフォレスト

• 勾配ブースティング

• ニューラルネットワーク

• ベイジアンネットワーク

• K-近傍法

• サポートベクターマシン

• ファクタライゼーション・マシン

予測モデリング

探索

•

FeedforwardNN

•

CNN

(LeNet/VGG/ResNet)

•

RNN (LSTM/GRU)

•

自動チューニング機能

•

転移学習

自然言語処理

•

形態素解析

•

特異値分解による次元削減

•

トピック抽出（SVD/LDA）

•

センチメント分析

画像処理

•

画像読込/保存

•

フィルタ処理/画像比較

•

検出とマッチング

•

医療用画像解析

ディープラーニング

最適化

• 線形/非線形計画法

• 二次計画法

• 混合整数線形計画法

• ネットワークフロー最適化

フォーキャスティング

• 時系列分析

• 自動時系列モデリング

• 階層間調整

• 時間-周波数分析

計量経済分析

• コピュラ

• パネル分析

• 損失分布モデリング

(23)

In-Stream

ビジュアライゼーション

IT環境

と

データソース

ビジネス課題

カスタマー

不正

_{セキュリティ}

_!

リスク管理

エクスペリエンス

In-Hadoop

In- Database

ユーザー

と

スキルセット

データ

サイエンティスト

ビジネス

アナリスト

デベロッパー

経営者

機械学習

深層学習

コグニティブ

コンピューティング

データ

マネージメント

オ

ー

プ

ン

・

AI

・

プ

ラ

ットフ

ォ

ー

ム

オンプレミス

プライベートクラウド

パブリッククラウド

パートナークラウド

SASクラウド

SAS言語

汎用プログラミング言語

パブリックAPI

ポイント&クリック

イノベーション

モノの

インターネット化

(24)

拡張性

（スケーラブル）

インメモリー分析エンジンとスケーラブルなアーキテクチャによって

ビッグデータを高速に解析し、数多くの予測モデルを短時間に生成

し、素早く業務に実装し、迅速な意思決定とアクションが可能.

SAS Viyaの特長：その②

➢ ビッグデータ対応

➢ インメモリー処理

➢ 柔軟なスケールアウト＆ダウン

(25)

インメモリー並列分散で大量データ高速解析

複数サーバー構成によるスケールア

ウトで、データ量増加に柔軟に対応

Control node

Worker node 4

Worker node 3

Worker node 2

Worker node 1

・・・

Memory

各ノードで、大量データに対する

分析処理を並列分散実行

データを自動的に均等に分割し、

サーバー内メモリーへロード

正確な意思決定、的を得たアクショ

ンの迅速化で成果を出す！

メモリーに納まらないデータは自動

的にディスクへキャッシュ

通常通りのコーディングで、

自動的にインメモリーで

並列分散処理実行

25 Data

Source

Stream

ERP

CRM

SCM

SFA

・・・

Oracle

(26)

Asymmetric 並列高速ローディング

HDFS

Hadoop Cluster

・

EP

SAS Viya MPP構成

メモリー

・

Control

Node

Worker

Node 1

Name Node

Data Node 1

Data Node 2

Data Node 3

Data Node n

Worker

Node 2

Worker

Node 3

Worker

Node n

メモリー

メモリー内への

データロード時間を

短縮

Asymmetric=

Hadoopノード数と

Viyaノード数は

不一致でもOK

＊1

EP : SAS Embedded Process

＊1：

(27)

1 柔軟なスケールアウト＆ダウン

高可用性のアーキテクチャ（1/2）

コントローラ

worker node 1

worker node 2

worker node 3

In

memory

1 2 3

1

3

2

3 データ

・

Worker ノードのメモリーに、データを冗長に持たせることができます。

・１台のノード（サーバー）がダウンしても、Viyaはダウンすることなく、要求を受付し処理することができます。

1 22 33

27

(28)

worker node 4

追加ノード

柔軟なスケールアウト＆ダウン

高可用性のアーキテクチャ（2/2）

コントローラ

worker node 1

worker node 2

worker node 3

In

memory

1 2 3

1

3

2

3 データ

・

Viyaの処理を継続中に、worker ノード（サーバー）を追加できます。

28

(29)

信頼性

（ガバナンス）

エンタープライズ・セキュリティやIT＆アナリティクスガバナンスの効い

た環境下で、アナリティクス・ライフサイクルをシームレスに回し続け

ることで、信頼ある結果を素早く生み出し、ビジネス価値創出に

貢献.

SAS Viyaの特長：その③

➢ 統合プラットフォーム

➢

ITガバナンス

➢ アナリティクス・ガバナンス

29

(30)

データ準備

探索

モデリング

実装

実行

評価

問い

繰り返し

ビジュアライズ

実験

フェイル・ファスト

データサイエンス

対話型

新しいデータ

イノベーション

ディープラーニング

ガバナンス

ロバスト

自動化

規制化

アクション

一貫性

記録文書化

意思決定

データ

ディスカバリ

デプロイ

価値創出に重要なのは、アナリティクス・ライフサイクルの網羅性と高速化

30

(31)

共通・単一の分析エンジン

整合性の担保

アナリティクス・ガバナンス

複数の異なる環境混在だと…

モデル精度１％の違いで

数十億円の差になることも

…

×

モデリングと実装で結果が

異なる、コーディングのし直し

など多くの工数がかかる

×

31

(32)

アナリティクス・ガバナンス

使用言語/UIに関わらず一貫性のある解答

共通・単一の分析エンジン

ストリーミングデータ分析

Python, R, Java, Lua

SAS Studio

ビジュアルUI

整合性の担保

(33)

エンタープライズ・セキュリティ＆ガバナンス

Analytic

Governance

アナリティクス

ガバナンス

統合環境

システム管理

セキュリティ

SAS Viya

_{データ管理}

・分析資産の統合管理

・分析結果の整合性担保

・ユーザー権限

・コンテンツアクセス制限

・ユーザー認証LDAP連携

・データアクセス管理

・統合メタデータ管理

・データ暗号化

・システム監視/管理

・利用状況監査

・システム拡張管理

33

(34)

統合メタデータ管理

各種オブジェクト間の繋がり（リネージ）をネットワーク図として可視化

データ

（インメモリ）

ライブラリ

モデル

プロジェクト

予測モデル

BIレポート

データソース

データ準備

プラン（クエリ）

(35)

SASは、Enterprise Insight Platform Suites市場で唯一のリーダー

35 https://www.sas.com/ja_jp/news/press-releases/2017/january/2017-01-18-forrester-enterprise-insight-platform-suites-jp.html

(36)

SAS Viyaは、アナリティクス・ライフサイクルを

(37)

統合グラフィカル・ユーザー・インターフェース

アナリティクス・ライフサイクル全体を単一プラットフォーム上の統合GUI環境で実現

モデルの管理・実装・評価

データの管理・準備

データの探索・分析

モデルの生成

環境の管理

(38)

(39)

セルフサービスでデータ準備作業を効率化

39

(40)

(41)

セルフサービスで BI ＆ AI を活用

単一画面で、データ探索、データマイニング、機械学習、評価を誰もが利用可能

Machine Learning

Statistics

Visualization

(42)

セルフサービスで BI ＆ AI を活用

単一画面で、BIレポート＆ダッシュボード作成～公開共有自由自在

(43)

ビジュアル・パイプラインでモデリング

マウスの簡単操作で、機械学習・時系列予測・テキスト解析モデルを生成

➢ モデリングの効率化

➢ モデリングプロセスの容易な理解

➢ モデリングプロセス（ナレッジ）の容易な共有と再利用

標準装備のパイプライン・

テンプレートを利用可能！

(44)

ビジュアル・パイプラインでモデリング

44 業務要件に応じたモデリング（ブラック/ホワイトボックス）が可能

３ステップで簡単モデル生成！

実

行

学習用

データ選択

①

予測対象

項目選択

②

③

モデル

テンプレート

選択

ベストプラクティスに基づく

モデルテンプレートを実装

＆そのまま活用

ブラックボックス的活用：

モデルテンプレートはオープン

・独自に作成可能

・既存をカスタマイズ可能

ホワイトボックスでの活用：

(45)

AI民主化の現実解はこれだ！

データサイエンティストが吟味したパイプラインで、信頼あるモデル生成

45 データ

サイエンティスト

パイプラインを

作成・公開

ビジネスユーザー

パイプラインで

モデル自動生成

この予測モデルは信頼できる

検証済み/お墨付き

パイプライン

＝ビジネスに活用できる

(46)

機械学習の判断根拠情報提供

機械学習による予測結果を信頼するためには、モデルの解釈能力が不可欠

問い

テクニック

影響度が最も大きい変数は？

変数の重要度

入力変数と予測結果の関係性？

影響度の高い変数は、全体的にどのように作

用しているのか？

Partial Dependence (

PD

)

個別差はあるのか？交互作用は？

Individual Conditional Expectation (

ICE

)

予測結果をどう説明する？

Local Interpretable Model-agnostic Explanations (

LIME

)

LIME、PD、ICEを用いた解釈が可能：

https://blogs.sas.com/content/sasjapan/2018/05/21/sas-viya-dl_ml_interpretation/

(47)

PDの出力結果例

個々の説明変数と予測ターゲットの関係性を把握

ショットスタイル

_{バスケットまで}

の距離

経験年数

ダンク

フック

ジャンプ

レイアップ

バスケットまでの距離

経験年数

ショットスタイル

(48)

LIMEの出力結果例

予測結果を説明

ケース69：シュート成功可能性94％＝成功と予測

理由：ショットスタイル＝ダンク

ショット位置＝センター

ケース7：シュート成功可能性37％＝失敗すると予測

理由：ショットスタイル＝ジャンプ

ショット位置＝センター

ショットスタイル（ダンク）

ショット位置（センタ）

選手身長（82inch）

経験年数（6年）

距離（0）

ショット位置（センタ）

選手身長（83inch）

経験年数（9年）

距離（24）

ショットスタイル

（ジャンプ）

(49)

Deployment

(50)

McKinsey Survey

45 Why data and analytics initiatives fail…

Source: 2016 McKinsey survey of data and analytics leaders at global life insurance and P&C insurance carriers

(51)

Source: Harvard Business Review “Why You’re Not Getting Value from your Data Science”

あなたは、機械学習のモデルを構築したことがありますか？

そのモデルを業務に実装し、価値を生み出し、その結果を評価したことがありますか？

46

０ 人

150人

50人

機械学習愛好家

(52)

予測モデルは企業の資産である

モデル管理の必要性

精度評価

実装コード生成

需要予測値

自動算出

部品

安全性

高

低

人系確認

業務適用

モデル情報入力

モデリング

データ

データ＆モデル

改良改善

モデル情報

登録

最適な手法

最適なパラメータ

事例：国内大手製造業：部品の需要予測

47

(53)

予測モデルは企業の資産である

モデル管理の必要性

データ

モデリング

最適な手法

最適なパラメータ

モデル情報

登録

実装コード生成

需要予測値

自動算出

部品

安全性

高

低

人系確認

業務適用

精度評価

事例：国内大手製造業：部品の需要予測

モデル情報入力

データ＆モデル

改良改善

Data

Discovery

Deployment

モデル管理

モニタリング

組み込み

48

(54)

比較

予測モデルを企業の資産として統合管理

予測モデルのバージョン管理や精度のモニタリング、そして業務プロセスへの容易なデプロイが可能

パフォーマンス監視

ワークフロー管理

スコアリングのテスト

バージョン管理

モデル間

精度比較

再学習

49

(55)

予測モデルを企業の資産として統合管理

モデル・リポジトリ

ストリーミング処理

リアルタイム・スコアリング

モデルを

データがある場所

に配置

予測モデルのバージョン管理や精度のモニタリング、そして業務プロセスへの容易なデプロイが可能

SAS Viya紹介セミナー (in person seminar) 講演資料

＜抜粋版＞

「今、企業が求める

オープンな AIプラットフォーム」

SAS新製品・ SAS

®

Viya

®

ご紹介セミナー

Agenda

• 分析テクノロジーのポジショニング

• AI＆アナリティクス活用とビジネス価値創出の課題

• 課題解決に不可欠な要素：「アナリティクス・ライフサイクル」とは

• AI プラットフォーム SAS Viyaの特長紹介とデモ

＞統合GUI上で実現するアナリティクス・ライフサイクルデモ

＞プログラミングUI（Python, R, SAS）デモ

• SAS Viya：特定分野別デモ

＞画像認識/分類 ～ディープラーニング：CNN活用～

＞異常予兆検知 ～教師無し機械学習の3つの手法～

＞リアルタイム異常予兆検知＆レポーティング

• まとめ：SAS Viya活用のメリット

• SAS Viya特設サイト、無償体感プログラム、紹介

2

機械学習

ディープラーニング

人工知能（AI）

コグニティブ・コンピューティング

統計解析

データマイニング

ニューラルネットワーク

アナリティクス

3

検索・推論

などなど

人工知能

（AI）

機械

学習

ニューラル

ネットワーク

ディープ

ラーニング

画像

処理

自然言語

処理

データマイニング

統計

解析

コグニティブ・コンピューティング

アナリティクス

4

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績 ～

5

https://www.sas.com/ja_jp/news/press-releases/2017/march/2017-03-30-forrester-wave-predictive-analytics-machine-learning-jp.html

※以下のプレスリリースサイト内のリンクから、

Forresterのレポートをご覧いただけます。

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績 ～

6

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績 ～

7

SAS アナリティクスの市場評価

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績 ～

目的・ゴールを見失っていませんか？

課題の明確化が重要

「家もAI・機械学習活用しなきゃいけないんじゃないの、活用しなさい」

あわてて「AI・機械学習」関連の事例やツールの情報収集・調査を始める

分析スキルに乏しい担当者は、特別な分析スキルが無くても

「AI・機械学習」を簡単に活用できそうな手段に目が向く

この時点で、

「AI・機械学習」を

活用する＝

簡単に予測モデルを

生成できる

ツールの導入

が目的化している

「簡単に精度が高い予測モデルを作成できそうな手段」に焦点を当てる

＞画像認識/分類～ディープラーニング：CNN活用～

＞異常予兆検知～教師無し機械学習の3つの手法～

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

～ 1976年設立以来、40年以上の豊富なアナリティクス経験と実績～

_{「簡単に精度が高い予測モデルを作成できそうな手段」に焦点を当てる}

_{「簡単に精度が高い予測モデルを作成できそうな手段」に焦点を当てる}

「ビッグデータ」ブーム

「AI・機械学習」ブーム