高次元データの
0次仕分け
— ドメイン知識なしに、データの自然な構造を最初に可視化する
従来手法の限界が100次元未満にとどまるなか、toorPIAは2000次元でも信号構造を保持。 近傍グラフに依存しない独自設計で、高次元空間の大域構造を忠実に2次元へ射影します。
2000D
信号識別限界次元
O(n)
線形計算量
数十万点を1分以内に処理
0
チューニングパラメータ
perplexity, n_neighbors不要
CPU Only
GPU不要 — 線形計算量でt-SNE/UMAPの2倍以上高速
高次元空間から2次元へ
n次元空間のデータから距離行列を算出し、toorPIAで2次元ヒートマップ/散布図に射影
距離集中現象を回避
高次元では全ての点間距離が均質化し、「近い」「遠い」の区別が消失。 toorPIAは大域的ユークリッド距離を直接保存することで、この構造的問題を回避します。
中間領域を破壊しない
k-NN手法はクラスタ内を引き寄せることで大域構造を断絶させます。 toorPIAは正常と異常の間にある推移的な状態をシームレスに保存。 この中間領域こそが異常の前兆が最初に現れる場所であり、予兆監視の鍵です。
時系列の連続性を保持
設備の状態は時間とともに変化します。従来手法ではこの変化の軌跡が途中で切れたり混ざったりしますが、 toorPIAは時間的な流れと変化の方向性をそのまま2次元上に再現。経年劣化の兆候を見逃しません。
目的に合わせた3つの製品
分析パッケージ
JupyterHub + JupyterLab環境でtoorPIAを利用できるオンプレミス分析基盤。 お客様のプライベートクラウドにインストールし、社内のデータサイエンティストがブラウザから インタラクティブに高次元データを探索・分析できます。
Docker上で動作 / マルチユーザー対応
Learn more →
vibeCheck
常設センサーが設置できない現場でも、本体は居室・録音は日常点検で。 手持ちのiPhoneや市販機材で音を採るだけで予兆監視を開始でき、高価な計測器は不要です。 PoCから本格展開までクラウドなしのエッジ完結型で進められます。
iPhoneで録音OK / 常設センサー不要 / エッジ完結
Learn more →vibeCheck 1ヶ月無料お試しプログラム受付中
実際の現場で1ヶ月評価。技術評価・運用評価の2階建てレポート付き。詳細・ご応募はこちら →
toorPIA API
toorPIAの次元削減・予兆監視をREST APIとして提供。 ベースマップの作成、新規データの射影、正常領域からの推移段階の定量化まで、 既存のパイプラインに組み込めます。
バッチ・ストリーミング両対応 / MCPサーバーによるLLM連携
Learn more →ベースマップ作成
新規データを射影
診断結果を取得
toorPIAが活躍する領域
製造現場の予兆監視
振動・音響センサーのデータをDSPでフィルタリングし、STFTで周波数スペクトルに変換。 得られた高次元ベクトルをtoorPIAが2次元に射影し、正常時のベースマップとの差異を自動判定します。
しきい値は正常時のベースマップから自動導出されるため手動設定は不要。 大手化学メーカーとの実証実験で有効性を確認済みです。
AIモデルの内部診断
ニューラルネットワークの中間層は1000次元を超えます。t-SNEやUMAPでは構造が崩壊するこの領域で、 toorPIAは中間層の活性パターンを忠実に2次元へ射影。
大学との共同研究では、Local LLMの同一プロンプトに対する出力の揺らぎを、 出力層のhidden state（1000次元以上）をtoorPIAでマップ化し、プロンプト最適化に活用しています。
インタラクティブなクラスタ分析
射影された2次元マップ上で任意のクラスタを選択すると、 各クラスタの主要属性（平均値・寄与度）を即座に並列比較。 「このクラスタとあのクラスタは何が違うのか」をデータに基づいて特定できます。
toorPIAは中間領域を破壊しないため、クラスタ間の遷移状態にあるデータ点も正直に表現。 分類が曖昧なデータこそが、異常の前兆や新しいパターンの発見につながります。
予兆の段階的捕捉
正常稼働時のセンサーデータからベースマップを作成し、正常領域の形状と広がりを学習。 新規データが投入されると、正常領域からの推移を段階的に追跡し、 異常に至る前の予兆を中間領域の変化として捉えます。
「機械が検知し、人間が判断する」設計思想のもと、 数万点のマップをバックグラウンドで常時追跡。 中間領域に変化が現れた段階で担当者に通知し、異常に発展する前に対処を可能にします。
金融リスク分析
市場リスクやポートフォリオの状態は高次元空間上の点として表現されます。 toorPIAの大域的距離保存により、リスク状態間の構造的関係を維持したまま可視化が可能です。
脳科学・神経科学
脳活動の高次元軌跡データの分析において、toorPIAの時系列構造保存特性が力を発揮します。 局所的な揺らぎと大域的な方向性を両立した可視化で、神経活動パターンの探索を支援します。
PoCを、目的から通過点へ
「分析できた」ことと「運用できる」ことの間には、決定的なギャップがあります。toorPIAは、このギャップを埋めるアプローチを提供します。
現状 : 正常データ N=1
必要 : 正常データ N=複数
toorPIAとオープンソースのツールスタック（IF-HUB / toorpia client）を活用することで、PoCで構築した分析環境がそのまま本番の予兆監視基盤になります。運用を見据えた4フェーズのロードマップで、最短で本番移行の判断を下せます。
