安定状態の崩壊を、
予見する。
toorPIA: 高次元データの構造をゆがめずに2次元の地図へ落とし込む次元削減エンジン
この地図の上では、正常な“安定状態”がひとつの領域として描かれます。だからこそ、そこから外れていく動き――崩壊の兆し――が、はっきりと見えてくる。 センサーが増えてデータの項目（列）が増えても、全体の配置を崩さずに1枚の地図に。標準の分析パイプラインなら2000項目（2000次元）まで状態を見分ける力を保つことを、公開ベンチマークで確認しています。だから、わずかな予兆も捉えやすくなります。
New Research AIの“頭の中”を地図にする — LLM内部の可視化 →2000項目
データの項目（次元）が増えても、状態を見分けられる
toorPIA標準の分析パイプラインは、無関係な信号（ノイズ）が混ざっても状態を見分ける力を保ちます。状態を正しく当てられる割合は1500項目まで0.92以上、崩れ始めるのは2000項目でようやく。公開ベンチマークで検証済みです。
O(n)
線形計算量
数十万点を1分以内に処理
0
手動の調整項目
面倒な設定は不要 — データを入れるだけ
CPU Only
GPU不要 — CPUだけで数十万点を1分以内に処理
6種のデータセット中5種で総合1位。 性能の主張は、コード・データ・全結果を公開したベンチマークで誰でも検証できます。 公開ベンチマークを見る→
高次元空間から2次元へ
n次元空間のデータの距離構造をもとに、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は点と点の“本当の距離感”をそのまま保って地図に描くため、この構造的な問題の影響を受けません。
中間領域を破壊しない
正常と異常のあいだにある“途中経過”の状態——ここにこそ、異常の前兆が最初に現れます。 よく使われる手法は近くの点だけを頼りに地図を作るため、この中間の状態が千切れて消えてしまいがちです。 toorPIAは中間領域をそのまま残すので、予兆監視の鍵となる変化を追い続けられます。
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次元上に再現し、経年劣化の兆候を捉えやすくします。 この描写力は公開ベンチマークでも裏付けられています——50次元の酔歩データ（ふらふらと動き続ける軌跡）で、距離の忠実さ（元の点どうしの距離関係をどれだけ正しく再現できたか、ρ=0.924）は7手法中トップでした。 検証結果を見る →
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
振動や音のセンサーデータからノイズを取り除き、周波数ごとの成分に分解。 得られた高次元のデータをtoorPIAが2次元の地図に描き、正常時の地図（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（詳細は個別にご説明できます）。
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、手元の環境で動かす生成AI（ローカルLLM）が同じ指示文に対して答えを揺らがせる様子を、 出力層の内部状態（hidden state、1000次元以上）をtoorPIAで地図化して捉え、指示文（プロンプト）の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（導入前の試験検証）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：正常データが1回分だけ（N=1）
必要：正常データが複数回分（N=複数）
toorPIAと、無償公開している周辺ツール群（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。
