white-arc-3.png

toorPIAが選ばれる理由

​高次元を活かす独自のアルゴリズム

 従来のAIや統計解析モデルでは扱えない数百次元を超える高次元データ。toorPIAは独自アルゴリズムにより1億を超える高次元データをバイアス無しでスクリーニングし(米国特許5件出願中)、データの0次仕分けや未知の相関の発見に威力を発揮します。

​一般的なクラスタリング手法の問題

  • 高次元のデータに対応できないので、最初に有効次元を抽出して次元数を制限する。

  • この過程は人為的で、非常に手間がかかる上に、有効な次元を削減してしまうことがある。

  • 「意外な」事実が発見されにくい理由でもある。

toorPIAの場合

  • 次元数の削減を行わず、可能性のある次元は逆に追加する。

  • データが織りなす複雑な高次(階層)構造を俯瞰的&シームレスに可視化

  • 任意のクラスタ構造の「特徴的な相関要素」を発見的に抽出できる。

  • 有効次元が削減されることはなく、短時間に結果が得られ、「意外な」事実も発見できる。

  • 0次仕分けによりAI学習に必要な高品質な教師データの生成にも適用可

​故障の教師データが得られなくても故障予兆を検出・対策を提示可能

既存の学習型モデルによる故障予測の課題

  • 故障の教師データはオペレーションの現場では殆ど存在しない。殆どの機器は正常に動作しており、故障時のデータは非常に少ない。また未知の故障の情報は事前に得ることは不可能。

  • 製造分野では数百次元のデータ解析が必要だが、従来手法は、こうした高次元データをそのまま扱うことができないため、業務に精通している人が経験知でデータの選別を行う必要があった。

  • 学習モデルの場合、機器毎やセンサー毎、季節や環境変化の度にモデル構築のための学習を要し、実運用コストがかかる。

  • DL/ML系のソリューションでは故障原因がBlackBox化されるため、対策を示すことができない。

toorPIAによる故障予測

  • toorPIAは教師データを必要としない。

  • 数百〜1億次元のデータをそのまま解析し、結果からクラスタ毎に寄与度の高い次元を発見。

  • 学習プロセスを必要とせずに、未知の予兆を検出可能。

  • 故障予兆の検出だけでなく、どう対処すべきかを提示できる(オペレーションの現場ではこの点が極めて重要)。

​高速なデータ処理

 最適化されたデータ並列処理により、高次元で多量のデータでも高速に処理します。

​解析エンジンをライセンス提供

 マーケットをよく知るパートナー企業様と共にさまざまな分野の課題解決への適用を目指し、toorPIA解析エンジンをライセンス販売しています。柔軟なアプリ開発を可能とするAPIを提供します。

Screen Shot 2018-11-01 at 16.56.21.jpg