toorPIA 解析エンジンの特徴

▶︎ 1億を超える高次元ビッグデータを０次仕分け可能

　・ AI学習に必須な高品質の教師データ抽出など、データの０次仕分けに適用可能

▶︎ 教師なし & 次元削減不要 & Bias-free

　・未知の異常値発見にも対応できる、教師データ・予測モデル不要のアルゴリズム

▶︎ 任意クラスタ群の主要属性を自動 & 網羅抽出

▶︎ インタラクティブなデータ特徴の探査ツールと連携可能

▶︎ 独立したツールとして利用できる他、APIを用いて他システムへの組み込みも可能

▋ 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（米国特許５件出願中）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、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）。

▋ インタラクティブなデータ特徴の探査ツールと連携可能

MAPから得られる俯瞰的情報（データの疎密、外れ値、全体形状）に基づくデータのインタラクティブな深掘りをサポート
JupyterNotebook に統合された使いやすいツール
操作・手順テンプレートを提供
データサイエンティストの分析業務を効率化
正常状態と異常状態の比較を可能にする「追加プロット」機能もサポート

詳しく »

▋ 他システムへの組み込みも可能

toorPIA は独立したツールとして利用できる他、APIを用いて他システムへの組み込みも可能です。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分析ツールキットおよびエンジンをライセンス販売しています。また toorPIA を活用したデータ分析の委託も承っています。