製造業で広がるAI – 現場で成果を出した4社の活用事例

By dotData

製造業の現場におけるAI導入の課題 AI技術の進化により、企業が持つ膨大なデータを活用しやすくなった今、製造業でもAIの導入は避けて通れないテーマとなっています。生産性向上、業務効率化、品質の安定といった目的を達成するために、AIを活用した取り組みが進められています。 しかし、現場には「分析の進め方…

Databricks DeltaとUnity Catalogを超えて：dotDataのFeature Factoryによるメダリオンアーキテクチャの革新

By dotData

導入 データ分析を前提としたデータ管理のアーキテクチャは、メダリオンアーキテクチャのような革新的なフレームワークへ進化しています。このアプローチは、データパイプラインの管理とデータガバナンスの強化に対する体系的な方法を提供します。このブログでは、メダリオンアーキテクチャのコンポーネントとして、特に、…

解説：機械学習のための特徴量設計

By dotData

特徴量設計とは？ 例えば、機械学習や人工知能を応用した顧客の解約予測、製品需要予測、商品の売上予測など、ビジネス上の重要かつ複雑な問題に取り組んでいるとしましょう。機械学習による予測分析では、よりよい機械学習のアルゴリズムや手法を選ぶことが成功の鍵であると思われがちです。ロジスティック回帰、決定木、…

LLMとは？ – 大規模言語モデルのデータアナリティクス応用

By dotData

はじめに 生成AI（ジェネレーティブAI /生成系AI）は、さまざまな業界で大きな変革を起こし始めています。このブログシリーズは、企業におけるデータ活用の新しい地平を開く、生成AIの可能性について解説します。その第二弾となる、本ブログでは、生成AIの仕組みであるLLM（大規模言語モデル、Large …

生成AIとは？ – 生成AIは企業のデータ活用をどのように進化するのか？

By dotData

はじめに 生成AI（ジェネレーティブAI /生成系AI）は、さまざまな業界で大きな変革を起こし始めています。企業における生成AIの活用の鍵となるのは、企業内のデータです。また、データを活用する上で必要とされる人材にも、大きな影響を与えています。 このブログは、企業におけるデータ活用の新しい地平を開く…

ビジネスアナリティクスの実現するDX人材とデータドリブンな組織文化の変革

By dotData

このブログシリーズの冒頭で、パート１ではビジネスアナリティクス（BA）の基礎と、それが企業にとってなぜ重要なのかを探りました。続くパート２では、BA、ビジネスインテリジェンス（BI）、および予測分析（PA）の目的と役割の違いについて深く掘り下げ、これらの分析手法が企業の意思決定と業務最適化にどのよう…

データから洞察へ：ビジネスインテリジェンス、ビジネスアナリティクス、予測分析の統合ガイド

By dotData

このビジネスアナリティクスに関するブログシリーズのパート1は、ビジネスアナリティクス（BA）の基本概念とその重要性について解説しました。今回のパート2では、BAと密接に連携しつつ、企業のデータ利活用を強化するビジネスインテリジェンス（BI）と予測分析・データサイエンスの相互関係に焦点を当てます。これ…

ビジネスアナリティクス：データを基点で業務を分析

By dotData

デジタル化が進む現代社会では、データの重要性は日に日に高まっています。デジタルトランスフォーメーションは、業務プロセスの改革を目指すもので、ビッグデータを活用したビジネスモデルの変革が求められています。しかし、データの価値を最大限に引き出し、成功を収めている企業はまだ一部に過ぎません。このブログでは…

時系列データの特徴量設計 – パート2

By dotData

このシリーズの「時系列・時間データに関する特徴量設計 – パート１」ではARモデル、ARIMAモデル、LTSM､Prophetといった標準的な時系列モデルに焦点を当てました。時系列モデリング手法は現在でも広く使われていますが、異なるデータ特性や時間分解能を扱うことができない、時間的トランザクションを…

カテゴリ属性に対する特徴量設計

By dotData

データは機械学習やAIにとって中心的な存在です。各データセットには一般的に、数値だけでなく非数値（カテゴリ）の属性が含まれています。機械学習の目標は、これら両方を含む利用可能なデータに基づいて、正解である値を予測するモデルを構築することです。以下に示すデータセットの例は、Kaggle（Student…

時系列・時間データに関する特徴量設計 – パート１（時系列モデル概説）

By dotData

新しい予測分析手法やアルゴリズムが利用可能になってきていることで、予測分析の価値が明白になり、分析を行う範囲も広がっています。例えば、企業はAIの予測力によってパンデミックによる混乱やサプライチェーンの問題を解決し、再び業績を軌道に乗せることが可能です。たとえば予測分析は在庫管理や配送の最適化に特に有用であり、より無駄なく効率的に事業活動ができるようになります。