Altair® RapidMiner® - Learningサブスクリプションとは

国内の多くの企業では、機械学習を用いたモデル作成をはじめとするデータ分析を外部に委託したり、高価なソフトウェアを購入し、ボタン一つで解決しようとしてきました。しかしながら、とりわけ製造業では、製造に関する業務知識（ドメイン知識）がなければ、モデル作成やデータ分析（特徴量設計）は容易にはできません。外部委託先から的外れな分析結果が報告されれば、多大なコミュニケーションコストが発生します。

弊社も機械学習のアルゴリズムや分析には詳しいものの、製造業特有のドメイン知識の獲得に苦労し、成果があげられない分析プロジェクトも多く経験しました。多大なコストをかけ無事所望の予測モデルが作成できたとしても予測モデルの権利の問題（特許や使用権）で委託先と折り合わないケースもあります。

また、自社の組織に分析力（解決力）やノウハウが蓄積されない限り、日々刻々と変わる可能性のある予測モデルのメンテナンスを自分達で行うことすらできず、再び高い分析コンサルティング費用を支払う必要も出てきます。

以上のことから、本当の意味での企業競争力をつけるには、自分達の手で機械学習を習得する必要があると弊社は考えており、図の“新モデル”に移行する必要があると考えています。

弊社では、Randy LeBlancの考え方に立脚し、自分達自身で分析ができるようになって頂くための機械学習（データ分析）のオンサイトトレーニング（2日〜3日間）やWEBトレーニングコース（1ヶ月間）を提供してきました。

しかしながら、普段の業務と並行して機械学習（データ分析）を学ばないといけないため、1ヶ月という短期間の中で実際の業務課題の改善や研究開発に直結できた受講者は少数でした。分析プロジェクトの平均期間が3ヶ月〜1年であることを考慮すれば、従来の機械学習トレーニング講座の提供は適切ではなかったと言わざるを得ません。

RapidMiner Learningサブスクリプションサービスでは、長期間（1年間）にわたり機械学習トレーニングの講座の提供を通して、多くの組織が自分達の手で機械学習を習得し、自社の組織に分析力（解決力）やノウハウが蓄積することで、業務知識が豊富な自分達の組織で、多くの分析プロジェクトの成功が継続的に実現されると考えております。

RapidMiner Learningサブスクリプションサービスの受講前（または受講直後）には、必ずご自身の分析課題（業務課題）について評価を行っていただきます。

アルテア社が提供しているデータ分析課題評価シートや三菱ケミカルHD社が提供してる分析プロジェクトキャンパスを使って分析課題を評価して頂くことをお勧めしております。特に前者については、講座の中で詳しく評価方法の説明を行っています。分析課題の評価ができれば、どのコースをまず閲覧すべきか、いつまでにCRISP DMの分析サイクルを1周回すのかについて目標を決めます。2〜3ヶ月を目処に分析サイクルを1周回し、社内の関係者からフィードバックをもらうとモチベーションが得られることが多いです。

いくら機械学習のアルゴリズムに詳しくなり、正確な機械学習モデルの精度検証方法が理解できたとしても実務課題が解決されなければ、何の意味もありません。

RapidMiner Learningサブスクリプションのサービスでは、最も汎用的で業務に活かせる可能性が高い「基礎編（Pt1、Pt2）」、「回帰編」、設備データをはじめとする時系列（波形）データに特化した「IoT編（IoT特徴量設計編）」がベースの講座として提供されています。また、化学・素材メーカーに特化した「プロセスデータ分析編」、「Material Informatics（MI）編」も用意されており、実務に直結できるような講座もあります。それほど、ご要望が多いわけではありませんが、画像やテキストなどの非構造データにも対応するために「深層学習（DL）編」もご準備しております。

よほど特殊なケースでない限り、トレーニング動画をご視聴頂ければご自身の分析課題に応用させ、問題解決が図れるはずです。講座内容に関するご質問を問い合わせるサポート窓口もありますので、必要であればご活用ください。

エッジAI振動データ分析編

製造業では、Altair RapidMinerを使用して作成した予測モデル（異常検知や品質予測など）を現場で活用するケースが増えています。しかし、クライアント数が多くなるとクラウドシステムの処理能力が低下し、通信環境が不安定な場合はタイムラグが生じます。そのような問題解決方法として、エッジシステムが採用されています。エッジシステムはクラウドの負荷を減らし、通信環境に依存せずに推論を行うことができます。

本講座では生産設備を模したNゲージ(鉄道模型)を題材に、振動データの収集・蓄積から予測モデルの作成、リアルタイムでの推論結果の可視化（予測結果の表⽰）まで⼀連の流れをローコードで構築します。

将来的な分析課題の解決に向けて、実践的な分析をつけるためには、社外で実施されている分析コンペに参加することは効果的ですが、初学者にはハードルが高く参加しにくいという問題点もあります。本プログラムでは、社内で比較的よくある課題をコンテスト課題として提供し、社内メンバーで切磋琢磨しながら、ゲーム感覚で競い合う中で実践力を全員で高めることで、企業の文化に実践的な分析を根付かせることが可能です。

右のグラフは、参加者の提出期限までの予測精度の変化を記載したものになります。一度、予測モデルを作成し提出して終わりではなく、期間内に特徴量やアルゴリズムなど予測精度に影響を与える可能性のあるパラメーターを様々、検討していることがよくわかります。動画教育だけではなく、実践的な課題を試し、競い合うことでデータ分析力の向上を図ることができます。

必要に応じて、受講の効果を定量的に把握するためのプラットフォーム（管理システム）も提供しています。

社内にどれくらいのデータサイエンスのリテラシーを持つ人材が育成されているのか、社内にどのような分析課題を持つ人がいるのか、一元的に管理することがDX推進主体の部署では求められます。社内で類似の課題を持つ人をマッチングしたり、社内コミュニティを立ち上げ交流を促進するためにも視聴状況の管理や社内プロジェクトの内容と数の把握は重要です。