回帰モデルを
ユーザー自らがつくる時代に

ReNom RG(ReNom regression)とは、数値データに対する予測(回帰)モデルを簡単に構築するためのアプリケーションです。
ReNom RGはモデル構築に必要なプロセスのなかで、モデル作成、モデルパラメータの調整、モデルの評価を簡略化します。
ユーザーは一連の作業をアプリケーションで完結させることができるので、モデル構築のための工数を大幅に削減することが可能となります。

ReNom
AI開発プラットフォームReNom

ReNom DP

ReNom DP

データ前処理アプリ

ReNom RG

ReNom RG

回帰分析アプリ&API

ReNom DPとReNom RGなら
AIの専門的な
知識がなくても
高い精度の予測(回帰)モデルを
数時間で開発できます。

ReNom RGで回帰モデルの
開発スタイルが一変!

ReNom RGで画像検出モデルの開発スタイルが一変

  1. 特徴1短期間でモデル構築が可能

    • GUIですぐに精度の確認、比較ができる
    • 思いのほか精度が出ない時はデータを見直して
      モデルの再構築ができる
    • 試行錯誤も容易に繰り返しができる
  2. 特徴2エンジニアでなくてもモデル構築が可能

    • これまでエンジニアが3〜4ヶ月をかけて行っていた「データ概要把握」
      「モデル構築」「評価」の全ての作業を、数日〜1週間で行うことができる
    • 一連のモデル開発の作業をGUIで行え、難しいアルゴリズム、
      パラメータのことが分からなくてもモデル構築ができる
    • 直感的にさまざまななパターンの学習結果をすぐに確認することができ、
      適切なアルゴリズムとパラメータの設定が理解できるようになる

ReNom RGではディープラーニングの
専門知識がなくても
画面上で簡単に
モデル開発ができます。
ボタンを
押すだけで、自動的にモデルの
学習がスタート。

  1. 1.データセット作成

    モデル生成に使用するデータセットを準備する際、目的変数と説明変数をチェックボックスから任意に選択することができます。データセット名とデータセットに対する説明事項を入力することができますので、どのデータセットを用いてモデル生成を行ったのか、内容を見直す際に便利です。

  2. 2.モデル作成

    学習に使用するデータセット、アルゴリズムを選択します。あわせて、各モデルのエポックサイズ、バッチサイズ、近傍の数をパラメータとして選ぶことができます。「Run 」ボタンを押すと学習が始まります。

  3. 3.モデルの精度を比較

    モデルの精度を評価する平均二乗誤差(RMSE)と絶対誤差(MAE)の二軸で確認ができます。学習済みのモデルはすべてこのグラフに表示されるため、性能評価が容易になります。誰でも性能の良いモデルをすぐに選ぶことができます。

    4.予測結果を並べて確認可能

    学習済みモデルの予測結果を確認することができます。「Deploy」したモデルのグラフを左に置き、その他のモデルのグラフと並べて比較することができます。

ディープラーニングの主要な
アルゴリズムをサポート。
最適なアルゴリズムや
モデルを
直感的に比較検討でき、
専門家がチューニングしているので、
高い精度が出ます。

ReNom RGのGUIでモデルを学習する際、ユーザーで設定するパラメータは限られています。アルゴリズムやパラメータ設定等のAI開発の知識がなくても、直感的にモデル開発を進めることができます。「Run」ボタンを押すと、学習が回り始まります。

  1. 5.アルゴリズムの性能を比較

    ReNomRGではGraphCNNの他に、Randam-Forest、XGBoostのアルゴリズムを実装しています。データセットに対して、複数のアルゴリズムでモデル構築が可能です。そのため、各アルゴリズムで精度比較をすることができ、ユーザーの課題解決に即した回帰モデルの作成ができます。

  2. 6.特徴量の重要度を測る

    画面下部の「Features」には、学習で使用したデータセットの目的変数と説明変数、各説明変数の重要度を表示しています。重要度の算出は、各説明変数ごとに変数の値をランダムに並び替えて予測し、その結果値と実値の誤差を算出。そのランダムデータの誤差平均値と、学習完了時の誤差値との差を数値化したものです。

  3. 7.オリジナルモデルも登録可能

    「CNN Architecture」の「User defined」を選択し、ReNom RGに格納したスクリプトファイルのファイル名を入力すると、GUIでユーザーが定義したモデルを用いたモデル開発が可能です。ユーザー定義モデルのスクリプトには、ReNomのモデルを返すcreate_model関数を持つ必要があります。

GraphCNN 非画像データを
構造化して
CNNで特徴抽出する
アルゴリズム

  • 人工知能学会で論文発表
    「特徴グラフを用いた汎用型CNN深層学習手法の開発」などの共同研究をおこない、2018年人工知能学会全国大会にて論文として発表しました。データ間の距離を利用した非画像データに対するCorrelation GraphCNNの応用方法を提案しました。
  • CNNを非画像データに適用
    非画像データに対して相関を用いて順番に意味を持たせ、畳み込みを可能にするCorrelation GraghCNNという手法があります。非画像データの特徴量同士の相関係数から相関行列を生成します。さらに、相関係数の強い順に並べたインデックス行列を作成。インデックス行列は並び替えができないため、要素の順番に非画像データの特徴量に戻すことで順番に意味のある行列が作成できます。
  • GraphCNNと
    ニューラルネットワークの性能比較
    GraphCNNを用いた3つの回帰性能は、従来のニューラルネットワークの精度を大きく上回りました。特にガウシアンカーネル・高次元距離行列を用いた場合が予測精度が良く学習速度も早いことがわかります。

ReNom DP/RGによる運用イメージ

ReNom RGによる基幹システムと
連携した運用イメージ

ReNom DP/RGによる運用イメージ

ReNom RGによるIOTデータの運用イメージ

ReNom DP/RGによる運用イメージ

活用事例
- 応用分野 -

  • 小売店の需要予測
    小売店の需要予測
    POSデータなどを用いて店舗での需要予測を行うことで、最適な発注処理を実施。在庫管理が容易になる。
  • 製造機器の寿命予測
    製造機器の寿命予測
    産業用ロボットなどのログデータを用いて、部品の寿命予測を実施。効率的なサイクルで工具を交換できる。
  • 製造業の出荷予測
    製造業の出荷予測
    過去の発注/生産/調達データから需要予測を行う。最適な発注/生産/調達計画を行い、在庫削減、欠品削減に繋げる。
  • 空調の消費エネルギー予測
    空調の消費エネルギー予測
    空調システムや機器の消費エネルギーを予測する。施設内の空調の運転制御を行い、コストダウンを図る。

まずは体験してみませんか?

体験会の実際の流れ

実施日:3時間程度 要相談 費用:無償

  1. STEP01

    実データを受領
    無ければ
    サンプル
    データを使用

  2. STEP02

    操作方法の
    レクチャー

  3. STEP03

    教師データ作成

  4. STEP04

    実際に
    モデル開発

  5. STEP05

    結果を
    アウトプット
    して振り返り

  6. 作成したモデルで行なった回帰モデルの結果を印刷し社内の報告用にご利用いただけます。

TOP