弊社が運営する技術メディア「SCI-Navi」にて、新たな技術解説記事を公開いたしました。
▼記事リンク
kaggleのデータセットを用いたブルーベリーの収量推定モデルの構築
■ 本記事の概要：AIの予測を歪める「多重共線性」への対処
機械学習による予測モデル（売上予測や収量推定など）を構築する際、取得したデータをそのまま学習させると、似たような意味を持つデータ同士が干渉し合い、予測精度が著しく低下する「多重共線性」という問題が発生します。 本記事では、オープンデータを題材に、この多重共線性を統計的に排除する精緻なデータ前処理のプロセスを解説しています。また、予測モデル（ランダムフォレスト）の実装において、分析の目的や環境に応じてPython、R、MATLABといった複数のプログラミング言語・環境を最適に使い分けるエンジニアリングの視点もご紹介しています。
■ 弊社のデータモデリング・解析ソリューション
本記事で示した「データの統計的性質を見抜き、最適な数理モデルとIT環境を選択する技術」は、弊社の全てのソリューションを支える基盤となっています。
- 戦略的データ活用『SHINRA』／DX基盤構築『ISHIZUE』
需要予測や売上予測において、ブラックボックスなAIツールに頼るのではなく、データの構造的欠陥（多重共線性など）を補正し、根拠のある高精度な予測モデルを構築します。また、企業ごとのITインフラ体制に合わせ、最適な言語やツールでの実装・運用基盤の設計を支援します。 - 時系列センサーデータ解析（『MITERAS』『G-SENSIA』）
製造現場等に複数のセンサーを取り付けた場合、各センサーから似たような波形データ（多重共線性）が大量に発生します。弊社の異常検知システムは、カメラ等の画像解析には依存せず、今回ご紹介したような厳格な統計処理によって時系列センサーデータの重複やノイズを数学的に排除します。これにより、「真の異常の兆候（設備故障や害虫発生）」だけを極めて高い精度で抽出・レポーティングすることが可能です。
■ データ活用・予測モデル構築に関するご相談
「自社データで予測モデルを作ったが、精度が出ず実運用できない（SHINRA）」 「既存のセンサーデータにノイズや重複が多く、正確な異常検知ができない（MITERAS）」 といった課題をお持ちの企業様は、弊社にご相談ください。学術的根拠に基づいた本質的なデータ解析をご提供いたします。
▶ [ご相談・お問い合わせはこちら（※お問い合わせページへのリンク）]