DataRobot ブログ

どのサプライチェーンネットワークでも非常に重要になる要素は、部品不足の発生を防止すること、特に最後の段階でそれが起こらないようにすることです。部品不足は機械装置や輸送手段の利用率低下につながるだけでなく、ネットワーク全体で配送遅延の連鎖反応が発生する原因ともなります。加えて、部品不足があると、納期どおりに配送される部品が予定より少なくなるので、サプライチェーンマネージャーは資材計画の最適化ができません。

DataRobotは、日東電工株式会社（以下、Nitto）の実ビジネスにおける業務改善に向けた生成AIソリューションの導入支援を開始しました。NittoではDataRobot 生成AIソリューションのPoV（Proof of Value：価値実証）を2024年6月に完了しており、今後、DataRobotのRAG構築機能を活用し、継続的に信頼性の高いアプリ構築を目指します。

ビジネスにおける機械学習モデルの活用が加速する中、「AIガバナンス」という言葉が注目を集めています。AIガバナンスとは、AIモデルの開発から運用にわたるライフサイクル全体を通して責任ある管理を行うことを指しますが、運用面ではモデルの精度やドリフトを継続的に監視し、適切な対策を講じることが重要な要素の一つです。

クラスタリングは、データを類似した特徴を持つグループ（クラスター）に分類する教師なし学習手法です。しかし、得られたクラスターの意味を解釈し、適切なラベルを付けるには、通常、ドメイン専門家の知識の助けを借りながら、時間をかけて慎重に作業を行う必要があります。

再入院予測のためにデータのパターンを学習する最も優れたモデルを見つけられるようになったら、DataRobot を使って簡単にそのモデルを目的の意思決定環境にデプロイできます。意思決定環境とは、モデルで生成された予測結果を組織内の適切な関係者が使用する方法、およびそれらの関係者がその予測値に基づいて全体のプロセスに影響する意思決定を行う方法を指します。 

このユースケースのターゲット変数は、患者が病院に再入院したかどうかということです（真または偽、1 または 0 などの二値）。ターゲットから、二値分類問題ということになります。 以下の特徴量は、再入院を予測するうえで重要な要素を表しています。各患者の背景、診断内容、病歴を網羅しており、DataRobot はこうした特徴量を基に患者の既往歴から関連するパターンを検出し、再入院のリスクを評価します。

再入院とは、患者が病院を退院してから 30 日以内に再入院することを指します。再入院は、医療システム間の連携が取れておらず、患者とその健康状態を十分に把握できていない状況を反映しているだけでなく、医療提供者と支払者の双方に多大な財政的負担を強いることになります。米国政府は 2011 年に、あらゆる原因による 30 日以内の再入院が約 330 万件に上り、医療機関のコストが総額 413 億ドルに達すると推定しています。

データのパターンを学習する最も優れたモデルを見つけて従業員の幸福度を予測できるようになったら、DataRobot を使って簡単にそのモデルを目的の意思決定環境にデプロイできます。意思決定環境とは、モデルで生成された予測結果を組織内の関係者が使用する方法、およびその予測値に基づいてプロセスに影響する最終的な意思決定を行う方法を指します。 

このユースケースのターゲット変数は、従業員が、ストレスや従業員意識調査の悪い結果が原因で離職したり休職し続けたりするかどうか（真または偽、1 または 0 などの二値）です。このターゲット変数から、これは二値分類問題であることがわかります。 以下の特徴量は、従業員の離職を予測するうえで重要な要素を表しています。それらは各従業員の背景、現在の役割、調査履歴に及び、DataRobot はこれらの特徴量に基づいて従業員の HR プロファイル全体から関連するパターンを検出し、従業員の離職リスクを評価します。