NTech Predict
機能・特長
Tips
- 予知保全とは
-
予知保全は、過去のデータから異常の兆候を検知し、事前にトラブルを防ぐ考え方です。「予兆保全」ともいいます。
故障が起きる前にメンテナンスや部品交換を行うことで、コスト削減やダウンタイム短縮に繋がり、生産性を向上させることができます。
- 因果探索とは
-
因果探索は、背景知識が無くても、データの分布状況から因果関係(原因と結果)を特定するデータ分析手法です。
関係の方向や強さも算出できるため、データの原因分析に活用することができます。
- 時系列予測とは
-
時系列予測とは、時間と共に変化するデータを解析し、過去データから将来の値を予測する技術です。
需要予測や売上予測など、さまざまな課題に活用することができます。-
・説明変数なし
過去の波形データの特徴を学習し、将来の波形を算出することで未来の値を予測します。
-
・説明変数あり
過去の波形データだけでなく、原因となる因子が常に存在する場合に適用します。 例えば製造機器の電力消費データは、お昼の休憩時間は稼働しないため、 12時～13時間は波形が0になる場合があります。 このように特定の条件でデータが変動する場合は、この因子を加えることで将来を予測しやすくなります。
- 30日間全機能が使える無料トライアル版
-
- ・クレジットカード登録は不要です。
- ・トライアル期間終了後に有料版へ自動で切り替わることはありません。
- ・本契約と同じ製品サポートを利用することができます。
Points NTech Predictの6つの特長
- スキル不要！ボタンひとつで簡単分析
- 完全ノーコード・シンプルなUIにより、マウスによる直感的な操作で誰でも簡単に使うことができます。専門知識がなくても、CSVデータ(sjis,UTF-8)があれば、すぐに分析可能です。
- ”なぜこの結果になったのか”説明可能AI
「XAI」が判断根拠を提示するから安心 - 「XAI(Explainable AI)」が分析結果の信頼性や影響度をインフォグラフィックスで表示。予測のプロセスを把握し、解釈性を高めることで、お客様の意思決定をサポートします。
- データの不備を自動修正する
データクレンジング - 単位や記号など文字列を自動で取り除き、データの欠損を補完するなど不備を自動修正。手間のかかるデータの前処理作業を効率化します。
- データサイエンティストが運用をサポート
- 豊富な経験・知識を持つシステムエンジニアおよびデータサイエンティストが運用をサポート。困ったときは何度でも利用することができるため、安心です。
- 予測に必要な情報を自動生成
自動特徴量エンジニアリング - 膨大なデータを加工し、自動で特徴量を抽出。さらに特徴量の最適な組み合わせを自動探索し、分析作業を効率化します。データサイエンティストが2週間かけて行う作業を半日に短縮することも可能です。
- 無理なく導入しやすい価格体系
- 市場価格よりお手軽なプランをご提供。ライセンス形態は永続／サブスクリプションの2種類を用意しています。必要に応じてオプション機能も選べるため、初期投資を抑えることができます。
Supports サポート・オプション
外部アプリ連携で機能拡張 APIオプション
外部アプリケーションから動作させるAPI機能(RESTful API)です。APIを活用することで、お使いのアプリと連携することができます。
定期的な分析操作の自動化、分析データに基づく独自レポートの作成など、現場に合わせた自由度の高い運用が可能になります。
技術検証を1からサポート PoCサービス
分析結果を検証したいお客様向けの、PoC伴走型支援サービスです。環境や要件に合わせて最適なプランを提案し、経験豊富なデータサイエンティストが計画策定から成果判定まで一貫して支援します。
- ①データ検証サポート
- PoCに必要な[課題整理からゴール・仮説設定、課題解決案・計画の策定]をデータサイエンティストが支援します。
- ②実証検証サポート
- 課題解決案・計画に沿って、[仮説の実証検証、評価・成果判定]のプロセスをお客様と共に実施します。
データサイエンティストがお困り事を解決 製品サポート
操作方法やデータ分析上の不明点など運用に関する質問に、システムエンジニアおよびデータサイエンティストがメールで対応。豊富な経験で培ったノウハウを活かし、お客様の課題を解決します。
そのほか、不具合修正パッチやバージョンアップ時の最新モジュールを提供。
Details 機能詳細
| 機能 | |
|---|---|
| 入力データ | テーブル型CSVファイル |
| 自動データクレンジング | |
| 入力データの基本統計可視化 | |
| 時系列予測 | 自動特徴量付与 |
| 特徴量組み合わせ最良探索 | |
| 最良モデル探索 | |
| 予測値への寄与因子可視化 | |
| 予測値の確率密度推定→確率可視化 | |
| 長期予測（未観測未来）の特徴量の頻度推定 | |
| 時系列のグローバルな異常とローカルな異常の両方を検出 | |
| 外的イベント（休日等）対応（休日や特別なイベントのモデリング） | |
| 時系列予測結果のCSVダウンロード | |
| 多変量時系列予測機能 | |
| 予知保全 | 長期時系列異常予測 |
| 長期時系列異常予測の異常発生確率密度推定 | |
| 長期時系列異常予測の期間内異常発生確率の可視化 | |
| 異常傾向を示す特徴量リコメンド機能 | |
| 異常兆候検出機能 | |
| 因果探索 | 混在データの自動データ分離（クラスタリング） |
| クラスタリングアルゴリズム選択 | |
| 因果探索結果の因果ダイアグラム可視化 | |
| 因果関係の強度推定と可視化 | |
| 因果関係の因果方向妥当性推定（確からしさの確率可視化） | |
| 離散値対応 | |
| 時系列因果探索対応 | |
| 因果探索結果(隣接行列)のCSVダウンロード | |
| 可視化 | インタラクティブプロット可視化 |
| インフォグラフィックス | |
| オプション | API提供 |
System Requirements 動作環境
| OS | Windows10/11 |
|---|---|
| 推奨スペック（CPU/メモリ） | Intel Core i7-9700 3GHz, 16GB以上 |
| HDD/SSD空き容量 | 512GB以上 |
| ブラウザ | Google Chrome, Microsoft Edge |
- 端末要件
-
- Windows10 21H1以降。
- CPU 仮想化が有効であること。
計算速度はCPU性能に依存するため、計算速度の速いほうが処理が速くなります。 - ユーザディレクトリ以下の空き容量が1TB以上あることを推奨します。
- ストレージは、SSDを推奨します。
- ※ユーザディレクトリ以下とは
-
「%USERPROFILE%」にインストールされるため、インストールユーザしか使用できません。
ユーザディレクトリ以外での動作はサポート未対応となっています。
Footnote 脚注
- ※１
-
- S. Shimizu, P. O. Hoyer, A. Hyvärinen, and A. Kerminen. A linear non-gaussian acyclic model for causal discovery. Journal of Machine Learning Research, 7: 2003--2030, 2006.
- A. Hyvärinen, K. Zhang, S. Shimizu, and P. O. Hoyer. Estimation of a structural vector autoregression model using non-Gaussianity. Journal of Machine Learning Research, 11: 1709-1731, 2010.
NTech Predictについての
お問い合わせ
052-857-0381
受付時間／9:00〜18:00（土日祝除く）