Predictive Analytics

Nimitflow資料の例では、AMS振動測定機器のデータを取り込み、記録とFFT解析（信号の周波数分解）を行った後、InCBMダッシュボードへ送信し、グラフ、傾向、通知履歴を確認する流れを示しています。

1. 1

   データの取り込みと保存

   センサーやデータソースをNimitflowのワークフローに接続し、データと履歴を継続的に記録します

2. 2

   信号解析とモデル開発

   FFTで信号の周波数成分を確認し、予測の目的に応じた機械学習の学習データを準備します。運用前に結果を検証します

3. 3

   結果の可視化とチームへの共有

   結果をInCBMやGrafanaなどのダッシュボードへ連携し、システムの範囲に応じて通知条件、イベント記録、レポートを設定します

Predictive Analyticsは、機械、製造工程、ITシステムの過去データを保有し、問題発生前に異常の兆候を把握したいチームに適しています。機械学習で既存データのパターンを学び、将来の値を予測します。予測値が設定した条件に達すると、確認を促す通知をチームに送ります。

機械が停止したり不良品が発生したりして初めて問題を把握する組織や、実際の状態を確認せず一定周期で保全を行う組織は少なくありません。事前の兆候は、既存システムが記録したデータに含まれている場合があります。Predictive Analyticsはそのデータを継続的に分析し、対応の判断はチームが行います。

Predictive Analyticsでできること

• 予知保全（Predictive Maintenance）— 射出成形機のショット数などの機械データを分析し、予防保全の時期を事前に通知します
• 品質傾向の予測 — 継続的な製造工程データから傾向を把握し、不良が発生する前に工程を調整します
• 異常検知（Anomaly Detection）— 将来の値を予測し、実測値と予測値を比較するグラフを表示します
• 通知 — 分析値が対応を要する条件に達した際、メールや組織で利用中の連絡手段で担当チームに知らせます

Predictive Analyticsは、データ評価、データ準備、モデルの学習・検証、通知機能を含む導入、運用後のモデル保守という5段階で進みます。保有データによって予測可能な期間が決まるため、最初の段階でプロジェクト全体の範囲を定めます。

1. 1

   調査とデータ準備状況の評価

   予測の目的、過去データのサンプル、希望する評価方法を確認し、予測に必要なデータがそろっているかを評価します。

2. 2

   データの準備とクレンジング

   ソースシステムからデータを抽出し、誤った値や欠損値を除去して、モデル学習用の形式に整えます

3. 3

   モデルの学習と検証

   時系列（時間順に並ぶデータ）を予測するモデルを学習させ、導入前に過去データによるバックテストとリアルタイムデータの両方で検証します

4. 4

   導入と通知設定

   組織内サーバーに導入し、実測値と予測値を比較するグラフをダッシュボードに表示します。設定した条件に達すると通知します

5. 5

   モデルの保守と再学習

   データと予測グラフを定期的に確認し、データやシステムの挙動が変わった際にモデルを再学習します

システムは結果表示と通知のみを行い、自動で機械を停止したり運転設定を変更したりしません。通知を受けた後の点検、修理、工程調整はチームが判断します。

Predictive Analyticsは、継続的な過去データ、明確な予測目的、通知時の対応担当者がそろう用途に適しています。記録データがない用途や、システムがチームの代わりに判断することを期待する用途には適しません。その場合は、データ収集やしきい値通知から始めます。

関連する案件を2種類手掛けています。ひとつは2021–2023年のタイ金融業界向け取引異常予測の機械学習システムです。もうひとつは2021–2022年のタイとカンボジアの自動車部品業界向け、金型ショット計測としきい値に基づく保全通知システムです。前者は予測モデルを使用し、後者は計数としきい値を使用するもので、予測モデルではありません。

取引の異常予測 · 金融業界 · タイ · 2021–2023年

2021–2023年に、タイの金融業界で決済取引システムを運用する顧客向けに機械学習システムを開発・導入しました。LSTM（時間順のデータを扱うニューラルネットワーク）モデルが取引の応答時間の異常を5分先・10分先に予測します。取引処理システムと分離し、顧客の本番用（Production）および開発・検証用（Development）サーバーで稼働します。

システムにはモデルの再学習、バックアップ・復旧、実測値と予測値を比較するGrafanaグラフがあります。2022年にプロジェクト終了文書を作成し、その後は契約に基づく保守に移行しました。2023年にはCNN-LSTM、Random Forest、XGBoostという別の3種類のアルゴリズムで再学習を試行し、予測時間幅ごとの精度を比較しました。

金型ショット計測と保全通知 · 自動車部品 · タイとカンボジア · 2021–2022年

2021年にタイの自動車部品メーカーへ、射出成形金型のショット数を計測する5つの部分からなるWebアプリを納入し、2022年にはカンボジアの生産拠点にも導入しました。2ブランドの成形機のファイルからショット数を金型ごとに集計し、OK / Warning / PMの状態を表示します。金型あたり最大5条件のメール通知が可能です。これはしきい値通知であり、継続収集したショットデータが保全予測の出発点となります。

私たちが学んだこと

• 取引予測の案件では、初期のデータ収集と変換に多くの時間を要しました。そのため、過去データへのアクセス権限を開始時点で整える必要があります。
• 精度はデータの完全性と連続性に左右されます。過去データ検証とリアルタイム検証の両方について、評価方法と予測時間幅を事前に合意する必要があります。
• 導入後もモデルの保守が必要です。プロジェクト終了後には、別のアルゴリズムで再学習を試して精度を比較し、サーバーのハードウェア情報を入力に追加することも検討するよう提案しました。
• センサーを追加する前に、機械がすでに記録しているデータを活用できます。読み取った値は使用前に機械のレポートファイルと照合する必要があります。ショット計測案件では、プロジェクト終了時の試験で、システムの計測値と機械のレポートファイルが一致しました。

あなたにとって何を意味するのか？

見積もり前に、予測の目的と実データのサンプルをお預かりし、完全性、連続性、記録期間を確認します。データが不足していれば、収集としきい値通知から始められます。予測結果の確認や再学習の周期など、導入後の保守は最初から業務範囲に定めておくことを推奨します。