　筆者所属企業のあるクライアント企業も、最適化ソルバーの解はインサイトとして捉えています。精度の高いモデルを作るよりも、モデルでの実験を繰り返しながら正しい方向に導いてもらうことを目指しています。実験は複数回繰り返しますが、それでも人間がランダムで検証するよりも効率的に良い結果を得られますし、その過程でモデルの精度も上がっていきます。

　なお、高度な使い方として、モデルの精度を実験しながら上げていく「アクティブラーニング」という手法があります。これは、一番良い予測結果が得られる入力を求めるのではなく、予測モデルの精度を上げるために、実験を通してモデルの不確かな領域を発見するやり方です。

　以下のグラフには、黒い●と赤い▲が分布していますが、この2つを識別する線を引くモデルを考える時、1回で最適値を求めるのではなく、2つが交わらないギリギリの領域（不確かな領域）を見つけて、決定境界をどこに引くかを考えます。この不確かな領域を集中的に実験することで、モデルの精度を上げていくのです（図5）。

図5　不確かな領域を見つけて決定境界を引く（クリックで拡大）

　さて、今回は製造業特有のデータ特性を意識しながら、アウトプットの価値を最大化するためのインプットを探るための最適化手法、結果の解釈の注意点について紹介しました。得られた結果を正解とするのではなく、あくまでヒントとして捉えて、より最適な配合や工程条件を探っていきましょう。

筆者プロフィール

山本祐也（やまもとゆうや） DataRobot データサイエンティスト

DataRobot入社前は雪印メグミルクで約3年間、有限要素法と機械学習による計算設計を用いた乳製品の包装材料の開発に携わる。またその前は富士フイルムで約5年間、位相差フィルム、ミラーフィルム、光学的に透明な接着フィルム、透明導電フィルムなど、タッチパネルに関連する機能性フィルムの開発に従事。2010年に東京大学で物質科学分野の博士号を取得。Kaggleでのランキング上位入賞経験多数。

・DataRobot
https://www.datarobot.com/jp/

≫連載「もう失敗しない！製造業向け機械学習Tips」バックナンバー
機械学習で入ってはいけないデータが混入する「リーケージ」とその対策
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第1回では「リーケージ」について取り上げる。
AIと機械学習とディープラーニングは何が違うのか
技術開発の進展により加速度的に進化しているAI（人工知能）。このAIという言葉とともに語られているのが、機械学習やディープラーニングだ。AIと機械学習、そしてディープラーニングの違いとは何なのか。
機械学習はどうやって使うのか――意外と地道な積み重ね
前編では、AI（人工知能）と機械学習、ディープラーニングといった用語の説明から、AIを実現する技術の1つである機械学習が製造業を中心とした産業界にも徐々に使われ始めている話をした。後編では、機械学習を使ったデータ分析と予測モデル作成について説明する。
「AIの民主化」掲げる米国ベンチャーが日本進出、機械学習の結果も説明可能に
米国のAIベンチャー・データロボットが、「AIの民主化」を掲げ、日本市場での事業展開を本格化する。既に東京オフィスを開設しており、2017年度末までにデータサイエンティストを中心に人員を10人以上に増員する計画だ。
AIの民主化だけでなく事業実装も推進、DataRobotから「AIサクセスプログラム」
機械学習自動化プラットフォームを展開するDataRobotは2019年7月23日、日本国内での事業展開の状況と、同年8月1日から提供を始める新たなサービス「AIサクセスプログラム」について説明した。
パナソニックが目指すAI活用の方向性とは「AIも半導体設計も同じことが起こる」
機械学習自動化プラットフォームを展開するデータロボットが開催した「DataRobot×パナソニックトークセッション～日本の製造業におけるAI利活用の最前線～」で、パナソニックビジネスイノベーション本部 AIソリューションセンター戦略企画部部長の井上昭彦氏が登壇。同社におけるAI技術普及の取り組みなどについて語った。