はじめに

予測で世界は変えられる - データ分析の高度な民主化を実現するAIプラットフォーム -‌

ビジョン

急速に変化する環境に対応できる柔軟性と、大規模データの予測運用を可能にするスケーラビリティを備えた極めて実践的なAutoMLプラットフォーム。

AI や 機械学習といった高度で複雑な解析技術を誰でも使えるカタチに。世界中に信頼できるAIを。

機能概要

ForecastFlowは、入力されたデータセットから自動的に機械学習モデルを構築し、その解釈や予測業務の運用を組織的に行うことを想定して設計されたAutoMLサービスです。ユーザーは、機械学習プロジェクトにおいて最も重要なタスクである、ドメイン/データの理解および特徴量の設計に集中することが可能になります。

• データセットとブラウザさえあれば、高度な機械学習モデルをノーコードで構築/運用可能

• 組織的なモデル運用を想定し、チーム機能を標準搭載

• データセットのサイズに応じてコンピュータはクラウド上で自動スケールするので、機械学習のための高性能なコンピュータの初期投資やメンテナンスは必要なし

• データは通信時とストレージ上の両方で暗号化されているセキュアなシステム

• 入力データセットを事前に全量プロファイルし、扱いに注意が必要なカラムの表示機能

• 訓練された機械学習モデルの精度や挙動解釈するための機能

• 専用Pythonパッケージを利用し、ローコードで既存の分析基盤やシステムと連携可能

ForecastFlow を使うメリット

想定するユーザーのレベル

• ビギナーは、これから機械学習に取り組もうとしている方を想定しています

• 中級者は、いくつかのプロジェクトで機械学習モデルの構築経験がある方を想定しています

• 上級者は、ビギナー/中級者のデータサイエンティストをチームとして束ねられ、プロジェクトの上流プロセスにもコミットできる方を想定しています

ビギナーは、高度な機械学習モデルをクイックに試すことができます

• クラウド上で動作するので、高性能なコンピュータやソフトウェアのインストールは必要ありません。ブラウザとデータセットのみで機械学習を始めることができます。

• 前提知識が必要な、データセットの前処理（数値データのスケーリング、カテゴリデータのラベルエンコード、欠損値の補完など）も内部で自動処理されるため、必要ありません。

中級者は、最も重要なタスクであるドメイン理解や特徴設計に集中できます

• ハイパーパラメータのチューニングと特徴量の前処理はベストプラクティスを採用しているため、自前で訓練するモデルと遜色ない精度のモデルを自動的にかつローカルマシンのリソースを使用せずに構築可能です。

• モデルの精度計算や挙動理解など、プロジェクトの進捗報告で必須となる業務の一部を簡便化できます。

• データセットのアップロードやモデル訓練/予測は、ローカルのJupyter Notebookなどから実行することができます。

上級者は、ビギナーや経営層、現場の方たちをプロジェクトに巻き込む環境をつくれます

• ビギナーをデータセットの作成業務に集中させることで、戦力になるまでのリードタイムを低減できます。

• チーム機能を利用し、データや確率に基づく意思決定の考え方を組織に展開できます。

• コンセプト検証フェーズから現場でのバッチ予測による本運用フェーズへの移行もシームレスに達成できます。

クイックチュートリアル

ForecastFlow へのログインからモデル訓練までの一連の流れを紹介します。

90日間の無料トライアルのキャンペーン中です。まだアカウントを持ってない方はこの機会に是非お試しください。

1. ログインまたはアカウント新規作成

​すでにアカウントをお持ちの方は以下のページからログインできます。

forecastflowforecastflow

ログインページ

アカウント登録がまだの方は、以下のページから90日間の無料トライアルつきでアカウントを作成できます。

forecastflowforecastflow

アカウント登録ページ（90日間の無料トライアル）

2. チームの選択

無料トライアル中のユーザーは、ご自身が管理者のチームに他ユーザーを招待できません。

ログイン後の最初のページは、チームの選択画面になります。モデル構築するチームを選択しましょう。

3. 新規プロジェクト作成

チームを選択すると、そのチームのリソース一覧を表示する画面に遷移します。ここでは、プロジェクトの「新規作成」ボタンをクリックし、新しいプロジェクトを作成しましょう。

4. データセットのアップロード

プロジェクトのページに遷移すると、画面左側にナビゲーションバーが出現します。上から順に、

• ホーム

• データセット

• 機械学習モデル

と並んでおり、ここでは2番目のデータセットを選択します。

上の画面からデータセットをアップロードできます。

ForecastFlowが対応しているデータセットのファイル形式は以下になります。

• CSV

• TSV

• Parquet（Pythonパッケージからのみ利用可）

また、ForecastFlowが読み込むことができるデータセット構造は以下になります。

カラム種別	データの意味	制約
ID（単一）	各データ行を特定するためのカラム	データセット内でユニーク 欠損なし
予測ターゲット（単一）	予測対象カラム	欠損なし
特徴量カラム（複数）	予測に効くと思われる、各IDを特徴づけるカラム	以下のデータ型に対応 数値データ カテゴリデータ

特徴量カラムにおいて、カテゴリデータのラベル・エンコーディングや欠損処理はForecastFlow内部にて自動的に処理されるため、基本的には必要ありません。

• カテゴリデータは一般的なラベル・エンコーディングがされます（One-Hotでない）

• ForecastFlowのモデルは欠損値も自然に扱えるため、平均値などによる補完は行いませ