注: 以下の翻訳の正確性は検証されていません。AIPを利用して英語版の原文から機械的に翻訳されたものです。
調査とコホート化
組織には通常、それを探すためのツールがあれば、大きな収益向上やコスト削減の機会があります。たとえば、電力網のリスクを特定する、不正の可能性を調査する、材料歩留まりの改善機会を特定する、次に取るべき最適な営業アクションを見つけるといった場面です。調査とコホート化のワークフローにより、ユーザーは組織の共通状況図を作成し、分野の専門知識とデータ分析を組み合わせて機会を発見し、現実世界で解決策を実行できます。
ソリューション
調査とコホート化のワークフローは、収益向上やコスト削減の機会につながる、データ内の現実世界の異常や問題を把握してグループ化し、問題の掘り下げと是正を容易にするように設計されています。これらは、探索的なアプローチに従って問題を先回りして特定したり、関係を把握したりするために使用されます。このアプローチでは、コホート化のロジックが AIP Analyst の専門知識を活用する方向性を示し、異常を発見するために使用されます。データ量が増加し続ける中、複雑な統計アプリケーションを扱うための技術スキルの不足は、しばしば AIP Analyst にとっての参入障壁となったり、組織にデータの複雑さを大幅に減らすことを強いたりします。
これらのワークフローでは、ほぼ常に、大規模で、多くの場合は孤立したデータ資産を迅速に分析し、探索できるツール群が必要です。その結果は保存して再利用する必要があり、通常は再現可能であることも求められます。
Foundry では、これらのワークフローで、異なるスキルを持つユーザー向けのさまざまなツールを組み合わせますが、すべて同じデータ資産であるオントロジーを基盤としています。オントロジーは、関連する組織のオブジェクトとそれらの関係をモデル化します。自動化されたビジネスロジックや ML によるコホート化を適用して調査の出発点を用意し、Foundry のさまざまな分析ツールを使用して問題を掘り下げます。最後に、オントロジーのライトバックを使用してオントロジーと外部ソースシステムを更新し、問題を是正したり、対処したりします。
主要な要素
ユーザーインターフェース
探索的分析
データを調査して仮説を検証するために、AIP Analyst はしばしば探索的分析を利用します。まずトップダウンのアプローチで大規模なデータセットを俯瞰し、そこからデータを加工、絞り込み、集計して対象を絞り、仮説を検証します。たとえば、材料歩留まりアプリケーションでは、AIP Analyst が毎週、パフォーマンスが最も低い材料を確認し、Contour を使って掘り下げ、コスト削減の機会を特定します。
以前は、この方法は、大規模なデータセットを扱い、結果を比較できるツールを使うスキルを持つ、高度な技術力を備えた AIP Analyst だけが利用できました。そのため、少数のユーザーに処理が集中してボトルネックとなり、反復の速度が遅くなることがよくありました。
Foundry では、ユーザーはコードおよびノーコードのツール群を利用して、規模にかかわらず、どのデータセットでも数秒で分析できます。データを視覚的に探索するツール群によって参入障壁を下げるだけでなく、オントロジーを活用することで、業務に関する豊富なコンテキストもユーザーに提供します。
関連製品：
ケース調査
調査は、アラートのワークフローパターンの結果（たとえば、電力網の傾向や停電）、優先順位付けされたコホート（たとえば、歩留まりが最も低い製造プロセス）、またはユーザーによる機会の探索（たとえば、営業担当者が次のアクションを特定すること）をきっかけに始まる場合があります。
調査は、単一のオブジェクト、または少数のオブジェクトから始まります。調査が際限なく続くことはまれで、通常は明確な目標（たとえば、顧客からの苦情の原因を理解すること）があります。AIP Analyst の役割は、きっかけとなった事象から根本原因まで、出来事をさかのぼることです。
関連製品：
影響トラッカー
調査が終了する、仮説が確認される、または分析が完了すると、業務上の意思決定が行われ、現実世界の事象を引き起こします（たとえば、リスクのある資産を是正するためにチームの対応を開始させること）。
理想的には、こうした現実世界の事象によって、同じ状況が再び発生するリスクも低減されます。その場合、行われた意思決定と実行されたアクション自体が、重要なデータ資産になります。いつ、どこで、なぜ意思決定が行われたかという情報を、今後の調査や分析で活用できます。これにより、AIP Analyst は時間の経過に伴うさまざまな状況を比較し、一貫性を高められます。
関連製品：
（任意）自動クラスタリング
手動でのルール作成
理想的には、調査は問題に先回りして開始されます。分野の専門家は、いずれ発生する可能性のあるエラーや異常を予測し、それらに焦点を当ててデータを監視したいと考える場合があります。仮説は非常に具体的な場合もあれば（その場合は、資産故障対応のユースケースのように、アラートパターンを利用します）、大まかな場合もあります（その場合は、材料歩留まりアプリケーションのように、データ内で注視する KPI やビジネスロジックを定義します）。最も単純な場合、このロジックは、通常であれば AIP Analyst が調査や分析の開始時に毎回手動で行う手順に従います。
少なくとも部分的に自動化されたアプローチは、決定論的な動作を確保するためにも利用できます。これは、規制当局から求められる場合があり、一貫性を確保してリスクの可能性を減らすうえでも有用です。
アラートパターンと同様に、ユーザーは Foundry のアラート自動化を利用するか、調査と探索で使用するものと同じツールを使用できます。
関連製品：
場合によっては、調査やデータ内の異常検知で、分野の専門知識をケースごとに適用する必要はありません。堅牢で一貫したデータ資産が存在する場合、対象の問題には統計的なアプローチのほうが適している可能性があります。人間にとって、大量のデータの中から複雑なパターンを検出することは困難な場合があります。特に、パターンが絶えず変化する場合はなおさらです。Foundry ML を使用すると、大規模なデータセットを基にモデルをトレーニングし、実装できます。その結果（クラスターでも予測でも）は、プラットフォーム内のほかのデータポイントと同様に使用できます。つまり、オントロジーの一部として組み込み、探索的分析や調査で取り上げることができます。
関連製品：
オントロジー
オントロジーは、異なる資産がどのように関連しているかに関する情報（たとえば、出荷、顧客、注文がどのようにつながっているか）を保存し、ユーザーが自然な形で問いを立て、答えられるようにします。
オブジェクト：
- コホート
- ルール
- 分野の専門的なコンテキストを表すオブジェクト
関連製品：
要件
使用するパターンにかかわらず、基盤となるデータは、パイプラインと外部ソースシステムとの同期によって構築されます。
データ統合パイプライン
SQL、Python、Java などのさまざまな言語で記述されたデータ統合パイプラインを使用して、データソースを対象分野のオントロジーに統合します。
Foundry は、FTP、JDBC、REST API、S3 などの幅広いソースからデータを同期できます。さまざまなソースからデータを同期し、可能な限り完全な信頼できる情報源をまとめることが、最も価値の高い意思決定を可能にする鍵となります。
このパターンを実装するユースケース
- 標準化された KPI レポートによる生産歩留まりの改善
- インテリジェントな価格再設定による顧客維持と回収実績の改善
- 統合されたキャンペーン管理による顧客エンゲージメントの向上
- アラートと調査支援による変圧器の故障防止
このユースケースパターンについて、さらに詳しく知りたいですか？同様の仕組みを実装したいとお考えですか？Palantir ではじめる。↗