Predictionモデルは、過去データのさまざまなパターンを分析して、今後の処理や結果を予測します。詳細はPredictionモデルについてページをご参照ください。

Predictionモデルを設定するには、次の4つのステップに従ってください。

手順 1: prediction model を作成

手順 2: training data を追加

手順 3: model 概要の確認、train・テストの実施

手順 4: model の公開・利用

手順 1: prediction model を作成

1. Creator の DEVELOP セクションにある Microservices に移動します。ホームページにアクセスすると、microservicesがすべて一覧表示されます。
   

2. prediction model を作成するには:

• 初めてAIモデルを作成する場合は、+ 新しく作成するボタンをMicroservicesページ中央でクリックしてください。
  
• すでにAIモデルを作成済みの場合は、右上の+ 新しく作成するボタンをMicroservicesページでクリックしてください。microservicesがすべてここに一覧表示されます。

3. 「作成」ボタンをAI Modelsカードでクリックします。AI Modelsホームページには2種類のモデルがあります。カスタムモデルはユーザーのニーズに合わせて構築でき、Ready-To-使用するモデルはアプリケーションに今すぐ導入できます。
   メモ：カスタムモデルおよびready-to-使用するオブジェクト検出モデルの両方を作成できます。モデルタイプの詳細はこちらをご参照ください。

4. 「Prediction」カードを作成-カスタム Modelsセクション内のAI Modelerページでクリックします。
   

5. 「Model 名前」を入力し、作成 Modelをクリックします。
   「Prediction Modeler」画面に移動し、トレーニングデータを2つの方法で追加できます：アプリケーション内のデータまたはCSVファイルから追加できます。
   メモ: Model 名前は30文字以内で入力してください。

手順 2: トレーニングデータを追加する

トレーニングデータは、モデルがパターンを見つけ、解釈を行い、予測を導き出すために使用される初期データセットです。モデルが入力された情報を正しく認識し、提供された情報に基づいて正確な判断ができるようにトレーニングする必要があります。これにより、モデルが意図した通りに動作することが保証されます。トレーニングデータは2つの方法で投入できます。

• アプリケーションフォームからデータを取得
• CSVファイルをアップロード

Data 差出人 application form

アプリケーションの項目に保存されているデータを、トレーニングデータとしてモデルに取り込む項目を選択できます。

1. 「Application」ラジオボタンを選択します。

2. 表示されたドロップダウンメニューから、Application 名前とフォーム名を選択します。このメニュー内の検索バーを利用することで、より簡単にアクセスできます。選択後、「次」をクリックします。
3. 適切なbase 項目および適切な依存項目を選択し、「次」をクリックします。

4. すべてのデータを含めるか、特定のデータセットのみを選択して、モデルのトレーニングに使用するデータを指定できます。 詳細はこちら
   メモ: CSVベースの予測モデルには条件を適用できません。

CSVファイルからのデータ

アプリケーション内に十分なデータがない場合でも、データがCSV形式のファイルに保存されていれば、それを予測モデルのトレーニングデータとして使用できます。

1. CSVラジオボタンを選択します。
   

2. トレーニングデータをCSV形式でアップロードします。この時点で、クロスアイコンをクリックすることでファイルを削除できます。また、必要に応じて別の項目をアップロードすることも可能です。
   
   
   

   メモ：

   • アップロード前に、データ列内の情報が揃っているか認証してください。CSVファイル内に欠損データがある場合は、そのデータを削除するか、必要なデータを追加してからアップロードしてください。

   • CSVファイルの最大サイズは4MBです。

   • その他のガイドラインについては、こちらをご参照ください。
     ​
     

3. 「次へ」をクリックして、Base 列と Dependent 列を選択します。

• Base 列は、予測対象となるデータの列です。
• Dependent columnsは、予測モデルで予測処理時に使用される列です。

4. 「Base 列」セクション下のドロップダウンメニューから、予測したい列を選択します。選択された列はハイライト表示されます。「次へ」をクリックします。
   
5. 「Dependent Columns を選択」の下にあるドロップダウンで、Base 列の予測に影響を与える列名を入力します。選択された列はテーブル内でハイライト表示されます。
   

7. クリック 次へ。 Model 概要ページが表示されます。

手順 3: model 概要の確認、トレーニングおよびテスト

トレーニングデータを追加した後、Model 名前、Base 項目/列、依存項目/Columnsなどのmodel詳細を確認できます。修正が必要な場合は、前の画面に戻って編集してください。問題なければ、そのままモデルのトレーニングに進めます。

• モデルをトレーニング
• モデル詳細の表示・管理
• モデルをテスト

モデルのトレーニング

予測モデルをアプリケーションで実際に利用する前に、望ましい結果を予測できるようトレーニングを行う必要があります。

1. モデルの詳細は、概要の「Model 概要」ページで確認できます。必要に応じて、Model 名前、Base 項目/列、依存項目/Columnsを戻るから編集できます。

2. 「Train Model」をクリックします。
   メモ: モデルのトレーニングには時間がかかる場合があります。ページを移動せずにそのままお待ちいただくか、ページを閉じて後で戻ることもできます。

モデル詳細の表示と管理

トレーニングが完了した後、ユーザーはモデルのステータス（trained、失敗、下書き）、モデルの種類、作成日・更新日、その他の詳細を以下の通り確認できます。

• Model 詳細
• バージョン 詳細
• モデルのデプロイ

メモ: 上記画像で、トレーニングデータをCSVファイルから追加した場合は、「Base 項目」と「Dependant 項目」の代わりに「Base 列」と「Dependent Columns」と表示されます。

Model 詳細

このセクションでは、モデルの現在のバージョン、学習データ件数、ベース項目、および依存項目を表示できます。

バージョン詳細

このセクションでは、モデルのバージョン数、現在稼働中のバージョン、モデル作成日、および精度スコアを確認できます。精度スコアは各学習済みバージョンごとに表示されます。モデルを再学習し、この精度スコアを使って同一モデルの2つのバージョンを素早く比較できます。

モデルのデプロイ

このセクションでは、アプリ名、フォーム名、および項目名（モデルがデプロイされている場所）を表示できます。また、異なる環境ごとにフィルターして、モデルがどの環境にデプロイされているかを確認できます。

テスト Model

トレーニング後、任意でモデルの信頼性をテストし、アプリケーションに導入する前に確認できます。この操作は必須ではありませんが、モデルがデータパターンを正しく解析し、高い精度で結果を予測できているかを確認するために役立ちます。

1. モデルのトレーニングが完了した後に表示されるページの右上にあるテスト Modelをクリックします。これによりモデルの精度をテストできます。
   

2. テスト Modelのポップアップが画面に表示されます。必要な項目の値を入力してください。
   
3. クリック Predict Outcome。予測された値はポップアップ右側のModel Outputに表示されます。
   

モデルのテスト後、予測結果とともに精度スコアが表示されます。 精度スコアの評価

• 85 - 97 = 高い
• 70 - 84 = 良好
• 51 - 69 = 普通
• < 50 = 低い

Prediction Modelの管理

モデルをトレーニングした後、アプリケーションでデプロイできるように公開する必要があります。開発者やユーザーがPrediction Modelを利用し、予測を開始できます。

• モデルの再学習
• モデルの公開と利用

モデルの再学習

フォームに追加されたデータで定期的にモデルを再学習させることで、より精度の高い結果を得ることができます。モデルの効率性を見直すことで、法人の観点に合わせて最適に調整できます。

1. ページ右上の三点リーダーをクリックします。
   
2. 「Retrain」をクリックして、モデルを再度トレーニングしてください。新規バージョンが作成され、「バージョン詳細」に表示されます。
   データが追加されるたびにモデルを再トレーニングする必要はありません。モデルの再トレーニングは、定期的に行うか、十分な新規データが利用可能となり、予測結果の向上が見込まれる場合に実施できます。
   
3. 「名前を変更する」をクリックして、モデル名を編集します。ポップアップが表示されるので、モデル名を編集し、「名前を変更する」をクリックします。
4. 「削除」をクリックします。
   メモ：

• アプリケーションにデプロイされているモデルを削除すると、そのアプリケーションでのデプロイも削除されます。この操作は元に戻せません。
• 削除後も、追加された項目（model input and output 項目）は、該当モデルがデプロイされたフォーム内に残ります。過去の予測モデルのデータも、該当項目がフォームから削除されない限り保持されます。
• 現在使用中のモデルのバージョンは削除できません。バージョンを切り替えた後、そのモデルバージョンを削除できます。

手順 4: モデルを公開し、使用する

モデルのトレーニングおよびテストが完了したら、公開してユーザーが利用できるようにし、予測を開始できます。

1. 右上の公開 Modelをクリックします。
   
2. 「 公開」ポップアップでクリックします。
   
3. 公開後、「 Application 名前」と「フォーム名」をドロップダウンリストから選択し、「使用する Model」ポップアップでクリックします。使用する Model. 
   
4. または、ページ右上の「使用する Model」をクリックし、手順 3を繰り返します。
   
5. ユーザーは、選択したアプリケーションのフォームビルダーにリダイレクトされ、モデルのデプロイが行われます。「Prediction」ポップアップが表示され、「Model Input 」画面が開きます。予測項目の名前と項目種類を確認し、「次」をクリックしてください。

メモ:

• 項目 名前は 30文字以内で入力してください。
• 学習済みかつ選択されたモデルは、選択する Model セクションですでに選択されています。
• 「Model Input」セクションで項目 種類を変更できます。例えば、項目 種類を「番号」に選択した場合、「小数」「通貨」「割合（%）」などへ種類を変更可能です。
• はい/いいえや真/無効などの2値結果を含むトレーニングデータをアップロードした場合、データの種類は編集できず、無効となります。
  
  

6. 該当する依存項目の差出人ドロップダウンメニューから、フォーム内の対応する項目名を選択してください。
   

   メモ:

   • ここでマッピングする前に、フォームに正しい項目種類とともに関連する項目を追加してください。
   • フォーム内にサポート対象かつ関連する項目種類が利用可能でない場合は、予測モデルを展開するために、まず項目を作成する必要があります。
7. 「追加する項目」をクリックします。項目のマッピングが完了し、新しい prediction 項目が選択したフォームに追加されます。
   

アプリを有効化し、依存項目に値を追加できるようになります。prediction 項目がそれに応じた値を予測します。

関連トピック

• 予測モデルを理解する
• AIモデラーを理解する