『Pipeline Pilot』を利用した機械学習の活用事例を紹介します【事例紹介】
今回は、特性値を予測することで最適な実験条件の傾向を掴むことを目的としました。
<背景>
従来から現代にかけて、どの分野に関わらずより良い特性値をもつ材料を開発することは重要な業務であり、かつ重要な課題でもあります。
また、材料の特性値は様々な要因によって左右されてしまうため材料開発の効率化も求められています。
例えば、材料開発時に使用された素材や反応時間、そして温度、ヒステリシスのような要因によっても左右されるかもしれません。
この条件全てに対して実験計画法を導入し、実際に実験、測定をしたうえで最適な条件を発見することは理想ですが、
それはコスト面や時間的観点から現実的ではありません。
そこで、 いくつかの実験条件（例えば、説明変数X1、X2、X3、X4、、、）とそれぞれの特性値（例えば、目的変数Y1、Y2）を記した少量のデータセットを使用して機械学習を実施いたしました。
今回の事例では、機械学習モデルの作成、予測精度の改善まで実現する事が「簡単に機械学習を行うこと」できました。
※詳しくはお問い合わせください。
※詳しくはお問い合わせください。
| 価格帯 | お問い合わせください |
|---|---|
| 納期 | お問い合わせください |
| 用途／実績例 |
素材メーカー、材料開発を行っている製造業、 半導体・表面処理の関連メーカーなど 多種多様なシーンで導入実績がございます。 |
詳細情報
こちらが元データになります。
『Pipeline Pilot』では、「データ整形と機械学習を同時に行うフロー」を
ノンコーディングで実現いたします。
「データを読み取り、機械学習を行い、検証を行い、レポート出力する」
この一元の流れをわかりやすいフローで作成する事が可能です。
こちらの事例では、ワークフローによって作成された機械学習モデルは、
検証結果からまだ改善の余地があると判断できるものでした。
そのため、機械学習モデルの精度改善をいたしました。
Pipeline Pilot」を利用して「簡単に機械学習を行うこと」が可能になります。
今回の事例では、機械学習モデルの作成、予測精度の改善まで実現する事ができました。
また、作成された学習モデルの活用先には「特性値を予測することで最適な実験条件の傾向を掴むこと」が一番にあげられます。
関連ダウンロード
【事例紹介】コーティング材料メーカー様MIでの機械学習事例
上記では、電子ブックの一部をご紹介しております。
お問い合わせ
※お問い合わせをすると、以下の出展者へ会員情報(会社名、部署名、所在地、氏名、TEL、FAX、メールアドレス)が通知されること、また以下の出展者からの電子メール広告を受信することに同意したこととなります。
株式会社ウェーブフロント 本社
