工場の生産過程で取得したセンサーデータを例にして。 Low-Code でのハンズオンを行うための概要理解のための資料です。 ハンズオンテキスト: https://github.com/dahatake/Azure-Workshops/tree/master/LowCode_DataAnalytics_Factory

1. 生産プロセスでのデータ分析と
Low-Code ツールでのハンズオン
日本マイクロソフト株式会社

2. アジェンダ

3. アジェンダ

4. 設計・開発
サプライ
チェーン
計画 製造 営業
アフターサー
ビス
需要予測
キャリブレー
ション
ソフトセン
サー
品質予測
サポートBot
予兆保全
価格最適化
安全対策
在庫最適化 工数予測
マーケティン
グ
オートメー
ション
トレーサビリ
ティ
ワランティ分
析
ロボット自律
化
構造解析
レコメンデー
ション
異常検知
マシン
ティーチング
リソース割り
当て
訪問回数
最適化

5. 診断的分析 処方的分析
予測的分析
記述的分析
次にすべき
ことは？
何が起きる？
なぜ起きた？
何が起きた
？ Insight
アナリティクスのステップ
アップ
レポート
ダッシュボード
対話型レポート
機械学習
機械学習
深層学習
レコメンデーション
自動化&自律化

6. データ可視化
1変数の解析
多変数の解析
予測
最適化・自動
化
工程能力指数
コスト(クレーム、人件費、欠品)
稼働率
箱ひげ
図
ヒストグラ
ム
検定
回帰分析
相関分析
主成分分析
外観検査
品質特性値予測
製造工程
自動化
リソース最適化
Mixed Reality
ソフトセンサー
クレーム
率 各工程データを統合して活用
統合デー
タ
機械学習
モデル解
釈
Power BI
Power BI

7. 工程データがサイロ化されているため、
工程全体を考慮した品質管理ができない状態に
工程1 工程2 工程3 工程N
・・
・
原材料
データ
ソース ?
?
どこの工程が原因か
わからない...
データがバラバラで
関係性がすぐにわからな
い...

8. 統合データにより工程をまたがった分析が可
能に
工程1 工程2 工程3
統合データ
工程N
・
・
・
品質不良の原因を迅速に把握可能
原材料
運転条件 外部環境
作業員特性 `

11. Azure Synapse Analytics Azure Machine Learning
Power BI
コラボレーション 合理化されたワークフロー 統合セキュリティ

12. データウェアハウスとビッグデータ分析システム全体のあらゆるデータから
驚異的なスピードでインサイトを提供する無制限の分析サービス
統合されたエクスペリエンス
Azure Synapse Studio
統合 管理 監視 セキュリティ
Analytics ランタイム
SQL
Azure Data Lake Storage
Azure Machine
Learning
オンプレミス データ
クラウド データ
SaaS データ
ストリーミング データ
Power BI

13. 自社内のデータ
クラウド上のデータ
多様なデバイスでアクセス
Excel
蓄積されたデータ群
ビジネスデータを ダッシュボード形式 で
可視化し クラウド上で チームに共有
Power BI
誰もが容易にデータ活用を行い、必要に応じて共有することを目的としたツールと
プラットフォーム

15. バッチ
PCの
ファイルシステ
ム
Power BI
Azure Machine Learning
File server
Database
機械学習
での解析
データ加
工
可視化
設備
設備
ストレージ
PC
bronze -> silver -> gold
ユーザーが自由に
工程データ
原材料
工程データ＋原材料
Azure Data Lake
Storage Gen2

16. バッチ
Azure Data Lake
Storage Gen2
Azure Synapse Analytics
Power BI
Azure Machine Learning
File server
Database
Self-Hosted Integration Runtime
統合DB+データ加工
機械学習
での解析
可視化
設備
設備
ストレージ
Azure
bronze -> silver -> gold
ユーザーが自由に
工程データ
原材料
工程データ＋原材料

17. Azure Data Lake
Storage Gen2
Azure Synapse Analytics
Power BI
Azure Machine Learning
File server
Oracle
Self-Hosted Integration Runtime
Self-Hosted Integration Runtime
統合DB+データ加工
解析
可視化
設備
設備
IoT Hub Azure Stream Analytics
設備
+ ストリーム
ストレージ
Azure

18. アジェンダ

19. 工程1
工程2
工程N
・・
・
原材料
統合
データ
要因探索
→ 不良の原因を発見する
品質予測
→ 早期に不良品を予測す
る
Factory.csv
Factory_ProcessA.csv
Factory_ProcessB.csv
Factory_ProcessC.csv
Factory_Result.csv

20. データを可視化します。標準のビジュアルで表現しています。

21. Power BI の拡張分析機能を用いて要因探索を行います。

22. • キャンペーン・広告に反応する優
良顧客の属性分析
• 品質不良に影響を与える
製造工程データの分析
ユースケース
機械学習を用いた KPI 要因探索を行うビジュアル
内部では統計解析のアルゴリズムが
複雑なデータの特徴を自動分析
• 主要なインフルエンサ
• L-BFGS回帰、SDCA回帰
• 上位セグメント
• FAST Tree

23. カテゴリ外れ値 (上/下) 時系列の変更点 相関関係
低差異 マジョリティ (主要因子) 時系列の全体的な傾向
時系列の周期性 安定した共有 時系列外れ値
ユーザーの特別な操作を必要とせず Power BI がデータから洞察を提
供

24. 機械学習を用いた予測モデルの開発とその解釈を行います。

25. アジェンダ

27. Step-by-Step Achievements スムーズな学習環境
 無料
 日本語対応
 ブラウザーのみでOK
ハンズオン環境も含めて
 ダウンロード可能なサンプ
ルコード
 Product/Service, 技術レベル,
job role, などに応じたガイダ
ンス
 Video, チュートリアル, ハンズ
オン
 スキルアップを促す
 ユーザー プロファイ
ル毎に
カスタマイズ
www.microsoft.com/learn

28. www.microsoft.com/ja-jp/events

29. 1
2
3
高品質な17,000のコース
（日本語は900コース以上）
ビジネス、テクノロジー、クリエイティブなどの多
様なカテゴリーから成る学習コースをご提供
データに基づいたコース設計と
パーソナライゼーション機能
リンクトインの会員データをもとにコース開発を実施
リンクトインプロフィール情報（スキル、経験等）に
基づいた推奨コースをAI機能を使い受講者に表示
マイクロラーニング
短時間でPC・モバイルからいつでもどこでも受
講可能

30. Invent with purpose.

31. オンプレミス想定 (IaaS) 上の工程データをクラウドにロードし、デー
タ結合を行います。
クラウドへのデータコピーと Dataflow の呼
び出し
データの結合

32. データを可視化します。カスタムビジュアルや関数 (DAX) を用いてい
ます。

33. Responsible
AI
Industry leading
MLOps
Open &
Interoperable
For all skill
levels
あらゆるスキルレベルに対
応し、
ML の生産性・利便性を向
上
DevOps 連携による
ML ライフサイクルの運用管
理
責任のある
ML ソリューションの構
築
オープンテクノロジー
の採用と相互運用性の
実現

35. • 直感的なマウス操作でパイプライン
構築
• 特徴量エンジニアリング
• モデル学習 (回帰、分類、クラスタ
リング)
• 推論 (リアルタイム & バッチ)
• カスタムモデル・スクリプト
機械学習のモデル構築、テスト、デプロイするためのビジュアルパ
イプライン
※ 参考 : Azure Machine Learning デザイナー とは
https://docs.microsoft.com/ja-jp/azure/machine-learning/concept-designer

36. データのインポー
ト
データの手動入力
データのエクスポ
ート
データのビン化
データ結合
データ正規化
パーティションとサ
ンプル
重複行の削除
SMOTE
列変換
列の選択
データの分割
列の追加
行の追加
算術演算の適用
SQL 変換の適用
欠損値の除去
値の置換
CSA への変換
データセットへ変換
インジケーター値へ変換
メタデータの編集
フィルター特徴量選
択
Permutation 特徴量
デシジョンツリー
ディジョンフォレスト
高速フォレスト分位点回帰
線形回帰
ロジスティック回帰
ニューラルネットワーク
ポワソン回帰
ブーストデシジョンツリー
サポートベクターマシン
K-Means クラスタリング
DenseNet
ResNet
SVD Recommender
Wide Deep Recommender
PCA 異常検知
LDA
Python モデルの作成
Python スクリプトの
実行
R スクリプトの実行
画像データ変換処理
画像データの分割
テキスト前処理
Word2Vec
Glove
FastText
クロスバリデーショ
ン
スコアリング
パラメータチューニ
ング

38. ユーザーの
入力
特徴量
エンジニアリン
グ
アルゴリズ
ム
の選択
ハイパーパラ
メータ
のチューニング
モデルの
リーダーボードと
解釈
データセット
設定と制約
76% 34% 82%
41%
88%
72%
81% 54% 73%
88% 90% 91%
95% 68%
56%
89% 89% 79%
順位 モデル スコア
1 95%
2 76%
3 53%
…
自動機械学習は、与えられたデータに対して「最高のモデル」を探索す
るために、
特徴量エンジニアリング、アルゴリズムとハイパーパラメータの選択を
自動実行します。

39. Regression
Classification Time Series
Forecasting