![[別ウィンドウ]](/assets/img/common/icon_window.png){kind=icon}
インテージテクノスフィアのAIエンジニア、データサイエンティスト、ITエンジニア、ソフトウェア開発者がお客さまのAI活用を支えます。
AI活用には欠かせない４つのファクターがインテージテクノスフィアにはあります。
- ディープラーニング（深層学習）に関するノウハウと知見
- 予測・最適化・評価等のモデルやアルゴリズムの構築
- データ解析力とデータハンドリング力
- データ解析へのIT適用に関する知見とノウハウ
AI導入を悩まれているお客さま向けに、お客さまのビジネス課題に対して、AI適用の為のコンサルティングから学習用データ作成、NNW（ニューラルネットワーク）構築・実装、システム運用保守までAIに関するソリューションをワンストップ*でご提供するAIワンストップソリューションサービスは、製造業をはじめとした多くの企業様からお問い合わせいただいております。
*AI活用支援 ～AIワンストップソリューション～ の詳細についてはこちら
■使用技術・環境
言語：Python, R, C++, SQLなど
Deep Learning フレームワーク：TensorFlow, Keras, Chainer, Caffeなど
利用ライブラリ・モジュール：Open CV、scikit-learn、tidyverse、Prophetなど
開発・分析環境：Jupyter Notebook, RStudio
AI & モデリング活用事例
事例１：部品製造ライン調整工程最適化モデル構築
従来の製造ラインでは、現場担当者の経験に基づいた各種設定により調整を行っていましたが、人による調整では直行率がなかなか標準化しないという課題がありました。生産ラインの各種設定値を機械学習を用いて学習させ、自動で調整することによって、担当者のスキルに頼ることなく、平準化をはかります。
Step 1. 現状分析
- 調整工程の確認
- 調整パラメータの確認
Step 2. モデルPoC
- 予測モデルの検討
・調整による変化量を予測し調整前の値に加えることで調整後の値を予測 - PoCでモデルに使う説明変数を設定
Step 3. モデル構築
- PoCで得た各種データをもとに予測モデルを構築
- 予測モデルから出る変数をもとに最適化
Step 4. システムへの実装
事例２：将来の需要量から発注量策定までの業務の最適化モデル構築
全国に数千店舗展開し、取扱商品約3000種類にのぼる大手企業では、これらの多種多様な取り扱い商品について、将来の需要量から発注量策定までの業務最適化をはかり、店舗・顧客特性からみた適切な「納品数量」の自動作成モデルを構築。
社員やパート社員に代わり、納品／発注を自動化することで
１）店舗現場ならびに本部の業務負担軽減化
２）発注頻度が低く、商品構成のミスマッチにより平均売上が低い店舗の売上改善
を狙います。
Step 1. 現状分析
- 現行業務調査
- 現行モデルの確認
- 現状分析
・需要パターンの確認
・在庫推移の確認
Step 2. モデル構築
- 予測モデルの検討
・時系列モデルの構築 - モデル精査
- 予測モデル・発注計画モデルの設計／構築／精査
Step 3. システム構築予定
