よくあるご質問

機械振動、化学プロセス、自然現象、生体信号など、時系列データとして表現できる幅広い現象に対応可能です。

ディープラーニングでは通常大量のデータが必要ですが、リザバーコンピューティングは500〜1,000点程度で高精度な予測が可能です。参考：温度を1時間ごとに計測する場合、1日で24点のデータが得られます。

実際の運用で想定される運転条件やダイナミクスを十分にカバーできる期間のデータが理想的です。限られた条件下のデータだけでは、それ以外の状況に対してモデルがうまく汎化しない可能性があります。

ほとんどの場合、不要です。リザバーコンピューティングはこの点でディープラーニングよりもはるかにロバストで、手動での特徴量設計はほぼ必要ありません。標準化などの基本的な前処理が必要になる場合がありますが、それらは弊社がプロジェクトの一環として対応いたします。

10kHzを超える高速な機械振動から、サブHz帯の緩やかなプロセスまで、幅広い周波数帯域に対応できます。

モデルの学習はEntroxが事前に行い、学習済みモデルをデバイスに展開します。これにより、デバイス上のアルゴリズムを軽量・コンパクトに保つことができます。定期的なモデル更新が必要な用途では、デバイス上での再学習も可能です。

用途によって異なります。弊社のAIは入力変数と予測対象の関係性を学習します。設備の経年劣化、摩耗、センサーのドリフトなどにより、時間とともにその関係性が変化することがあります。こうした変化が最初の学習データに含まれていれば、モデルはライフサイクル全体を通じて有効です。含まれていない場合は、定期的な再学習や継続的なオンライン学習が有効です。

データをお送りいただければ、ほとんどの場合1週間以内に初期テスト結果をお返しできます。特別なインフラは必要ありません。弊社のAIは非常に軽量なため、GPUやクラウド環境は不要です。

学習済みモデルは、最適化されたコードとしてお客さまのデバイス上で直接動作するよう設計されます。マイコンや組み込みシステムの計算能力の制約に合わせたカスタマイズも可能です。

開発はPythonで行い、ターゲットプラットフォームに適した言語に変換します。マイコンや組み込みデバイス向けにはC言語、より高性能なエッジデバイス向けにはPythonでの提供が一般的です。

リザバーコンピューティングが得意とする産業用時系列課題（ソフトセンサー、異常検知、残寿命予測）において、LSTMなどのディープラーニング手法と同等の精度を達成します。必要なデータ量、計算リソース、学習時間はいずれも大幅に少なくて済みます。

タスクに応じた標準的な指標を使用します。回帰・ソフトセンサーにはR²とRMSE、異常検知にはAUC-ROCとF1スコア、残寿命予測にはMAE/RMSEです。ご要望に応じて、お客さま独自の指標での評価も可能です。

一般的なマイコンや組み込みプロセッサ上で動作します。GPU、クラウド接続、専用ハードウェアは一切不要です。推論はサブミリ秒で完了するため、速度が求められるリアルタイム制御ループにも対応可能です。

ありません。モデルはローカルデバイス上で完結して動作するため、データは現場に留まります。クラウド接続や外部へのデータ転送は不要で、厳格なデータセキュリティ要件がある環境にも適しています。

CSV、データベースからのエクスポート、センサーからの直接フィードなど、一般的な時系列データ形式であれば何でも対応可能です。タイムスタンプ付きのセンサー計測データがあれば問題ありません。前処理やフォーマット変換は弊社がプロジェクトの一環として対応いたします。

学習済みモデルは、制御システム、PLC、SCADAシステム、マイコン、エッジデバイスなど、既存のインフラにソフトウェアモジュールとしてスムーズに統合できます。

はい。弊社のモデルはブラックボックスではなく、構造全体が数式として可視化されています。ソフトセンサー用途では、モデル内のどの数学的項（非線形の相互作用を含む）が予測に最も影響しているかを特定できます。この機能を感度分析（Sensitivity Analysis）と呼んでいます。

はい。弊社の異常検知アーキテクチャは、全体の異常スコアをセンサーごとに自動的に分解します。異常が検出された際、どのセンサーやコンポーネントが異常な挙動を示しているかを即座に確認でき、現場ですぐに行動に移せる情報を提供します。

お客さまのプロセスから得られたデータセット、一般的にはセンサー計測の履歴データをご用意ください。具体的なデータ要件は、初回のご相談で詳しくお話しいたします。

データをお預かりしてから1週間以内に初期的な実現可能性の評価が可能です。モデルの最適化と性能評価を含むフルパイロットは、複雑さに応じて通常2〜4週間程度です。

パイロットプロジェクトでは、学習済みモデルを最適化されたコード（マイコン向けにはC言語、高性能エッジデバイス向けにはPython）として納品します。あわせて、性能評価レポート、ドキュメント、導入に向けた推奨事項もお渡しします。