More than 1 year has passed since last update.

Microsoft

AI Builder予測モデル

Last updated at 2023-10-30Posted at 2023-10-29

こんにちは。
AI Builder ではコーディングスキルがなくても AI モデルを作成できるため、開発者やデータサイエンティストでなくても予測分析できます！

予測モデルについて

予測モデルは AI Builder カスタムモデルです。
トレーニングをして、予測モデルは指定した過去データのパターンを分析します。
検出されたパターンに基づいて、新しいデータの将来の結果を予測します。

前提条件

予測モデルに使うデータは Dataverseにある必要があります。
ユーザーは、データの読み取り権限を持つセキュリティロールを割り当てられていることを確認してください。
AI Builder のクレジットがお使いの環境に対して有効化されている必要があります。

用意するデータについて

予測モデルをトレーニングするには、ラベル列の各クラスについて、履歴結果が少なくとも 10 行ずつ必要。
トレーニングのための全体のデータ最小値は 50 行ですが、最適な結果を得るには、少なくとも 1,000 行が必要。
データサイズは1.5 GB 未満のデータセットを使用。
1.5 GB のデータのみを使用してトレーニングと予測が行われますが、1.5 GB の制限を超えるデータを使用しないように制御することができないため、常に 1.5 GB 以下になるようにデータを最適化する必要がある。

作業

それでは予測モデルを触っていきましょう。
まずはデータ準備していきます。

データがすでにある場合は、AI Builderを触っていくから！

データ準備(ダウンロード・環境へのインポート)

今回はサンプルデータを使っていきます。
以下のリンクをクリックしサンプルデータセットパッケージのダウンロードします。
AIBPredictionSample_simpledeploy_v4.21.3.zip

ダウンロードマークをクリックします。

ダウンロードフォルダを開き、ダウンロードした zip ファイルを選択し、右クリックします。
プロパティを選択します。

全般タブで、セキュリテイ項目の「許可する」を選び、ポップアップで[適用]を選択し、[OK]でプロパティを閉じます。

またzipファイルと右クリックし、「すべて展開」をクリックし、ポップアップで[OK]をクリックします。

フォルダ内の PackageDeployer（アイコンがあるアプリケーションの方）をクリックします。

PackageDeployer.exe を実行すると、次のスクリーンが表示されます。[続行]を選択します。

Dynamicsと表示されますが、Power Apps・Automateのライセンスがあれば大丈夫です。

Office 365 を選び、ログインを選択します。

ログインに使用するアカウントのIDを入力し、[次へ]を選択します。

データを保存する（Dataverse）環境を選択し、[ログイン]をクリックします。

ログインが成功すると、ようこそ画面が表示されます。メッセージを読み、[次へ]を選択します。

インストールの準備画面で、ソリューションが正しい環境に再インストールされていることを確認し、[次へ]を選択します。

AIB 予測データセットインストーラー構成画面で、インポートされているデータとソリューションの概要情報を読みとり、[次へ]を選択します。

データのインポート処理に数分かかります。各ステップが正常に完了すると、ステップの横にチェックマークが付いた緑色の円が表示されます。

インストール完了画面で、[完了] を選択します。

私の場合、一度目は以下のようなエラーが出たため、２回やりました。１回目ではデータが入っていませんでしたが、２回目でインポートができました。

２回目では以下のようにインポートできたことが表示されました。

インポートしたデータの確認

これまでの手順で環境へソリューションがインストールされます。
これを確認してみましょう。
該当の環境を選択し、[ソリューション]を表示します。

このソリューションにはテーブルが１つ含まれています。
これを選択します。

この「Online Shopper Intention」テーブルはバイナリ予測および数値予測に使用することができます。
バイナリ予測を試してみたい場合は、Online Shopper Intentionの「Revenue(label)」を列として選択します。
Revenue：購入したかどうか

また、数値予測を試してみたい場合は「ExitRates」または「BounceRates」を列として選択します。

ExitRates：離脱率。あるページを訪れたユーザーが、同サイト内の他のページに移行せず、そのページを最後にサイトから離れた割合
BounceRates：直帰率。ユーザーがサイトを訪れたとき、最初にたどり着いたページだけを見てそのサイトを去った割合。つまり、1回の訪問で1ページビューで終わってしまった割合。（離脱率のなかに直帰率も含みます。）

表示されないときは以下の方法で表示できます。
[その他の○○件]>[列名]>[保存]

AI Builderを触っていく

Power Appsにサインインし、[AIモデル] を選択します。
表示されていない場合は[詳細]を確認

[新しいAI モデル]をクリックします。

[予測]を選択します。

[カスタムモデルを作成する]をクリックします。

右上の「予測...」をクリックします。
モデルの名前「オンライン購買客の意向」を入力し、[名前の変更]を選択します。

今回予測モデルで扱いたいテーブルと予測したいデータを保存している列を選択します。
今回私はバイナリ予測を行いたいと思いますので「Revenue(Lavel)」を選択します。
[次へ]をクリックします。

予測モデルで対象にできる列

分類予測
- はい/いいえ
- 選択肢
数値予測
- 整数
- 10 進数
- 浮動小数点数
- 通貨

次に、モデルのトレーニングに使用されるデータ列を変更できます。
既定では、関連するすべての列が選択されます。
精度の低くする可能性のある列は選択を解除できます。

ここで何をすべきかわからなくても大丈夫です！
AI Builderが、可能な限り最良のモデルを実現する列の検索を自動でしてくれます。

今回使用しているサンプルデータの場合は、すべてをそのままにして、[次へ]を選択します。

このデータ列を選択する画面には、モデルをトレーニングするための入力として使用できない、画像などいくつかのデータ型は表示されません。
また、作成日時などのシステム列も既定で除外されます。

また、関連テーブルもトレーニングデータに使用することができます。

次に、フィルタリングです。
モデルのトレーニングに使用するのと同じテーブル内に関連性のないデータがあることがわかっている場合は、この手順を使用してフィルター処理できます。
この処理をしたい場合は、[データをフィルター処理する]を選択します。

今回は[この手順をスキップする]を選択し、［次へ]をクリックします。

[トレーニングする]をクリックします。
[モデルに移動]をクリックします。

トレーニングには時間がかかります。
ページを閉じても、後で戻ってくることができます。

「トレーニング済み」になっていることを確認して、このモデルを選択します。

このモデルのパフォーマンスを確認します。
画面マン安価に表示される「最も影響力の大きいデータ」は、結果の判定に最大のインパクトを与える列を示します。

パフォーマンスに問題がなければ[公開]をクリックし、モデルを公開します。
パフォーマンス詳細については次のセクションです。

予測モデルが公開されると、新しく作成されたレコードに対して自動的に予測が実行されます。
（デフォルトでは毎日実行）

パフォーマンスについて

各トレーニングの後、予測モデルでは、モデルの精度を評価するのに役立つグレードが表示されます。

グレード A – 最高のグレード。まだ改善が可能な場合もある。
グレード B - 予測はほとんどの場合正しいが改善を検討できる。
グレード C - ランダムな推測よりも優れているが、パフォーマンスを改善するためにモデルを調整することがおすすめ。
グレード D - 実行するランダムな推測で予想されるよりも悪い (アンダーフィットモデル)。
または、パフォーマンスが非常に高い (100% またはほぼ 100%) ため、結果に直接相関するデータ列が取得される可能性がある (オーバーフィットモデル)。

パフォーマンスグレードがビジネスシナリオに対して満足できるレベルであれば、モデルを公開し、ライブデータに対して実行できるようにします。

予測モデルは、さまざまなオプションで使用できます。

今すぐ実行 - 毎日、新しく作成されたライブデータに対して自動的に予測が実行される。
リアルタイム予測 - 予測が即座に必要なシナリオに適用される。

リアルタイム予測のほうは構築が必要なので、次のセクションではその手法を説明します。