クロス・コーザル
データから原因究明と解決策発見を簡単に
難しかったエビデンス取得のノウハウを専門家なしで使えるAIツール
USERS
クロス・コーザルはこんな悩みに応えます
原因究明や意思決定にデータを
活用したいがうまく使えない
原因候補の発見と対策効果の推定で素早いアクションに繋がります
データ解析の人材不足で
研究開発や商品企画が進まない
データ解析のプロでなくても簡単に仮説の発見ができます
人依存のノウハウを
システム化して使えるようにしたい
組織内の暗黙知を因果関係モデルとして資産化し使う事ができます
Causal AI SaaS platform
原因を見つけアクションに繋げるコーザルAI
(因果関係に基づいたAI)
ビジネス課題を解決するために、データの見える化を行い予測モデルを導入しても、アクションに繋がる発見がない。 意外と多いDXやAI導入時の課題です。鍵は「因果関係」の理解にあります。 AIは、データから相関関係をもとにパターンを認識して利用されるため、 予測や分類は出来てもなぜその結果になったのかは不透明です。 一方、ビジネスでは「結果を良くするには何をどうすれば良いか」を見つけること、 つまり原因の理解とアクションの特定が重要です。 xCausal(クロス・コーザル)は、 エビデンス取得に必要な学術的な専門知識がなくても、データから因果関係を推定し、 原因と結果に至るメカニズムを素早く理解できる画期的なツールです。 また、対策の効果をシミュレーションでき「もしこの値を変えた時の効果はどのくらい?」 という問いに答えることが出来ます。 「AI x Causal」(AIを因果関係で強化する) xCausalは、より良い未来に繋がる「信頼できるAI」を実現します。
※ 解析対象領域の知識や、原因と目されるデータの収集等、利用目的に応じた知識と準備は必要です。
目的に応じて相関関係に加えて因果関係を理解すべき理由
「鶏が鳴けば陽が昇る」は、相関関係による予測の一例です。 しかし、鶏がいなくなっても、陽は昇ります。つまりこの関係は因果関係ではありません。 このように、今のAIは因果関係がある変数も、因果関係がない変数を一緒に用いてパターンを認識しています。 この方法で問題のない用途は多くあります。 一方で、ビジネスやヘルスケア等の領域では、往々にして「結果を改善するには何をどうすれば良いか」を見つけ、 解決策を見つけることが重要です。 つまり、結果に対して影響を与えている原因とその影響を理解することが重要です。 例えば、相関が高く因果関係に見えていても、 実際にはその背後に両方に影響を与える共通の原因「交絡因子」があって、 擬似的な関係「擬似相関」を作り出していることも多くあります。 有名な例では、1国あたりのチョコレートの消費量とノーベル賞の受賞者数の高い相関があります。 しかしいくらチョコレートを多く食べても、ノーベル賞が増えるとは思えないでしょう。 その背後には、例えば一人当たりのGDP等、両方に影響のある要因が影響を与えていると考えられます。 データから解決策や取るべきアクションを導くためには、 因果関係を理解することが成功の鍵となります。
相関関係と因果関係は違う
xCausal™ を選ぶ理由
スパコン並みの処理が必要だった「因果探索」を手軽に使えるようにした「Smallytics™」アルゴリズム
データから因果関係の構造を発見することを「因果探索」と言い、 因果関係の有無や効果を推定することを「因果推論」と言います。 知りたい因果関係の構造がわかっている場合は、すぐに「因果推論」を実行可能ですが、 多くの場合は、未知なる関係の発見がイノベーションに繋がります。 その場合「因果探索」は有効なツールです。しかし今までのアプローチでは、因果構造を推定する際、 データ同士の全組合せを計算するため幾何級数的に処理時間が増え、 数時間から数日、場合によってはスーパーコンピュータが必要になるなど、 一般的に使えるものではありませんでした。「xCausal™」では、様々な時系列データの組み合わせの中から、 因果関係の前提となる条件を考慮してどのデータ同士の関係が強いかを計算しランキングする 当社独自技術「Smallytics™」アルゴリズムがこの問題を解決します。
「Smallytics™」は、ユーザーの解析目的となるデータに関係の強い変数を推奨します。 ユーザーはその中で、有意義な変数を選択して数を絞り込むことができます。 (最大10ノードまで、カスタム対応可能) その結果、組合せ計算量を圧倒的に削減し、 ネットワーク構造を持つ因果グラフを数十秒から数分単位で即座に生成することが可能です。 そのため、ユーザーはデータを使って仮想的に効果検証を繰り返すことができ、 因果関係の理解と解像度の高い解決策の仮説を立てることが出来ます。 因果探索のアルゴリズムは、ヒルクライム型、制約型、ハイブリッド型の3種類から選択することが可能です。
学術的なノウハウを使いやすく。機能強化や拡張性にも優れた未来志向のSaaS型サービス
「xCausal™」は、データをアップロードして使うSaaS型のサービスです。 「xCausal™」では、データのアップロード時に、 欠損補完やルールテーブルの作成を簡単に行うことができます。 解析のエンジンとなる「Smallytics™」は、データの欠損に強く、 統計解析やAIに必要なクレンジング処理に時間を掛けずに利用できる使いやすさを提供しています。 また、難しくなりがちなUIを、わかりやすく洗練されたデザインで提供しているのもユニークな特徴です。 データアップロード後は、「因果探索」と「因果推論」をクイックに、 そしてシームレスに行うことができ、今まで学術的な領域で活用されていたノウハウを、 より簡単に使えるようにしました。
PCにインストールするソフトウェアと比較し、処理の拡張性や、データ解析のコラボレーション、 刻々と進化するコーザルAI機能の追加とアップデートを継続的に提供する未来志向ソリューションです。 また、社内クラウドシステムに導入するソフトウェアと比較し、 コーディングを伴う実装が不要で、エンジニアに依頼せず使うことができる点で実用的です。
カスタム対応やプロジェクト伴奏型のプロフェッショナルサービスとパートナーシップ
「因果探索」や「因果推論」も使い方次第では、良い解に辿り着けない場合があります。 特に原因の可能性となるデータが取得できていなければ、 因果関係の発見には至りません。 必要な変数の検討や入手できない場合の代替案、 その組織特有のデータの扱いやモデル化方法等、 当社のデータ・サイエンスチームが伴奏型でアイデアを出し、 データ解析や専用のカスタム機能実装を行うプロフェッショナルサービスを提供しています。 当社は、因果推論、深層学習や機械学習、統計解析から大規模自然言語モデルに至るまで、 データ・サイエンスの領域で先端研究をしている、 大学および研究機関の教授・准教授からなるアドバイザー・コミッティによって、 耐えず新たな知識創造を行なっています。 また、カスタム対応は、「xCausal™」の機能のカスタム化に加え、 因果モデルから得られるアウトプットをアプリケーション化したり、 予測モデルと連携したり、生成AIとの組み合わせで活用するなど、様々な開発に対応します。 さらに今後は、各産業や領域に専門知識を持つパートナー企業と連携することで、 お客様の課題解決に深く貢献していく予定です。
導入用途
「xCausal」は、ウェルネスとヘルスケア業界を始めとして、 原因の理解と解決策の特定が必要な幅広い領域でカスタマイズ利用いただけます。
- ウェルネスとヘルスケア
- 研究開発の加速
- 製薬業でのドラッグディスカバリー
- 温暖化ガス排出量の削減策の発見
- 顧客満足度の向上やチャーンマネジメント
- プロモーション予算の最適化(MMM)
- 製造業での品質改善・故障予知・事故率の低減
- 運輸業・流通業での業務量予測やサプライチェーン最適化
- 金融機関・保険会社での不正検知や新商品の開発
- 政府・自治体によるEBPMやスマートシティの計画・運営
For Wellness & Healthcare
"ウェルネスやヘルスケア分野向けのサービスです。 ユーザーからライフログデータ取得をサポートする連携アプリの提供や、 すぐに使えるダッシュボードと因果推論サービスを用意しています。"
For Business & Marketing
ウェルネス以外の領域ではカスタム対応が可能です。 xCausalは、ビジネス上の意思決定支援と課題解決で効果を発揮します。 例えば、製造品質の向上や事故率の低減、サプライチェーンの最適化、 顧客満足度の向上やチャーンマネジメント、マーケティング・ミックスモデルの最適化、 不正検知等の領域が挙げられます。
サービス概要と使い方
xCausal は、因果関係を推論するSaaS形式のサービスです。
データをアップロードし設定した後、以下のステップで簡単に利用できます。
解析項目を選択
解析目的のデータ項目を選定し、弊社の関係強度検知アルゴリズム ”Smallytics™”を利用して解析対象を選定。
因果グラフを生成
因果グラフを生成して構造を観察し、影響を与えていそうな気になるノードを選定します。
因果効果を仮想検証
当該ノードにマウスオーバーし、仮想的に値を変える(介入する)と解析目的の介入後の分布が予測されます。
xCausalの画面イメージ
因果関係のシミュレーションで加速するイノベーション
企業や研究機関では、日常的に課題や研究テーマに対する原因に仮説を立て、 検証しながら解決策を探っています。 特に、研究開発部門や企画部門では、相関関係の発見がきっかけとなり、 一定のエビデンスを得るまで、高度な知識を持つ人材が検証サイクルを繰り返す長い工程を繰り返すこととなります。 この期間は数ヶ月から数年になります。
エビデンスを得ることは、解決策が有効であるという因果効果を証明することに他なりません。 xCausalでは、最新の因果構造探索技術と、自社の持つノウハウを合わせて因果関係のデジタルツインを設けることにより、 仮想的に因果関係のトライアンドエラーを分単位で何度でも高速に実施することが可能です。 そのため、早期に失敗を経験でき、層別化等によってより解像度の高い仮説に辿り着く事ができます。 そして研究開発サイクルの短縮や成功率が高まり、高度人材の生産的活用が可能になります。
リアルワールドを解釈する「ヴェルト・メソッド」
現在、AIは相関関係をベースにした技術であり、予測はできてもなぜその予測が出来たのか不明瞭です。 そのためXAI(ExplainableAI)等、説明を行うための技術が登場しています。 特に「責任あるAI」が必要な現代において、解釈や説明できることが重要になってきます。 当社は「責任あるAI」を具体的に実現する方法論「ヴェルト・メソッド」を策定し、AIに因果推論を活用し、 解釈可能性と説明可能性を付与するCausal AI(因果関係A I)領域での開発を推進しています。
xCausalFor Wellness & Healthcare