AI Studio (アルファ版)

mindzie AI Studio は、プロセスマイニングのための包括的な予測分析プラットフォームです。データサイエンティストからビジネスアナリスト、プロセスオーナーまで、誰でもプロセスデータから導き出せるあらゆることを予測、説明、最適化できる力を提供します。

AI Studio Overview

ビジョン

AI Studioは以下の三本柱に基づいて構築されています：

  1. AutoMLファースト - 機械が最適なアプローチを見つけ出し、人は洞察に集中する
  2. LLMによる説明 - すべては生成されたレポートによる平易な言葉で説明されます
  3. インタビュー形式のセットアップ - 非技術者も案内された会話を通じて予測を設定可能

AI Studioへのアクセス方法

AI StudioはPreReleaseが有効になっているテナントのヘッダーナビゲーションで利用可能です。

  1. ヘッダーメニューの AI Studio (Alpha) をクリック
  2. 左サイドバーからカテゴリを選択
  3. 利用可能な機能を探索

機能カテゴリ

AI Studioの機能は左サイドバーからアクセスできる7つの主要カテゴリに整理されています。

DATA - 基盤

機械学習用のデータソースと特徴量を管理します。

セクション 説明
イベントログ トレーニングと予測のためのイベントログのインポートと管理
データセット ML用に拡張されたデータセットを表示・管理
特徴量ストア バージョン管理とテンプレートを備えた再利用可能な特徴量セット

主な機能:

  • 列の自動検出を備えたスマートデータ取り込み
  • 自然言語インタビューによるLLMガイド付きマッピング
  • 自動データ品質レポート

PREDICT - コアバリュー

あなたのプロセスで何が起こるかを予測します。

セクション 説明
結果 ケースは成功するか？顧客離脱？SLA違反？
タイミング 残り時間、完了予定日、遅延確率
次のステップ 次にどのアクティビティが起こるか？ケースはどの経路を辿るか？
リソース 誰が対応するか？負荷予測、ボトルネック予測
コスト ケース総コスト、完了までのコスト、予算差異
リスク コンプライアンスリスク、不正確率、品質リスクスコア

予測タイプ:

  • 二値結果 (はい/いいえ)
  • 多クラス結果
  • 確率スコア（0-100%）
  • 信頼区間付き時間見積もり

DETECT - 問題発見

重大化する前に問題を特定します。

セクション 説明
異常 制御フロー、パフォーマンス、意味論における異常パターンのML検出
適合性検証 実際の実行と期待された振る舞い（BPMNモデル、業務ルール、SLA）との比較
ドリフト プロセス挙動、モデルパフォーマンス、データ分布の時間変化の検出

SIMULATE - 未来を探る

シナリオを試し、変更前に潜在的な結果を理解します。

What-If 分析

プロセス変更が主要指標に与える影響をシミュレーションで探求。シナリオパラメータを設定して瞬時に予測結果を確認。

What-If Analysis

シナリオ設定オプション:

  • 承認閾値 - 金額の承認ルーティング閾値を調整
  • チームサイズ - スタッフの増減影響をモデル化
  • 低リスク自動承認 - 低リスクケースの自動承認を切り替え
  • 最大キューサイズ - キュー容量の上限設定

シミュレーション結果: シミュレーションは現在の指標とシナリオの比較を示します：

指標 説明
平均サイクル時間 初めから終わりまでの処理時間
ケース数/日 処理能力（スループット）
SLA遵守率 サービス水準を満たす割合
ケースあたりコスト 平均処理コスト
リソース利用率 リソースの効率的使用状況
ボトルネック時間 ボトルネックでの待機時間
エラー率 エラーが発生したケースの割合

インパクト可視化では、サイクル時間、スループット、品質が改善されているか悪化しているかを一目で把握可能です。

シミュレーション概要はAIによる平易な言葉で結果を説明し、主要な改善点や考慮すべきトレードオフを指摘します。

デジタルツイン

あなたのプロセスの視覚的なリアルタイム表現を作成。デジタルツインはプロセスマップを表示し、ライブシミュレーション機能を持ちます。

Digital Twin

デジタルツインの特徴:

  • プロセスマップの可視化 - 発見されたプロセスモデルと全てのバリアントを表示
  • ライブシミュレーション - プロセス中の挙動を観察するためにシミュレーションを実行
  • バリアント分析 - 発生頻度を示す全てのプロセスバリアントを表示
  • シミュレーション操作 - シミュレーションの開始、停止、進行監視

デジタルツインを利用して：

  • ケースのプロセスフローを理解
  • どのバリアントが最も一般的かを特定
  • プロセス挙動に関する仮説を検証
  • ボトルネックや並列経路を可視化

シナリオ

一般的なWhat-If分析用に事前構築されたシナリオを保存・管理：

  • スタッフ削減の影響
  • ボリューム急増への対応
  • プロセス再設計の効果
  • 季節変動のモデリング

EXPLAIN - なぜを理解する

予測や結果に対する明確な説明を得る。

フィーチャーインパクト

SHAP（SHapley Additive exPlanations）値を使い、モデルの予測を左右する要因を理解。

Feature Impact

グローバルフィーチャー重要度: 左側パネルは全ケースにおける予測に最も影響を与える特徴量を示します：

  • 開始からの時間 - ケースが開始されてからの経過時間
  • 保留中のアクティビティ - 未完了のアクティビティ数
  • 顧客優先度 - 顧客に割り当てられた優先度レベル
  • 注文金額 - 注文の金額
  • リソース負荷 - 割り当てられたリソースの現在の負荷
  • エスカレーション有無 - ケースがエスカレーションされているか
  • 曜日 - アクティビティが発生する曜日
  • 地域 - ケースの地理的地域

ケースごとのウォーターフォール: 右側パネルは特定ケースの予測に対する各特徴量の寄与を示します：

  • 緑の値（+）は予測を上げる要因
  • 赤の値（−）は予測を下げる要因
  • 最終予測はすべての寄与の合計

AI生成の説明: 下部にはAIによる平易な解説が表示されます。例：「このケースは36時間の期間と4つの保留中アクティビティにより主にSLA違反が予測されます。高い顧客優先度も違反可能性を高めています。リソース負荷の低さはわずかな緩和要因です。」

根本原因

KPIが期待を下回った場合の寄与因子を自動検出。プロセス問題の「なぜ」を統計的に特定。

プロセスナラティブ

LLMが生成する平易な言葉によるケース履歴の説明。ケースで何が起こり、なぜそうなったかを物語形式で把握。

AUTOMATE - 継続的インテリジェンス

自動ワークフローとモニタリングを設定。

定期トレーニング

データの変化に合わせて予測精度を保つための自動モデル学習を設定。

Scheduled Training

トレーニング構成:

  • データセット選択 - トレーニングに使用する拡張データセットを選択
  • アルゴリズム選択 - 複数のMLアルゴリズムから選択：
    • FastForest - 高速かつ正確なアンサンブル手法
    • LightGBM - 大規模データ向け勾配ブースティング
    • FastTree - 高性能決定木
    • Linear - シンプルで解釈可能な線形モデル
  • 検索強度 - トレーニング時間とモデル品質のバランス
  • 通知 - トレーニング終了時の通知設定

アクティビティ予測可能性スキャン: トレーニング前にデータをスキャンし、予測可能なアクティビティを表示：

  • アクティビティ - 予測対象の活動
  • 評価 - 予測可能性の評価（推奨、許容など）
  • 割合 - データセット内の発生率
  • ケース数 - このアクティビティを含むケース数

信頼性の高い予測が可能なアクティビティの選択に役立ちます。

アラートとアクション

予測に基づくトリガー設定：

  • 高リスクケース検知 -> ケース所有者へメール送信
  • SLA違反予測 -> ワークフローにタスク作成
  • 異常検知 -> 調査キューにログ登録
  • モデルドリフト検知 -> 再トレーニングをトリガー

モデルリフレッシュ

自動モデルライフサイクル管理：

  • 時間経過によるモデル性能の監視
  • 精度低下の検知
  • 自動再トレーニングの実行
  • 新旧モデルの比較

MODELS - あなたのAI資産

トレーニング済みモデルとデプロイメントを管理。

モデルレジストリ

トレーニング済みモデルのカタログ。ステータス、性能指標、バージョン履歴を含む。

デプロイメント

予測をエンリッチメントオペレーターとして利用可能にするためにモデルをデプロイ。

Model Deployments

エンリッチメントへのデプロイ: 完了したトレーニングからモデルを選択してデプロイ。モデルはケースごとに予測属性を生成するエンリッチメントオペレーターとして追加されます。

各モデルの表示内容：

  • モデル名 - 予測対象アクティビティ（例："Imaging Ordered", "Consult Completed"）
  • エンリッチメント - モデルが学習したデータセットの拡張名
  • 完了日時 - トレーニング完了時刻
  • デプロイボタン - モデルをデプロイするためのボタン

デプロイ済みモデル: デプロイ後、モデルはデプロイ済みモデルパネルに表示され、以下が可能：

  • アクティブなモデルのモニタリング
  • 予測機能の閲覧
  • モデルライフサイクル管理

デプロイされたモデルはデータパイプライン内のエンリッチメントオペレーターとして利用可能となり、自動的にケースに予測カラムを追加します。

パフォーマンス

時間経過によるモデルの健康状態と精度を追跡：

  • 予測ボリュームとレイテンシ
  • 精度トレンド
  • ドリフト指標
  • 検証データとの比較

ロードマップ

AI Studioの機能は段階的にリリースされています。現在の重点分野は：

現在利用可能:

  • 複数アルゴリズムによる定期トレーニング
  • モデルデプロイメントによるエンリッチメント
  • シミュレーションを用いたWhat-If分析
  • デジタルツインの可視化
  • SHAPによるフィーチャーインパクト説明

今後予定:

  • コスト予測 - ケースの総コスト推定とコストドライバーの特定
  • 結果予測 - 二値および多クラス結果予測
  • 異常検知 - リアルタイムの異常パターン検知
  • プロセスナラティブ - AI生成によるケース説明

フィードバックの提供

AI Studioに関するフィードバックをお待ちしています！皆様のご意見は正式リリース前の機能改善に役立ちます：

  • メール: support@mindzie.com
  • 件名: 「Alpha Feedback: AI Studio」を含めてください
  • 内容: 試みたこと、発生したこと、期待していたことを含めてください