Tera計算 EIQ_AIの説明

１．概要と作成目的

Tera計算 EIQ_AIは、物流分析（EIQ分析）に AI（機械学習）を導入する方法と手順を説明しているソフトウェアです。

主な学習内容は以下の通りです：

• 出荷データからモデルデータを作成する方法。
• モデルデータを機械学習させる方法。
• 機械学習を使用してシミレート（予測）する方法。
• 機械学習の計算結果と実計算の誤差を検証する方法。

上記内容を学習するためのソフト（Tera計算EIQ_AI）を無償提供しています。

I. 計算EIQ_AIの概要

Tera計算EIQ_AI（以後EIQ_AIと呼ぶ）は、「出荷データの出荷先数（E）とアイテム数（I）の増減により出荷物はフラクタルに変動する」と言うデータ構造に着目しています。

EとIを変化させ161項目の変数を集計したモデルデータを200パタン作成し、機械学習（SDCA回帰）させます。これにより、E及びIの変化による161項目の変数の値を予測させるシミュレーション方法が学習できます。

II. 学習ソフトとしての効用

• EIQ_AIソフト使用により、身近な出荷データを使用してAIの作成方法・手順が学習できます。
• 実務使用では、自社サーバ内で計算が完結するので出荷データ（機密データ）の外部流出を完全に防げます。

III. 課題と所見

• モデルデータの作成方法は模索中で完成の域までは到達していません。
• シミュレーションの範囲は出荷データを提供した配送センターのみであり、他業種は別途モデルデータを作成する必要があります。
• 増減するE・Iの設定ルールにより計算値（出荷量）の差異が出ます。現在はモンテカルロ法（Monte Carlo method）をシミュレーションに使用しています。
• 現在、シミュレーション値と実計算値の誤差検証中です。出荷データより小さい規模のシミュレーションは精度が良いですが、規模を大きくすると精度が悪くなるという課題があります。

---

用語説明（グーグルGeminiより）

フラクタル（Fractal）とは

フランスの数学者ブノワ・マンデルブロが提唱した幾何学の概念で、「図形の一部を拡大すると、全体と同じ形が繰り返し現れる」という不思議な性質（自己類似性）を持つ構造のことです。単なる数学の世界の話にとどまらず、自然界のあらゆる場所に隠れている非常に美しく興味深い概念です。

• 💡 フラクタルの最大の特徴：「自己類似性」
  フラクタルを理解する上で最も重要なキーワードが「自己類似性（じこそうじせい）」です。これは、マトリョーシカ人形のように「どんなにミクロに拡大していっても、マクロな全体像とそっくりな形が無限に連続して現れる」状態を指します。
• 🌿 自然界や身近にあるフラクタルの例
  • ロマネスコ（カリフラワーの一種）： フラクタルを視覚的に最もわかりやすく体現している野菜です。小さなツボミが螺旋状に集まってひとつの塊を作っていますが、その小さなツボミを拡大すると、全く同じ螺旋状の形をしています。
  • 雪の結晶： 六角形の枝分かれした先を拡大すると、さらに小さな六角形の枝分かれが現れます。
  • 樹木の枝分かれ・葉脈： 太い幹から枝が分かれ、その枝からさらに細い枝が分かれる構造は、木全体で見ても、一本の枝単位で見ても同じような形をしています。
  • 人間の血管や肺の気管支： 限られた体積（体内）の中で、できるだけ表面積を広げて効率よく酸素や血液を運ぶために、フラクタル構造が採用されています。
  • リアス式海岸（海岸線）： 海岸線をはるか上空から見た形と、100メートル四方で拡大して見た形は、どちらも同じように複雑にギザギザしており、見分けがつきません。

SDCA回帰（Stochastic Dual Coordinate Ascent Regression）とは

主に大規模なデータセットに対して高速かつ効率的に学習を行うための、線形回帰の最適化アルゴリズムです。特に、Microsoftの機械学習フレームワークであるML.NETなどで、標準的で強力な回帰アルゴリズム（SdcaRegression）として提供されているため、目にする機会の多い用語です。

• 💡 SDCAの仕組み（名前の由来）
  • Stochastic（確率的）： データセット全体を使って一度に計算するのではなく、ランダムに選んだ1つのデータ点ごとにパラメータを更新します。これにより計算に必要なメモリを節約し、処理を高速化します。
  • Dual（双対-そうつい）： 機械学習の元の最適化問題（主問題）を直接解くのではなく、数学的に等価な「双対問題」に変換して解きます。L2正則化を伴う線形モデルの場合、双対問題に変換した方が計算がシンプルかつ効率的になります。
  • Coordinate Ascent（座標上昇法）： すべてのパラメータを同時に動かして最適化するのではなく、「他の変数を固定し、1つの変数（座標）だけをピンポイントで最適化する」という作業を高速に繰り返して正解に近づけていく手法です。
• 📌 SDCA回帰のメリット
  • 学習の収束が非常に速い： 一般的な確率的勾配降下法（SGD）と比較して、特にデータ件数が多い場合に、より少ない計算回数で最適なモデル（誤差の少ない状態）にたどり着くことができます。
  • 学習率（Learning Rate）の調整が不要： 多くのディープラーニングや機械学習アルゴリズムでは「学習率」のチューニングがシビアですが、SDCAは数学的に最適なステップ幅を直接計算できるため、面倒なハイパーパラメータの調整が少なくて済みます。
  • 大規模データに強い： メモリ効率が良く、特徴量（列数）やデータ行数が数十万〜数百万人規模の膨大なケースでも、パフォーマンスが低下しにくいのが特徴です。
• ⚠ デメリット・注意点
  • 複雑な非線形データには不向き： 基本的には「線形モデル」のためのアルゴリズムです。データ間の関係が非常に複雑な場合（画像認識や、複雑な条件分岐が必要なデータ）は、決定木ベースのアルゴリズム（LightGBMやランダムフォレストなど）やニューラルネットワークの方が高い精度が出ます。
  • L2正則化が前提： 標準のSDCAはL2正則化（リッジ回帰：パラメータが極端に大きくなるのを防ぐ仕組み）とセットで機能します。不要な特徴量を完全にゼロにして除外するL1正則化（Lasso回帰）を行いたい場合は、派生型であるProximal SDCAなどが内部的に使われます。

用語説明（計算EIQ_AIより）

参考として