機能説明

データ探索

データ探索は、DFS プラットフォームにおける分析およびアラート設定のための重要な機能です。データセットを高度に処理・モデリングすることで、ユーザーは規則性を素早く発見し、アラートルールを設定し、その結果を新しい「探索データセット」として出力できます。これにより、さらなる分析、ダッシュボード表示、業務意思決定に活用可能です。

主要概念

• データ探索データセット：探索タスクの実行後に生成される結果データセットで、通常は処理ロジックと特徴変数が含まれる。
• アラートルール：探索中に設定されるトリガー条件で、リスクや異常を自動的に検知するために使用。
• データ探索テンプレート：探索ロジックや処理ルールを事前に定義したもので、再利用可能で探索効率を高める。

データ探索の開始

データ探索ページから開始

操作手順

1. データ探索ページで【新規】をクリックする。

2. ポップアップウィンドウでタスク情報を入力。

• 名称（必須）：データ探索タスクの名称を入力します。
• データ集（必須）：分析対象のデータセットを選択します。
• データセット時間範囲（必須）：開始時間と終了時間を指定して分析範囲を選択します。
• 説明（任意）：タスクの用途や背景を補足説明します。

3. 【確認】をクリックし、データ探索編集パネルに進みタスク設定を行います。

データセットから直接発起

操作手順

1. 通用データセットページで対象データセットを選択し、データセット名または詳細ボタンをクリックしてデータ表示ページに入ります。
2. 「データ表」タブで【データ探索を発起】ボタンをクリックします。

3. ポップアップウィンドウでタスク情報を入力：

• 名称（必須）：探索タスクの名称を入力します。
• 説明（任意）：タスクの背景や目的を補足します。

4. 【確認】をクリックし、データ探索編集パネルに進みタスク設定を行います。

データ探索編集パネル

ツールバー

• パラメータ選択：パラメータタグやデータセットタグから元データを選択するために使用。
• 実行：現在のタスクを実行し、処理後の結果を生成。
• 保存：現在のタスク設定を保存。
• リリース：公開時に複数の同型機体番号を選択可能。探索方法を再利用でき、同型データに対して自動的に分析・アラート検知ロジックを実行。

ノードバー

「ノードバー」には多様なデータ処理、分析、モデル計算、出力ノードが提供されており、ユーザーは業務要件や分析ロジックに応じて柔軟に構成可能。以下は各種ノードの詳細説明と適用シーン、使用方法。

• 前処理方法ノード：前処理ノードは元データを初期処理し、その後の分析を容易にする。
  • 線形補間：
    • 機能：欠損点前後の変化を線形と仮定し、欠損値を推定。既知データ点を直線で結び空白を埋める。
    • 適用シーン：時系列データに少量の欠損値がある場合、データの連続性を維持。
  • データダウンサンプリング：
    • 機能：高頻度データを低頻度データに変換（例：ミリ秒単位データを 1 秒ごとに集計）。
    • 適用シーン：過剰に頻繁なデータを簡素化して分析。
  • データ補完–時間リサンプリング：
    • 機能：低頻度データを高頻度にリサンプリングし、高・低頻度データを同時に分析可能にする。
    • 適用シーン：高頻度と低頻度の混在データを統一する必要がある場合。
  • カスタム前処理方法：
    • 機能：ユーザーが特定要件に応じた前処理ロジックを作成可能。
    • 適用シーン：標準処理で対応できない場合の拡張性を提供。
  • 特徴量抽出ノード：データから重要な統計特徴を抽出し、後続のモデリング・分析に使用。
    • 最大値抽出：データ中の最大値を抽出する
    • 四分位数抽出：データを並べ替えて4等分し、3つの分割点（25%、50%、75%）の値を抽出する。
    • 標準偏差抽出：データの標準偏差を計算し、データの変動程度を反映する。
    • 中央値抽出：データセットの中央値（50%分位点）を抽出する。
    • 平均値抽出：データの平均値を抽出する。
    • 分散抽出：データセットの分散を計算し、データのばらつきを反映する。
    • 最小値抽出：データ中の最小値を抽出する。
    • カスタム特徴量抽出方法：特定の要件に基づき、独自の特徴抽出ルールを記述する。
  • 演算ノード：データ処理の過程で数値演算を行うノード。計算モデルの構築や新しいデータ指標の生成に用いられる。
• 出力ノード：処理結果を他のモジュールに出力または伝達するためのノード
  • 前処理出力ノード：前処理済みデータを出力し、その後の分析で利用可能にする。
• モデルノード：外部の AI アルゴリズムモデルを統合し、データの予測やインテリジェント分析を行うノード。

キャンバス（タスク編成エリア）

このエリアではデータ探索タスクの設定を行うことができます。主に以下の機能をサポートします：

• ノードの追加：左側のノードバーからノードをキャンバスにドラッグして、タスクの基本フレームを作成できます。
• ノードの接続：ノード間に接続線（矢印）をドラッグしてデータフローの方向を定義します。矢印はデータがあるノードから別のノードに流れる順序を表し、タスクが正しい順序で実行されることを保証します。
• ノード詳細の確認：
  • 基本情報：処理方法の名称、タイプ、作成者、ステータスなどの情報。
  • 関連コード：ノードに関連付けられたコードやスクリプト。

• 処理後データの確認：タスク実行後、キャンバス上で各ノードの処理結果データを確認でき、タスク実行結果の分析に役立ちます。

 インタラクションボタン

• ヘルプ：ショートカットキーを確認。
• キャンバスをクリア：キャンバス上のすべてのノードと接続を削除し、初期の空白状態に戻す。
• 取り消し：直前の操作を取り消し、キャンバスを前の状態に戻す。
• やり直し：取り消した操作をやり直し、取り消し前の状態に戻す。
• 縮小：キャンバスビューを縮小し、より広い範囲を表示して全体を把握しやすくする。
• 拡大：キャンバスビューを拡大し、内容をより詳細に表示して特定部分に集中できるようにする。
• リセット：キャンバスビューをデフォルト設定に戻し、サイズや表示倍率を初期状態に戻す。
• フィット：キャンバス内の内容表示を自動調整し、現在のウィンドウまたは表示エリアに適合させる。

キャンバスサムネイル

キャンバス右下のサムネイルは、複雑なキャンバス内での位置決めや表示領域の調整を容易にするためのクイックナビゲーションおよびビュー調整機能を提供します：

ビューの拡大縮小：緑色のビューポート右下の丸いハンドルをドラッグして視窗を拡大・縮小し、キャンバス内の表示範囲を調整します。

ビューを移動：緑色のビューポート自体をドラッグするか、またはビューポート外の空白部分をクリックすると、ビューの位置を変更でき、キャンバスに表示する具体的な内容領域を調整できます。

データ探索の設定

ドラッグ＆ドロップやノードの接続によって、データ処理方法と元データ間の関係を設定し、ワークフロー形式でのデータ探索設定を実現します。

1. データ探索編集パネルを開く：
   • 自動オープン：新しいデータ探索を作成すると、システムが自動的に「データ探索編集パネル」を開きます。
   • 手動オープン：データ探索ページで、編集したいデータ探索を選択し、探索名または【編成ルール】ボタンをクリックして「データ探索編集パネル」を開きます。

2. 元データを選択:

a) ツールバーの【パラメータ選択】ボタンをクリックし、データ選択ウィンドウを開きます。

b) ポップアップウィンドウで以下の方法により必要なデータを絞り込みます：

• • パラメータ：データセットから必要なパラメータを選択。
  • パラメータルール：パラメータの値範囲を設定し、さらに絞り込み、目的データを素早く特定。

c) 【確認】をクリックすると、キャンバス上に「元データ」ノードが追加されます。

3. データ処理方法を選択

a) 左側のノードバーから必要なノードをキャンバスにドラッグします。

b) あるノードの出力端から別のノードの入力端へ接続します。矢印はデータ処理の順序を表します。

4. タスク設定の保存：【保存】をクリックし、現在のタスク設定を保存します。

実行と検証

データ処理タスクの有効性と正確性を確保するために、実行と検証を行います。以下はデータ分析を実施し、データ処理の有効性を検証する操作説明です：

1. タスクの実行：【実行】ボタンをキャンバス右上でクリックすると、システムはキャンバスに定義されたデータ処理ロジックに従ってノード処理を実行し、データ分析結果を生成します。

実行過程には、データクリーニング、特徴抽出、モデル計算などの操作が含まれる場合があります。キャンバスで設定されたノードに依存して処理されます。実行後、業務ニーズと処理ロジックに基づいたデータ結果が得られ、その結果は自動的に汎用データセットに保存され、後続の閲覧や分析に利用できます。

2. データ検証：データ処理ノード上の閲覧ボタンをクリックすると、そのノードの出力結果を表やグラフで表示します。
   • データのトレンド、パターン、異常値などを確認し、データが期待に沿っているかを分析します。
   • グラフや表の結果を比較し、期待される計算結果や分析結果と一致しているか確認します。
   • 元データ、外部データソース、または既知の基準と比較し、データ処理の正確性を検証します。
3. データ処理の最適化：もし処理結果に問題がある場合、分析者はノード設定を調整したり、タスクを再実行することで修正や最適化を行うことができます。