AIBR プレミアム
田中専務
拓海先生、最近、部下から「関数データの解析に良い手法がある」と言われまして、何が変わるのかよくわからないんです。要するに現場で使える投資対効果はあるんでしょうか。
AIメンター拓海
素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。要点を3つで言うと、1) 継続する観測データをそのまま扱える、2) 非線形なデータ構造を見つけられる、3) 可視化や理解がしやすくなる、という利点がありますよ。
田中専務
なるほど。でもうちのデータはセンサーのタイムシリーズが多くて、端末で測った断片的な値しか見ていません。これって要するにデータを”関数”として扱うということですか。
AIメンター拓海
その通りです。Functional data（関数データ）は連続的な過程を離散観測したものと考えます。小さな例で言えば、工場の温度変化を時系列で見るのではなく、1日という時間幅での”温度の関数”として扱うイメージです。
田中専務
では従来の方法と比べて何が違うのですか。うちの現場ではFunctional Principal Component Analysis (FPCA)（関数型主成分分析）が紹介されましたが、それと比べてどう違うのですか。
AIメンター拓海
良い比較です。FPCA（Functional Principal Component Analysis）（関数型主成分分析）はデータが線形な変化に従うと仮定すると強力です。しかし現実には変化が曲がっていたり、段階的だったりするため、線形だけでは表現しきれない場面があるのです。
田中専務
つまり、これって要するに非線形な形を見つけるってこと？現場で言えば、単純なトレンドだけでなくムーブメントの形そのものを掴めるという理解でいいですか。
AIメンター拓海
