高精度な検知
マハラノビス距離を用いることで、多次元データの異常を高精度で検知します
説明可能性
どの変数が異常に寄与しているか明確に示すことができ、ブラックボックス化しません
少ないデータで学習
正常データのみで学習するため、異常データの収集が不要です
XAI（説明可能なAI）としての価値
近年、AI の判断プロセスが不透明である「ブラックボックス問題」が課題となっています。
MT システムは、その判断根拠を明確に示すことができるため、特に設備や機器の監視、
検査など説明責任が重要な分野で特に注目されています。
各変数の寄与度を数値化し、どの要因が異常判定に影響を与えたかを
定量的に説明できることが大きな特徴です。
正常データのみで学習
異常データを用意する必要がなく、正常な状態のデータだけを学習します
高い認識・予測精度
複雑な相関関係を利用した高精度なパターン解析処理を実現します
原因診断
異常と判定された場合、そこに関与する項目を素早く提示します
直観的な理解
マハラノビス距離により異常度を数値化し、誰でも理解しやすい形で提示します
高速な処理
計算が比較的シンプルで、リアルタイムでの異常検知や検査にも対応できます
技術者育成
入口は広く奥行が深いので、技術者育成や社内ノウハウ蓄積ができます
機械学習における深層学習と MT 法の違い
機械学習にはさまざまな種類がありますが、深層学習に絞って MT 法との違いを解説します。興味のある方は左の絵をクリックしてください。
MTシステムの手順
5つのステップで異常検知・予測を実現します
正常データの収集
正常なデータを収集します。正常稼働、良品のデータです。
特徴量の抽出
変化量・存在量などの特徴量を抽出します。
単位空間（基準空間）の構築
正常データから基準空間を作成します。各変数間の相関関係を考慮した多次元空間です。
マハラノビス距離の算出
対象データが基準空間からどれだけ離れているかを、マハラノビス距離（MD）として計算します。
異常検知と原因診断
対象データが異常判定となった場合、異常に寄与している変数を明示します。迅速な対処が可能になります。
マハラノビス距離とは
マハラノビス距離は、多次元空間におけるデータ間の距離を表す指標です。単純なユークリッド距離とは異なり、各変数間の相関関係を考慮するため、より実態に即した異常度の評価が可能になります。
正常データのマハラノビス距離は平均値が1.0となるよう規準化されており、この値から大きく外れるほど異常である可能性が高いと判断されます。
活用分野
様々な業界・分野でMTシステムが活用されています
製造業
- 製品品質の異常検知
- 設備・機器の予知保全
- 振動・異音の検知
- 製品特性の検査
医療・ヘルスケア
- 薬剤組成の同一性検査
- 健康診断データの分析
- 患者状態のモニタリング
- 遠隔地からの活動モニタリング
自動車・宇宙
- 車両の異常診断
- 走行データの分析
- バッテリー製造工程の監視
- ロケットの自律診断
環境・エネルギー
- 環境モニタリング
- エネルギー使用の最適化
- 設備の効率化
- 河川氾濫の予測
なぜ今、MTシステムなのか
AIの社会実装が進む中、その判断根拠の透明性が求められています。MTシステムは、高い判定精度と説明可能性を両立させることで、信頼性の高いAIシステムの構築を可能にします。
特にものづくり分野では、企業の技術蓄積や技術者育成のために、判断プロセスを説明できることが必要要件となっており、MTシステムの重要性はますます高まっています。
MTシステムと品質工学（タグチメソッド）
「幸福な家庭は一様に幸福だが、不幸な家庭はそれぞれに不幸である」
がMTシステム考案へと至った経緯についてご説明しています。
詳しくは右の画像から
