SUNABACOさんの
AI人材育成講座第6期
PBL（業務改善の実習）の復習記事です。
AIサポートにより迅速に
しかも暴力的なペースで書いています。
だって終わったしね。
急いで次行かないと。
【使ったツール】
・GitHub
・Codex
リポジトリの説明書を読ませて、
Pythonの処理、検査コード、手順書、
発表資料の作成や修正を手伝わせる。
・Google Colab / Python
ノートブックでデータを一段ずつ確認する。
列、期間、単位、月次集計、評価値を扱う。
・Excel
もとのマスターや価格情報を参照して、
商品、単位、数量換算の根拠を確かめる。
【出てきた言葉】
・Notebook
コードを小さな手順に分けて実行し、
結果と説明を一緒に残しておく作業帳。
・Lakehouse
ファイルと分析用テーブルを
まとめて置いておく場所。9日目に出てきました。
・Pipeline
複数の処理を決めた順番で実行して、
完了状態をつなぐ仕組み。
・予測候補
過去のデータから出した参考の数量。
発注数そのものではありません。
【やったことの流れ】
1
入力を整える（Excel、Python、CSV）
月、商品、数量の単位をそろえた
集計済みのデータを用意する。
価格から数量を換算する場合は、
係数、規格、確認状態を一緒に持たせて、
わからないところは保留にする。
個人別の明細は
クラウドにもGitHubにも持ち込まない。
2
予測を比べる（Colab、Python）
前年同月、過去2年の同月平均、
直近6か月平均といった基準の方法と、
機械学習の候補を比べる。
各評価月の直前までの実績で、
1か月先を予測する。
誤差はMAE、WAPE、偏りを見る。
WAPEは実績の合計に対する誤差の合計の割合、
偏りは上振れか下振れかどちらに寄っているか。
履歴が足りない商品、欠けている商品は
参考値・保留としてはっきり区別する。
3
固定モデルを実行する（Azure Machine Learning）
すでにできているモデルを使って推論する。
毎回学習しなおさない構成です。
18日目にやったバッチの考え方がここで効きます。
結果は行数、単位、採用状態を検査して記録する。
4
結果を保存する（Fabric Lakehouse、OneLake、Delta）
入力、予測候補、採用状態、実行記録を
それぞれ分けて保存する。
ノートブックから読み込んで、
件数と実行IDを照合する。
5
画面を更新する（Fabric Pipeline、Power BI）
Fabricから予測の処理を呼んで、
結果を取り込んだあとに
Power BIのセマンティックモデルを更新する。
ここまでを一続きで実行できることを確認しました。
【できるようになったこと】
・月次の需要を、予測候補として
一覧とグラフで確認できる
・単位の不一致、履歴不足、欠損を
ゼロ扱いせず、保留の理由として残せる
・実行ID、入力の版、結果の件数を記録して、
同じ処理の確認や変更の追跡ができる
・固定した入力であれば、
予測からPower BIの表示更新まで通る
【注意点】
・「作った」「固定データで動作確認した」
「毎月運用できる」は、全部ちがう
・測っていない効果は、成果として書かない
・予測は予測であって、人間の指示ではない
・公開するときは、組織名、個人名、商品名、
特定できる数字を載せない