新機能リリース

Release Information

最適化の割当て問題を解くためのルールを新たに追加

MAGELLAN BLOCKS は、新機能の追加や機能改善を定期的にリリースしています。
この記事では、最新のリリース情報をお知らせいたします。

新機能 最適化の割当て問題を解く際の強度を決定するルールを自動的に付与できるようになりました 

「割当て最適化」サービスは、汎用的な組合せ問題として、ある目的に対しての最大化を行います。
物流現場における配送効率を最大化するために積載率の最適化、製造現場における生産計画としての工程順序・ラインや工程を考慮した生産量の最大化、さらにはこれらの計画変更にともなう自動対応など、様々な課題の解決が可能です。
例えば、荷物があった場合にその全ての荷物を存在する収納場所にどのように納めるか、指定されたルール（以下、制約条件と記述）に従って問題を解き決定します。

今回は、全てのモノを割り当てる場合に、新たに「必ず守るべき制約条件」を割当て最適化の機能として追加しました。

これにより、割当て最適化の制約条件に指定していた制約強度が自動的に付与されることになり、より効率的に最適化できるようになります。

トラック運送の際に積載する「荷物を載せるコンテナ」がモノだとした場合、このコンテナを運送前にどのように積載すれば、もっとも効率よく全てのコンテナを納められるか考慮する必要があります。

割当て最適化を用いることで、この問題に対する答えが求められます。

その際、積載するコンテナをどのように配置するか制約をつけた上で答えを導き出すことが必要となります。

またその制約に対しては、「どの程度守るべき制約なのか」を判別するための重み付けを同時に指定する必要があります。

今回、新たに追加された「必ず守るべき制約条件」を使うことにより、重みは自動的に決定され割当て最適化の問題を解き決定できるようになります。

対応サービス：割当て最適化

その他の新機能、改善点

  • フローデザイナー：機械学習向けのブロックを追加（アルファ版） 
    • DataEditorにあるXGBoost・DNN・クラスタリングのモデルをフローデザイナー上で作成できるブロックを追加しました。
    • フローデザイナー上で蓄積されていくデータで再学習したり、モデル作成の試行錯誤を自動化することができるようになります。

  • フローデザイナー：コメント機能を追加（アルファ版） 
    • 配置したブロックの背景にコメントエリアを表示することができるようになりました。
    • 配置したブロック群の説明や役割などを記載することで、何を行っているかなど分かりやすい表示が可能となります。
  • フローデザイナー：DataEditorでのモデル作成ブロックへの機能追加
    • DataEditorのモデル（AutoML・DNN・XGBoost・クラスタリング）作成ブロックでモデルが作成された際（トレーニング完了した際）にSlackへ通知ができるようにしました。
    • AutoMLなど時間がかかるトレーニングがある場合に、トレーニングの完了を知るのに役立ちます。

  • フローデザイナー：ワークスペースへの通知設定の追加
    • フローデザイナーで終了時の通知先にSlack・メールに加えて、ワークスペースのメッセージパネルを追加しました。
    • ワークスペースへ、さらに情報を集約しやすくなります。

  • フローデザイナー：プロパティの検索機能を追加
    • ブロックのプロパティ内に記載された文字列を検索して、該当のブロックに移動することができるようになりました。
    • 配置したブロックの設定内容を探しやすくなります。
  • フローデザイナー：エラー終了した際の再実行に対応
    • フローデザイナーがエラー終了した際に、エラー時と同じ初期変数、対象時刻で再実行できるようになります。
    • エラーの原因となる箇所は修正した上で実行ができるため、エラー終了の前のフローから実行する必要がなくなります。
  • ワークスペース：複数ファイルの一括アップロードに対応
    • アップロードパネルで複数ファイルをまとめてアップロード出来るようにしました。
    • 日々の運用で複数ファイルを手動でアップロードしてもらうような運用の際に作業の手間や時間を軽減できるようになります。
  • DataEditor：時系列データに対応したARIMAモデルをサポート
    • DataEditorで新たにARIMA（自己回帰和分移動平均）モデルを用いた分析ができるようになりました。
    • 季節変動商品を扱っているような場合の販売予測・需要予測などでの活用が期待できます。
      • 時系列データ（気温の遷移や降水状況などの気象観測や交通の状態、土地利用の変遷など、ある一時期の状態を表すような、時間的に変化した情報を持つデータ）から時間的にどう変化しているのかを解析し、その結果から将来どのように変化するのかを予測することを時系列データ分析（時系列データ解析）といいます。
        ARIMA（自己回帰和分移動平均）モデルを用いた時系列データ分析は、データ系列のある点とその直近時点の値との関係性を分析し、それらの関係性が将来も保存されるという仮定を置いて予測する手法です。

グルーヴノーツは、お客様の課題に寄り添い、継続的な機能改善および新機能の開発を行っております。

今後ともグルーヴノーツならびに「MAGELLAN BLOCKS」を、よろしくお願いいたします。