🔒 機密保護: 全処理ブラウザ完結 — TF.js モデル学習・推論もローカルで実行
VERIFY YOURSELF
- DevTools (F12) → Network タブを開く
- 「Disable cache」をオン
- ページをリロード → CDN ライブラリの読込のみ確認できる
- データ投入・学習・予測中、追加の通信が 一切発生しない ことを確認
TensorFlow.js は WebGL/CPU を使ってブラウザ内で完結学習します。モデル重み・入力データは外部送信されません。
※ TensorFlow.js / Chart.js はモデル学習ボタンクリック時に CDN からダウンロードされます。データの送信ではありません。
学習ボタンクリックでAI起動準備
AI Quality Prediction
品質予測（AIプロセス最適化）
TensorFlow.js Dense Neural Network — ブラウザ内学習・推論
USE CASE 1
歩留まり予測
条件入力で次ロット歩留まりを事前計算
USE CASE 2
パラメータ最適化
温度・圧力・速度・湿度の最適組合せを自動探索
USE CASE 3
実験計画法(DoE)補助
条件パターンを一括予測し最適点を絞り込み
⚡ 5秒で試す
① 業界プリセットをクリック
→ ② 「サンプルデータを読み込む」をクリック
→ ③ 「モデル学習 ▶」をクリック
PRESET
PHASE 1 — モデル学習
Ctrl+Enter で実行
✓ 学習完了 — 予測フェーズを使用できます
PHASE 2 — パラメータ入力（リアルタイム予測）
バッチCSV予測
複数のパラメータ組合せをCSVで一括予測。形式: temperature,pressure,speed,humidity
特徴量重要度 (Permutation Importance)
QUALITY SCORE
予測待機中
95%信頼区間: - 〜 -
PHASE 3 — 2D感度ヒートマップ
他の2軸は現在のスライダー値を固定。色: 緑=高品質, 黄=中, 赤=低品質
✓ NEXT ACTIONS — 現場で次にすべきこと
- 「最適パラメータ自動探索」で得た条件で小ロット試作を実施し、実測値と比較
- 感度の高い特徴量（ヒートマップで勾配大）を最優先管理項目に設定
- 得られた最適点をDoE（実験計画法）に取り込み、追加試験で再現性確認
このツールについて
🧠 ニューラルネットワーク
4つの製造パラメータ（温度・圧力・速度・湿度）から品質スコアを予測。入力層→隠れ層(16→8ユニット)→出力層の3層構造。ブラウザ内で完結するためデータは外部に出ません。
📊 特徴量重要度の読み方
各パラメータをランダムに並べ替えたときの予測精度の低下量で重要度を算出（順列重要度法）。バーが長いほど品質への影響が大きいパラメータです。
🎯 バッチ予測の活用法
複数の生産条件パターンをCSVで一括入力し、品質スコアを一括予測できます。実験計画法と組み合わせて「最適条件の網羅的探索」に活用してください。