Glossary
以下は、Reality AI Tools で使用される技術用語および機能をアルファベット順にまとめた一覧であり、プラットフォーム全体での使用方法を理解するための詳細な定義を掲載しています。
A
AI Explore
データサンプルリストを分析し、feature spaces と decision structures を自動的に比較して最適なモデルアーキテクチャを提案する Reality AI Tools の機能です。通常、ほとんどのユーザーにとっての開始ステップとなります。
Anomaly Detection
データパターンが通常の動作から逸脱したかどうかを判定する AI モデルの一種です。これらは単方向の detector タイプモデルであり、正常データのみで学習されます。AI が推定した正常範囲からの距離に基づき異常信号を判定するため、threshold が設定されます。非正常データからなる反例は、モデル選択や threshold 推定に使用されます。
B
Base Tool
feature space、decision structure、および推論 target を含む AI モデルの基盤を定義します。Base Tool は特定のデータで学習され、Trained Tool を生成します。初期の Base Tool と Trained Tool は通常 AI Explore 実行時に作成され、追加の学習および最適化の基盤となります。
C
Classifier
学習したクラスの中から 1 つを選択してカテゴリ予測を出力する AI モデルの一種です。classifier 型モデルを学習およびテストするには、Data Sets と Sample Lists を使用し、Inference Target を Target Class のメタデータラベルに設定します。
Cortex Microcontroller Software Interface Standard – Neural Networks (CMSIS-NN)
組込みモデル推論を高速化するための最適化されたニューラルネットワークカーネル群です。ARM コアデバイスへモデルをデプロイする際に利用できます。
Confusion Matrix
予測ラベルと実際のラベルを比較して分類性能を評価するための視覚的かつ表形式のツールです。
Convolutional Neural Network (CNN)
畳み込み層を含む Neural Network です。このネットワークは、feature space 自体では直接抽出されないデータ内の特徴構造を学習できます。他のモデルタイプと比較して、CNN は一般的にモデルサイズが大きく、推論時間が長くなります。
Curate
AI モデルの学習およびテストに使用するためにデータファイルを整理するプロセスです。不良データの除去、データのグループ化とラベル付け、およびセンサの生データをサンプルに分割する処理が含まれます。
D
Data Sample List
分割処理によって生ファイルから生成された小さなデータフレームの集合で、モデル学習に使用されます。各フレームは推論モデルが認識する 1 つのテストサンプルを構成し、結果は追跡および集計されます。「Segmented List」とも呼ばれます。
Decision Structure
Neural Network、Convolution Neural Network、Support Vector Machine、または K-means などの AI 分類モデルの推論アーキテクチャと、その内部構造（NN のネットワーク層や SVM のアンサンブル戦略など）を指します。
Deployment
学習済みモデルをパッケージ化し、実環境で使用するためにクラウドまたは組込みシステムへエクスポートするプロセスです。Embedded セクションを参照してください。
Detection Target
detector 型モデルにおいて、検出のために学習させるデータサンプルを定義するカテゴリラベルです。curate 中にメタデータ列とその列に含まれる特定のカテゴリラベルを選択して定義します。例えば、Anomaly Detection では Datatype = Normal を学習ターゲットとして選択できます。
Detector
入力が学習データのタイプと類似しているかどうかを 2 値で予測する AI モデルの一種です。Anomaly Detection に使用でき、正常データのみで学習するか、既知の単一クラスで学習する「片側」detector として使用できます。AI が推定した学習済みターゲットクラスからの距離に基づき類似性を判断するため、threshold が設定されます。detector 型モデルを学習およびテストするには、Data Sets と Sample Lists を使用し、Inference Target を Detection Target メタデータラベルに設定します。
E
e² studio
Renesas Electronics が提供する統合開発環境（IDE）で、Renesas のマイクロコントローラおよびマイクロプロセッサ向けの組込みアプリケーション開発に特化しています。
Energy Triggered
固定のスライディングウィンドウ方式ではなく、入力信号内のエネルギーパターンまたは閾値に基づいてデータをサンプルに分割する Reality AI Tools のセグメンテーション手法です。
Explorer Tier
限定された機能とデータを使用して Reality AI Tools を試すことができる無料トライアルアカウントです。
F
Feature Space
モデル学習中に入力データを記述するために使用される派生属性の集合で、周波数成分や統計属性などが含まれます。詳細は Feature Spaces を参照してください。
File Level Metadata
データセット内の個々のファイルに割り当てられる記述ラベルです。Metadata を参照してください。
Full-Access Account
アップロード、ダウンロード、モデルデプロイを含むすべての機能を無制限に利用できる有料 Reality AI Tools サブスクリプションです。
I
Inference Target
AI モデルの期待される出力です。モデルの種類に応じて、inference target は Target Class または Target Value になります。curate でデータセットを作成する際、メタデータ列をこれらのターゲットタイプのいずれかに設定して定義します。
K
K-Fold Validation
データセットを K 個の部分に分割し、複数の学習／テスト分割でモデル精度を評価する交差検証手法です。Reality AI Tools は AI Explore で 10-fold テストを実行し、ユーザーは Validation ページで独自の k-fold テストを設定できます。
K-Means
類似性（通常は距離指標）に基づいてデータを K 個のグループに分割するクラスタリング型モデル決定構造です。教師なし手法であり、クラスラベルが利用できない場合の異常検出やパターン認識に有効です。K-means はコンパクトなモデルサイズと効率的な推論性能を持ち、リソース制約のある組込みデプロイに適しています。
M
Metadata
Metadata とは、グループ番号、日付、装置ソース、色など、参照や文脈理解を目的としてデータのサブセットに割り当てられる記述ラベルを指します。Metadata はファイルレベル（File-Level Metadata）またはファイル内のデータブロック単位（Sample-Level Metadata）で定義できます。Target Class または Target Value は Metadata の特殊なタイプと見なされます。
N
Neural Network (NN)
複数のニューロン層を接続し学習された重みに基づいて構成されるモデル決定構造で、より複雑なクラス構造を持つユースケースで高い性能を示す可能性がありますが、デプロイサイズは大きくなります。
Neural network compression
冗長または使用頻度の低い重みを特定して削除することで、学習済みモデルのサイズと複雑さを削減する手法です。その後ネットワークを再構成し、許容可能な精度を維持したまま、より単純で小型かつ高速なモデルにします。
圧縮モデルは Tools 内で 
シンボルで表示されます。
O
One-vs-all
各クラスごとに 1 つの学習器を作成し、そのクラスと残りすべてのクラスを区別する SVM アンサンブル構造です。
One-vs-one
各クラスのすべての組み合わせペアごとに 1 つの学習器を作成する SVM アンサンブル構造です。
Optimize BOM
AI モデルの重要な限界を特定することで、ハードウェアおよびセンサコストの最適化を支援する Reality AI Tools の機能群です。Sensor Channel Selection によるセンサ数削減や、信頼性の高い動作に必要な最小サンプルレート、ビット深度、ノイズフロアを決定する Sensitivity および Tolerance テストが含まれます。
P
Project
特定のユースケースのためのデータセット、モデル、設定、結果を保持する Reality AI Tools 内のコンテナです。データとモデルを project 単位で整理することが推奨されます。
R
Reality AI Tools
Renesas によって提供されるクラウドベースのプラットフォームで、組込みシステム向け AI モデルの開発、学習、検証、デプロイを行います。
Regression
数値予測を出力する AI モデルの一種で、出力は任意の浮動小数値を取ることができます。regression 型モデルを学習およびテストするには、Data Sets と Sample Lists を使用し、Inference Target を Target Value メタデータラベルに設定します。
Remaining Useful Life (RUL)
コンポーネントが故障するまでの残り動作時間を予測する regression モデル出力です。
S
Sample Rate
センサからデータポイントを収集する頻度で、通常ヘルツ（Hz）で表されます。
Sample Level Metadata
ファイル内のデータブロックに割り当てられる記述ラベルです。Metadata を参照してください。
Secure File Transfer Protocol (SFTP)
暗号化接続を通じて大規模データセットを Reality AI Tools にアップロードするための Secure File Transfer Protocol です。
Segmented List
分割処理によって生ファイルから生成された小さなデータフレームの集合で、モデル学習に使用されます。各フレームは推論モデルが認識する 1 つのテストサンプルを構成し、結果は追跡および集計されます。「Data Sample List」とも呼ばれます。
Sliding CSV Window
時間系列データ上を一定間隔（ストライド）で移動するウィンドウを使用してデータサンプルリストを作成するセグメンテーション戦略で、ウィンドウは重複または非重複に設定できます。
Support Vector Machine (SVM)
超平面を用いてデータを分割するモデル決定構造で、多くのユースケースにおいて非常にコンパクトな組込みモデルサイズを実現しながら、良好な汎化性能を維持できます。
T
Target
各 AI 推論モデルには Inference Target が存在します。モデルの種類に応じて、target は Target Class または Target Value になります。Data Sample Lists には、使用される AI モデルタイプと互換性のある target がラベル付けされます。
Target Class
分類タスクにおいて、サンプルの状態または条件を示すカテゴリラベルです。
Target Value
回帰タスクにおいて、温度や圧力などの数量を表す数値ラベルです。
Threshold
detector または anomaly-detection モデルが入力サンプルを分類するために使用する決定カットオフ値です。モデルは、サンプルが学習されたターゲットパターン（例：正常動作）にどの程度一致しているかを示す類似度または距離スコアを計算します。Threshold は、サンプルが類似（受け入れ）または非類似（フラグ付け）と見なされる境界を定義します。Threshold 値は通常、モデル評価中にターゲットデータと反例データの両方を使用して決定され、誤検知と見逃しのバランスを取ります。
Trained Tool
ユーザー提供データで学習後に base tool から派生した AI モデルです。Trained Tool には base tool アーキテクチャとトレーニングチェックポイントが含まれ、さらに Error Balance 調整や Smoothing などの後処理要素が含まれる場合があります。Trained Tools は AI 推論モデルを完全に定義し、Reality AI Tools におけるテスト、最適化、デプロイの基本単位となります。