AIとアパレルの需要予測

　

　最近ＡＩが話題になっている。そうした中で、AI技術の論点であるAIのトレーニングに使われるデータのアルゴリズムの多様性の欠如における原因で、既存のステレオタイプの増幅により公平性のない偏見が懸念視されている。IBMはAIのライフサイクル管理を通して①公平性、②説明性、③継続的な学習、④AI運用状況のモニタリング、⑤AIモデルのパフォーマンス管理。以上の5つを外に出す事により、公平性と透明性に努めている。

　過剰在庫により参照価格の下落が問題視されているアパレル業界において、需要予測が重要な課題である。その為、AIの機械学習システムのトレーニングに使用するデータセットのバイアスの改善により、線形回帰モデルにおける、①観測誤差（=攪乱項）と②回帰直線の区間推定以外での第三の独立変数が従属変数に影響を与える可能性における問題解決に繋がる。これにより、機械学習を行う事により、集積度が上がり、ネットワークに繋がる指数関数の適用範囲が広がる。

　特に回帰直線の適用範囲以外の第三の変数（=従属変数に影響のある独立変数以外の変数）を機械学習で身に付ける事が可能になる事で相関関係に限定された意味での統計的因果性にクレジャー因果性の懸念点の排除はアパレル業界において影響力は大きい。
　
　ただ、 重回帰分析の段階で目的変数を出す為に、因子分析を行うのだが、固有値値が低いと、相関行列における各因子が分散により従来の質問項目に対する支配度が低い為、算出した 最尤法、プロマックス回転で因子分析 を行っていてもそれらが潜在因子を表す共通分散尾妥当性がある事にはならない。また、分析する以前にアンケートの設問項目において必要な事を把握しなかれば相似的な回答の場合により発生する多重共線性における問題解決にも対応しなければならないと感じている。

　以上、AIの機械学習システムのトレーニングに使用するデータセットのバイアスを改善適正なマーチャンダイジングがブランドエクイティを得る為の重要な手段として、攪乱項における機械学習は大きな前進である。