OCI Forecasting

解決する課題

ビジネスでは「来月の需要はどれくらいか」「在庫をどこまで持つべきか」「来期の売上はどう推移するか」といった将来予測が意思決定の前提になります。これを統計や機械学習で自作しようとすると、季節性やトレンドの扱い、複数アルゴリズムの比較、ハイパーパラメータ調整、評価といった専門的な工程が必要になり、データサイエンスの知見と運用負荷が大きくなります。

• 過去の販売実績・アクセス数・センサー値などから将来の値を見通したい
• 季節変動や曜日・祝日といった周期性を考慮した予測がほしい
• 時系列予測のモデル選びやチューニングを自動化して、専門家でなくても使いたい
• 予測値だけでなく、その**不確実性（予測区間）**も把握して安全在庫などの判断に使いたい

OCI Forecasting は、履歴の時系列データを渡すと複数の予測アルゴリズムを自動で比較・選定し、将来値とその不確実性を返すマネージドサービスです。モデル構築の工程をサービス側が肩代わりするため、予測の専門知識がなくても時系列予測をアプリへ組み込めます。AWS で同種の課題に応えるのが Amazon Forecast です。

主要概念と用語

• 時系列データ（Time Series）: タイムスタンプと値の並び。予測の入力となる履歴データで、複数の系列（商品別・店舗別など）を扱える
• ターゲット時系列: 予測したい本体の系列（売上・需要など）。最低限これがあれば予測できる
• 関連時系列（Related Time Series）: ターゲットに影響する補助的な時系列（価格・気温・キャンペーン有無など）。精度向上に使える追加入力
• 予測ホライズン（Forecast Horizon）: 何ステップ先まで予測するかの期間。学習時に指定する
• 頻度（Frequency / Granularity）: データの時間粒度（日次・週次・時間別など）。系列の間隔を表す
• AutoML 的なモデル選定: 複数の予測アルゴリズム（統計的手法から機械学習まで）を自動で試し、評価指標が最良のモデルを選ぶ仕組み
• 予測区間（Prediction Interval）: 予測値の不確実性を表す上限・下限の幅。安全在庫やリスク評価に使う
• バックテスト / 評価指標: 履歴の一部を検証用に伏せて精度を測る手法と、その良し悪しを表す指標

仕様・制限・クォータ

• 入力はタイムスタンプと値を持つ時系列データで、CSV など表形式やオブジェクトストレージ経由で与える
• 1 つのプロジェクトで複数の系列（商品別・拠点別など）をまとめて学習・予測できる
• 学習にはターゲット時系列が必須で、関連時系列は任意の追加入力として精度向上に使える
• データの時間粒度（頻度）は系列内で一貫している必要があり、欠損や不規則な間隔は事前に整える
• 学習・予測は非同期のジョブとして実行され、完了後に結果を取得する形が基本
• 系列数・データ点数・予測ホライズンなどには上限があり、リージョン・テナンシ単位のサービスリミットが関係する
• 具体的な上限値・対応リージョン・対応データ形式は変動しうるため、最新値は公式ドキュメントとコンソールで確認する

内部の仕組み

OCI Forecasting は、与えられた履歴データに対して複数の時系列予測アルゴリズムを自動的に学習・評価し、最良のモデルを選定する AutoML 型のアプローチを取ります。利用者はアルゴリズムの選択やパラメータ調整を意識せず、データと予測したい期間を指定するだけで済みます。

内部では、まず履歴データのトレンド・季節性・周期性を捉えるために、統計的手法から機械学習ベースの手法まで複数の候補が試されます。各候補はバックテスト（履歴の一部を検証に伏せる）で精度が測られ、評価指標が最良のモデルが採用されます。学習が終わると、そのモデルを使って指定した予測ホライズンまで将来値を生成し、あわせて予測区間（不確実性の幅）を返します。一連の処理は非同期ジョブとして実行され、入出力はオブジェクトストレージ等と連携します。

設計パターン / ベストプラクティス

• データを整えてから渡す: 時間粒度を一定にそろえ、欠損や外れ値、重複タイムスタンプを前処理で除く。データ品質が予測精度を最も左右する
• ターゲットから始めて段階的に拡張: まずターゲット系列だけで基準精度を取り、関連時系列を一つずつ加えて寄与を見極める
• 十分な履歴を用意する: 季節性を学習させるには、対象周期（年次・週次など）を複数回カバーする長さの履歴がのぞましい
• 予測区間を意思決定に使う: 点予測だけでなく上限・下限を使い、安全在庫やリスク許容度に応じた判断に結びつける
• 定期的に再学習する: 需要トレンドは時間とともに変化するため、新しい実績を取り込んで定期的にモデルを作り直す
• 評価指標で運用判断: バックテストの指標を継続的に観測し、精度が落ちたら再学習や入力の見直しのトリガーにする

運用・監視

• 予測ジョブのメトリクスやエラーは OCI Monitoring で可視化し、失敗やレイテンシを監視する
• ジョブはステータスをポーリングして完了・失敗を検知し、失敗時はリトライや原因切り分けを行う
• 操作の監査証跡は OCI Audit に記録され、誰がいつ予測ジョブを実行したかを追跡できる
• 精度の劣化を監視し、評価指標の悪化やデータ分布の変化（ドリフト）を再学習のトリガーにする
• ジョブの入出力に使うログは OCI Logging で保全し、入力データの不備による失敗を追える

コスト

• 課金は基本的に学習・予測に投入したデータ量や処理量に応じた従量制が中心になる
• 関連時系列や系列数を増やすと処理量が増えるため、精度向上の効果とコストのバランスを見て入力を選ぶ
• 同じ予測を何度も計算し直さず、結果を保存して再利用することで無駄な再実行を避ける
• 具体的な単価は変動するため、料金は公式の価格ページで都度確認する

セキュリティ

• アクセス制御は OCI IAM のポリシーで最小権限に絞り、予測ジョブの作成・実行・参照権限をグループ単位で分ける
• 入出力に使うオブジェクトストレージは暗号化し、対象バケットを限定する。必要に応じて OCI Vault のカスタマー管理キーを使う
• 通信は TLS で保護され、API 認証には署名付きリクエスト（API キーやインスタンスプリンシパル）を用いる
• 売上や需要などの機微なビジネスデータを扱うため、アクセス範囲の限定と監査ログの保全を徹底する

関連サービス・比較

OCI Forecasting は、用途特化の事前学習済み API 群である OCI AI Services の一員で、「自前の時系列データから将来値を予測する」ことに特化しています。一方、より一般的な機械学習モデルを自分で構築・学習・デプロイしたい場合は OCI Data Science（AWS の SageMaker 相当）が選択肢になります。「予測を作りたいだけ」なら Forecasting、「予測を含む独自モデルを開発・運用したい」なら Data Science、と要件で使い分けます。下表は中心となる Forecasting と AWS の相当サービスの対応です。

ハンズオン / CLI例

# 注: サブコマンド名やパラメータは環境・バージョンで異なる場合があるため
#     実行前に `oci forecast --help` で利用可能な操作を確認する

# 1) 予測プロジェクト（予測作業をまとめる単位）を作成する例
oci forecast project create \
  --compartment-id "$COMPARTMENT_OCID" \
  --display-name "demo-forecast-project"

# 2) 作成済みのプロジェクト一覧を確認する
oci forecast project list \
  --compartment-id "$COMPARTMENT_OCID"

# 3) 予測ジョブの状態を確認する（非同期実行の完了をポーリング）
oci forecast forecast get \
  --forecast-id "$FORECAST_OCID"