研究開発部門へのDX導入による研究業務の効率化とイノベーション創出

第1部. データ駆動型研究開発テーマの創発とその仕組み作り

(2021年3月23日 10:00〜11:30)

　事業環境が加速度的に変化し、市場・技術の短命化が進む時代に、その変化を超えるスピードで新たな価値を創出するためには、イノベーティブな研究開発テーマを意図的/継続的に生み出すメカニズムが欠かせない。 　本講演では、未来の顧客が直面する社会課題を先取りして自社で提供しうるソリューションを発想する「バックキャスト思考」と、マクロとミクロの両視点からの情報解析によりグローバルな市場・技術動向を読み解く「フォアキャスト解析」を組み合わせた「データ駆動型研究開発テーマ創発」の手法について解説する。また、この手法を社内の仕組みとして定着させ、持続的なイノベーション創出の成果を上げている企業の事例についても紹介する。

1. 持続的なイノベーションが求められる背景
   1. イノベーションの持続的創出が不可欠な時代の到来
   2. 破壊的なイノベーションには自社の歴史の延長線上での検討では不十分
   3. 未来の顧客・生活者のインサイトを基点とした価値創造
2. イノベーションの持続的創出に向けてR&D部門に求められるチャレンジ
   1. イノベーティブな研究開発テーマを意図的/継続的に生み出すには
      ～データ駆動型研究開発テーマ創発のススメ～
   2. 未来の社会課題を基点とした「バックキャスト思考」
   3. マクロとミクロの両視点からの情報解析による「フォアキャスト解析」
   4. バックキャスト思考とフォアキャスト接合点の探索
3. データ駆動型研究開発テーマ創発を“仕組み”として定着させる
   1. R&D部門にとどまらない事業化へつなげる組織的プロセス
   2. データ駆動型研究開発テーマ創発の定着事例
   3. 貴社にもできるデータ駆動型研究開発テーマ創発への最初の一歩
• 質疑応答

第2部. 研究開発マネジメントのDXによる事業ポートフォリオ組み換えの促進

(2021年3月23日 12:15〜13:45)

　日本市場をターゲットにしていては企業の成長が見込めず、さらにはグローバルのあらゆる産業が競合となりえる時代において、各企業はイノベーションをさらに加速し、事業ポートフォリオを継続して組み替えていく必要がある。 　本講演では、ベストな事業ポートフォリオを早期に達成するためのイノベーションの創出し、既存事業をさらに加速して強化する、これからの技術経営のDX化についてご紹介いたします。

1. 目指したい技術経営について
2. ベストな事業ポートフォリオを創出するための「データ駆動型R&D」の全体像
   1. 事業ポートフォリオ可視化事例
   2. 開発テーマポートフォリオ可視化事例
3. ベストな事業ポートフォリオを早期に実現するためのステージゲート法とは
   1. イノベーションを加速するステージゲート法
   2. 事業ポートフォリオを継続的に組み替える
   3. ステージゲート法DXイメージ
4. マテリアルズインフォマティクス (MI) 導入による開発活動のDX=データ駆動型研究開発
   1. MI活動の全体像
   2. MI導入効果
   3. MIを推進するために必要なスキル
   4. MI導入効果を最大化するためには
   5. MIあるあるFAQ
5. データ駆動型R&Dへの変革を事業のDXにつなげる
6. 研究開発のDXを成功に導くためには
• 質疑応答

第3部. 実験の自動化によるラボ業務の革新とその導入、活用のポイント

(2021年3月23日 14:00〜15:30)

1. 背景 . AIやロボットを活用した研究開発の重要性 .
   • AI、ロボット、研究者が協働するデジタルラボラトリとは
   • デジタルラボラトリが研究環境に与えるインパクト
2. AIやロボットを活用した研究開発に関する世界の動向
3. AIとロボットを活用した材料研究に関する一杉研の取り組み
   • ベイズ最適化による合成条件最適化のシミュレーション例
   • ベイズ最適化とロボットを活用した全自動薄膜合成・評価装置の紹介
   • ロボットによる薄膜合成例
   • 人間ドックの材料版: マテリアルドック
   • AIを活用したイオン伝導度評価手法の開発
   • AIやロボットを研究開発の現場に導入するまでの道筋
• 質疑応答

第4部. 人工知能の研究開発業務における品質保証とその検証法

(2021年3月23日 15:45〜17:15)

　近年の人工知能の急速な発展により、様々な産業領域おいてイノベーションの創出・実現が期待されている。一方で、人工知能はデータを基にした「帰納的開発」により構築されているがゆえに、「演繹的開発」により構築された従来のソフトウェアの検証技術の適用が難しく、その品質保証の在り方が議論され始めている。 　本講演では、人工知能の概況と特徴、顕在化しつつある品質保証上の課題について述べ、近年、国内外で活発化しつつある品質保証に関連したガイドライン、標準化活動の動向について広く紹介する。また、現在検討されている人工知能の品質保証のための具体的な検証技術・方法について解説すると共に、運用時の品質保証を支援する一技術を紹介する。最後に、人工知能の社会実装を推進すべく、解釈性、公平性、セキュリティの重要性を概説した上で、今後の「信頼される人工知能」の実現と品質保証の方向性について述べる。

1. 人工知能の特徴と品質保証上の課題
   1. 人工知能の概況
   2. 人工知能に起因する課題・リスク
   3. 人工知能の特性と品質保証上の考え方
2. 人工知能の品質保証に関連したガイドライン・標準化の動向
   1. QA4AI:AI プロダクト品質保証ガイドライン
   2. 産総研:機械学習品質マネジメントガイドライン
   3. ISO/IEC JTC 1/SC 42
   4. その他:国内外の動向
3. 人工知能の品質保証のための技術適用および検証方法
   1. データ品質の検証
   2. モデル品質の検証
   3. システム品質の検証
   4. 運用時品質の検証
4. 運用時のモデル監視・修復を自動化する技術のご紹介
   1. 運用時の品質保証における課題
   2. HDL:High Durability Learningの概要
   3. 実用性および適用事例
5. 「信頼される人工知能」の実現に向けて
   1. 解釈性/説明可能性
   2. 公平性/倫理
   3. セキュリティ
   4. まとめ
• 質疑応答