AI/機械学習と従来型実験データの実用的な組み合わせ方法

再開催を依頼する / 関連するセミナー・出版物を探す
オンライン 開催

本セミナーでは、研究開発部門におけるデータ共有システムを取り上げ、データベースと機械学習の連携、運用を維持、拡張させていくときの課題と対策について、具体例を交えて解説いたします。

日時

開催予定

プログラム

IoTやAIの普及により、製造工程以降のデータ利活用は急激に進展しています。一方、公的研究機関であれ、民間企業であれ、R&D部門におけるデータの取り扱いは属人的なままであり、研究の信頼性が阻害されたり、効果的なデータの利活用がほとんど進んでいないのが実態です。R&D部門は技術の源泉であり、データを精緻に管理して効果的に利活用する、つまりデータ分析・AI化を行うことは、今後の競争力にとって不可欠です。  本講演では、まず、R&D部門のデータ共有、利活用の実情をお話しさせていただき、データ共有、利活用が進まない状況がなぜ発生してしまうのか?そのような状況にはどのような問題がはらんでいるのか?、AI、機械学習を実際の実験研究にどのように組み入れていくべきか?に関して、説明をさせていただきます。最後に、データベースと機械学習の連携、運用を維持、拡張させていくときの課題を具体例をもとに、陥りがちな落とし穴とそれらの回避方法に関して解説させていただきます。

  1. はじめに
    1. 講演者のR&D実績とデータ共有、利活用の取り組みについて
  2. R&D部門のデータ共有の実情
    1. R&D部門のデータ蓄積の実情
    2. 属人的データ蓄積状況が生み出される原因
    3. 属人的データ蓄積状況が引き起こす問題
  3. AI、機械学習に必要なデータ共有はどう実現し、何が期待できるか?
    1. 属人的データ蓄積状況を脱するために必要な方策
    2. 報告書の共有で期待して良いこと、良くないこと
    3. データ共有で研究の何が改善できるのか?
  4. データ探査、分析を意識したデータ蓄積方法とその運用
    1. データ探査を意識したデータ蓄積方法
    2. データ分析は、どのようにして行うのか?
    3. データ共有、利活用状況を改善するために必要なプロジェクトチームの作り方
    4. プロジェクトメンバーに求められる資質
  5. AI、機械学習を実際の実験研究にどのように組み入れていくべきか?
    1. 機械学習などのMIの特性と注意すべき点
    2. 機械学習などのMIを研究へ組み込む方法
  6. データベースと機械学習の連携、運用を維持、拡張させていくときの課題
    1. R&D部門におけるデータ蓄積基盤としてデータベースがなぜ必要か?
    2. R&D部門においてデータベースと機械学習を連携させていく場合の注意点
    3. データ蓄積、データベース化着手時に陥りがちな落とし穴とそれを防ぐ方策
    4. データ蓄積、データベース運用時に陥りがちな落とし穴とそれを防ぐ方策

受講料

案内割引・複数名同時申込割引について

R&D支援センターからの案内登録をご希望の方は、割引特典を受けられます。
案内および割引をご希望される方は、お申込みの際、「案内の希望 (割引適用)」の欄から案内方法をご選択ください。

「案内の希望」をご選択いただいた場合、1名様 45,000円(税別) / 49,500円(税込) で受講いただけます。
複数名で同時に申込いただいた場合、1名様につき 25,000円(税別) / 27,500円(税込) で受講いただけます。

ライブ配信セミナーについて