はじめてのPI (プロセスインフォマティクス)

セミナーに申し込む
オンライン 開催

本セミナーでは、製造プロセスをデータ駆動で最適化するプロセスインフォマティクスの理念と応用を体系的に解説いたします。

日時

開催予定

プログラム

製造データとモデルを組み合わせ、プロセスの理解・予測・最適化を加速する「プロセスインフォマティクス (PI) 」について、その考え方と導入のポイント、陥りがちな落とし穴まで、これから初めて学ぶ方にも分かりやすく平易に解説します。

  1. プロセスインフォマティクス (PI) の全体像を知る
    1. PI・AIの身近な例とイメージ
    2. AI・機械学習・深層学習・生成AIの関係性
    3. 「明確なAIの定義は存在しない」 〜PIの位置づけ〜
    4. AI/PIにおける「学習」とは何か
  2. PIのしくみ 〜本質を知る〜
    1. 身近な例 (身長と体重) で理解するAIの学習
    2. AIによる予測とは 〜測定しなくても結果がわかる〜
    3. 説明変数と目的変数 〜何を入れ、何を出すか〜
    4. 実際の製造プロセスはシンプルな関係ではない
    5. 最も成功したAIモデル:ニューラルネットワーク
    6. モデルの精度と解釈性のトレードオフ
  3. 製造プロセスにおけるPIの活用 〜アプローチと効果〜
    1. AI×最適化で「実験しなくても最適条件が見つかる」
    2. 最適化とは何か 〜目的関数と制約の考え方〜
    3. 製造プロセスへのアプローチ類型 (予測/最適化/要因分析)
    4. 事例1 成膜結果予測AIと品質を担保した生産性最大化
    5. 事例2 定性評価のスコア化とロバスト最適化
      • 開発期間 1年→2ヶ月短縮・実験コスト数百万〜数千万削減
    6. 事例3 ロギングデータ活用による不良要因分析
    7. 事例4 シミュレーション×AIによる装置の構造最適化
    8. 他業界への展開例
      • 食品
      • 射出成形
      • 配管洗浄
      • 塗装ロボット等
    9. AIの得意領域と人間 (エキスパート) の得意領域の使い分け
  4. PI導入の落とし穴と対処
    1. 学習データの落とし穴
      • データ不足
      • 偏り
      • フォーマット不統一
    2. 説明変数の落とし穴 〜目的変数に寄与するデータがない〜
    3. AI運用の落とし穴
      • 精度が出ない
      • 陳腐化
      • 現場の不信感
    4. よくある質問・トラブル・ケーススタディ
      • Q1. 取得データ数が少ない場合でも大丈夫なのか?
      • Q2. あまりにも的外れなデータが検出された時の対処とは?
      • Q3. どんな設備が必要で、どのくらいのコストがかかるのか?
  5. PIプロジェクトのはじめ方 〜プロジェクトの流れを知る〜
    1. 構想・検証 (PoC) ・実装・運用の全体フロー
    2. テーマ選定の4条件と「効果のある」領域の狙い方
    3. AI活用に向いているテーマ/向いていないテーマ
    4. テーマの具体化
      • 目標
      • ユースケース
      • データ要件
      • 運用
    5. PoCがなぜ重要か
      • 撤退判断
      • データの壁
      • 使えないモデル
    6. データ問題の典型パターン
      • 目的不一致
      • 未取得
      • 信頼性
    7. スケジュール・体制・リスクの洗い出し
    8. 失敗例:「ランダムウォーク型開発」に陥らないために
  6. 総括・質疑応答
    • 今日から始める第一歩 〜AI活用自体を目的にしない〜

受講料

複数名同時受講割引について

アカデミック割引

日本国内に所在しており、以下に該当する方は、アカデミック割引が適用いただけます。

アーカイブ配信セミナー