製造現場でのAI活用とIoT

人工知能・各種分析技術・ディープラーニングは製造業に革命をもたらすか？

講師

日本電気（株） AI・アナリティクス事業開発本部
シニアデータアナリスト　相馬 知也 先生
【講師紹介】
　1988年　ＮＥＣソリューションイノベータ入社。電力会社を中心とした設備管理保全システムの構築に携わる。2010年からAIを活用した発電設備の監視保全に取り組む。2011年よりNECへ出向。2013年より産業機器への適用まで範囲を広げ現在に至る。
　現在、シニアデータアナリスト、ビジネスコンサルタントとして、IoTとAIを活用した設備監視/保全の高度化を推進中。

テクノスデータサイエンス・エンジニアリング（株） コンサルティンググループ
執行役員常務 　博士（理学） 池田 拓史 先生
【講師紹介】
　1999年筑波大学博士課程物理学研究科物理学専攻を修了、博士（理学）。その間、1995-97アメリカFermi国立加速器研究所において客員科学者。1999年にビジネス界に転身後、データサイエンス／データマイニングコンサルタントとして通信、金融、保険、製造、営業、小売などさまざまなビジネス分野のデータ分析プロジェクトを経験。現在はテクノスデータサイエンス・エンジニアリング株式会社の執行役員として多数のデータサイエンティストを育成、リードしている。社団法人人工知能ビジネス創出協会　運営委員。

NTTコミュニケーションズ（株） 技術開発部　伊藤 浩二 先生
【講師紹介】
　1998年ＮＴＴに入社。主にNTT研究所にてセマンティックウェブ技術を用いたユーザープロファイリング技術の研究開発に従事。2014年よりNTTコミュニケーションズにおいて、IoT向けDeep Learning技術の研究開発及び、新規ビジネス立ち上げに従事し現在に至る。

※ セミナー講師も執筆！「製造現場・工場におけるIoTの利用と可能性」好評申込受付中！
https://www.monodukuri.com/dvd_library/dt/476/

受講料

1名46,440円(税込（消費税8％）、資料・昼食付)
＊1社2名以上同時申込の場合 、1名につき35,640円
＊学校法人割引 ；学生、教員のご参加は受講料50％割引。

セミナー内容

★第１部（１０：３０～１２：００）
製造業でのAI活用とIoT
日本電気　相馬 知也 先生

■はじめに
　昨今、大規模プラント、生産設備の保全においてIoT×AIの活用に関する検討が活発になっています。
ここでは、AI活用の事例と最先端の分析技術について事例をまじえて説明します。

■得られる知識
・IoT×AIを現場の生産設備監視にどう組み合わせるか
・蓄積されたデータの活用方法
・運転データを分析する上で注意すべきこと

■特記事項
　自社におけるデータ活用の課題、生産現場にどのようなデータがあるかを事前に調べておいていただくと、講義内容を自社の内容にイメージしやすくなります。

■内容目次
1.IoT×AIの概要と適用のポイント

2.生産設備／プラント設備保全における課題
　2.1 保全現場において発生している課題
　2.2 技能伝承における課題
　2.3 コスト削減における課題

3.IoT×AIによる設備監視の高度化とは
　3.1 IoTによる設備のモニタリングとは
　3.2 蓄積されたデータをAIによって活用する
　3.3 IoTとAIを活用し監視を高度化する
　3.4 インバリアント分析による設備監視の高度化

4.適用/検証事例

5.おわりに
　5.1 社内における予算獲得のポイント
　5.2 新しいプロジェクトをどう進めるか

＜質疑応答＞

★第２部（１２：４５～１４：１５）
製造業でのAI活用におけるデータ分析
テクノスデータサイエンス・エンジニアリング　池田 拓史 先生
 
■はじめに
　AIという言葉で代表される様々な種類のデータ分析技術を、どのようなケースでどれを使うべきなのかを考えます。

■得られる知識
・なぜモデルをつかってビジネス課題が解決できるのか
・解決にはどのようなパターンがあるのか
・モデル技術以外にどのような要素を考慮すべきなのか
・良く使われるＡＩ技術は何をやっているのか

■特記事項
・第２部のテーマに深層学習は含まれません
・言葉で補足しますので数学的な知識は不要ですが、数式を用いたスライドを用います

■内容
1.モデルを取り巻く諸要素の関係性

2.モデルとは何か

3.ビジネス課題の解決パターン
　3.1 予測や推定
　3.2 システムのコントロール
　3.3 異常データの検知
　3.4 成功パターンの模倣
　3.5 変数の効果の抽出
　3.6 隠れた構造の抽出

4.データの量や品質

5.実世界への接続方法

6.代表的なモデル技術は何をやっているのか
　6.1 線形回帰
　6.2 ロジスティック回帰
　6.3 多項ロジスティック回帰
　6.4 COX回帰
　6.5 ニューラルネットワーク
　6.6 決定木
　6.7 ランダムフォレスト
　6.8 勾配ブースティング木
　6.9 サポートベクトルマシン
　6.10 １クラスＳＶＭ
　6.11 潜在クラス・クラスタリング

＜質疑応答＞

 
★第３部（１４：３０～１６：００）
ディープラーニングを用いたIoTデータ分析最前線
NTTコミュニケーションズ　伊藤 浩二 先生

■はじめに
　第３部では、AI(Deep Learning)をIoTデータ（センサデータや映像データなど）に適用し、異常検知/予測/制御/要因分析などの課題を解決するプロセス及び留意するポイントを、実例を踏まえてご説明します。

■得られる知識
IoT×AI(Deep Learning)の現状及びプロジェクトの進め方

■内容目次
1.日本の産業が抱える課題とAIへの期待

2.DeepLearningの概要

3.Deep Learningが注目される理由

4.なぜ今、Deep Learningなのか

5.IoTデータ向けDeep Learningとは

6.IoTデータ向けDeep Learningの難しさ

7.パラメータの自動チューニング

8.DeepLearningを用いた異常検知

9.検知、予知から制御へ

10.事例紹介

11.IoT×Deep Learningプロジェクトの基本的な進め方

12.課題の把握とデータの確認
 
13.データ収集/作成

14.学習と評価

15.システムの実装例

16.今後の展開

＜質疑応答＞