|
【講座の趣旨】
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。
【セミナープログラム】
１．プロセスインフォマティクス(PI)の全体像を知る
1.1 PI・AIの身近な例とイメージ
1.2 AI・機械学習・深層学習・生成AIの関係性
1.3 「明確なAIの定義は存在しない」 ～PIの位置づけ～
1.4 AI/PIにおける「学習」とは何か
２．PIのしくみ ～本質を知る～
2.1 身近な例(身長と体重)で理解するAIの学習
2.2 AIによる予測とは ～測定しなくても結果がわかる～
2.3 説明変数と目的変数 ～何を入れ，何を出すか～
2.4 実際の製造プロセスはシンプルな関係ではない
2.5 最も成功したAIモデル：ニューラルネットワーク
2.6 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～
3.1 AI×最適化で「実験しなくても最適条件が見つかる」
3.2 最適化とは何か ～目的関数と制約の考え方～
3.3 製造プロセスへのアプローチ類型(予測／最適化／要因分析)
3.4 事例① 成膜結果予測AIと品質を担保した生産性最大化
3.5 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）
3.6 事例③ ロギングデータ活用による不良要因分析
3.7 事例④ シミュレーション×AIによる装置の構造最適化
3.8 食品・射出成形・配管洗浄・塗装ロボット等 他業界への展開例
3.9 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
4.1 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～
4.2 説明変数の落とし穴 ～目的変数に寄与するデータがない～
4.3 AI運用の落とし穴 ～精度が出ない・陳腐化・現場の不信感～
4.4 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～
5.1 構想・検証(PoC)・実装・運用の全体フロー
5.2 テーマ選定の4条件と「効果のある」領域の狙い方
5.3 AI活用に向いているテーマ／向いていないテーマ
5.4 テーマの具体化(目標・ユースケース・データ要件・運用)
5.5 PoCがなぜ重要か ～撤退判断・データの壁・使えないモデル～
5.6 データ問題の典型パターン(目的不一致・未取得・信頼性)
5.7 スケジュール・体制・リスクの洗い出し
5.8 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
6.1 今日から始める第一歩 ～AI活用自体を目的にしない～
【質疑応答】
|
