受講概要
このセミナーで解決できる課題
- 研究・実験データが担当者ごとに個別管理され、部門内で共有や再利用がほとんど進まない
- Excelでデータを残しているが、後から検索や分析に使える形式で項目化されていない
- 機械学習などのAIツールを整備したものの、実際の実験研究にどう組み込むか定まらない
こんな方におすすめ
- 研究・実験データの共有や利活用を推進したいR&D部門の担当者
- Excelでのデータ蓄積から着手したい材料・化学系の研究開発者
- MIや機械学習の実運用化に取り組む研究開発部門の企画・推進担当者
よくある質問
- 受講にあたって必要な前提知識はありますか？
- 特別な予備知識は求められていません。ただし、自社のR&D部門でデータがどのように扱われているかを把握している、あるいは知りたいという問題意識を持って参加することが望ましいとされています。データ活用の検討段階にある方でも内容を追いやすい構成です。
- 受講形式とアーカイブ配信の内容を教えてください。
- Zoomを利用したオンライン配信によるWEB受講のみの形式です。当日のライブ配信に加えてアーカイブ配信があり、配信期間の7日間は何度でも視聴できます。講義の最後にはQ&Aの時間も設けられています。
- データベースや機械学習についてはどこまで扱いますか？
- MIの特性と注意点、研究への組み込み方法に加え、R&Dでデータベースが必要な理由、データベースと機械学習を連携させる際の注意点を解説します。さらにデータ共有システムの導入時・運用後に陥りやすい落とし穴と、その防止策も具体例をもとに取り上げます。
プログラム
１．はじめに
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
2.1 R&D部門のデータ蓄積の実情
2.2 属人的データ蓄積状況が生み出される原因
2.3 属人的データ蓄積状況が引き起こす問題
３．データ共有はどう実現し、何が期待できるか？
3.1 属人的データ蓄積状況を脱するために必要な方策
3.2 報告書の共有及び生成AIに期待して良いこと、良くないこと
3.3 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Excelでのデータ蓄積方法とその運用
4.1 データ探査、分析を意識したExcelでのデータ蓄積方法
4.2 何を項目化し、何をファイルのまま蓄積するべきなのか？
4.3 データ分析は、どのようにして行うのか？
4.4 Excelの限界
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？
5.1 機械学習などのMIの特性と注意すべき点
5.2 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と対策
6.1 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？
6.2 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
6.3 データ共有システム導入時に陥りがちな落とし穴とそれを防ぐ方策
6.4 データ共有システム運用後陥りがちな落とし穴とそれを防ぐ方策
Q&A
受講形式
WEB受講のみ
※本セミナーは、Zoomシステムを利用したオンライン配信となります。
オンラインでご参加の方は、事前にこちらでZoomの接続環境をご確認ください。
スムーズな受講のため、カメラ・マイク・スピーカーの動作をご確認ください。
受講対象
・まずは、Excelレベルでデータ蓄積をしていきたい方
・機械学習などAIツール環境は整備できたが、実運用ベースにのせるのに困っている方
・データ共有、利活用でお困りの方
・蓄積データのデータ分析でお困りの方
・自社及び他の一般的なR&D部門のデータ共有、利用、活用状況を知りたい方
・R&D部門のデータに対して、AIを活用したい、させたいと考えられている方
・R&D部門のデータの利用、活用を推進することのメリットを具体的に知りたい方
予備知識
特にありませんが、R&D部門の自社での実情を知っていたり、知りたいという気持ちが必要です。
習得知識
1）研究・実験データの共有、利活用状況を改善するためのデータ蓄積方法
2）データ共有状況を改善するために必要な方策
3）Excelレベルでのデータ蓄積方法
4）蓄積したデータの分析方法
5）機械学習などのMIの特性と注意すべき点
6）機械学習などのMIの研究への組み込み方法
7）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？
8）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
9）データベース導入時に陥りがちな落とし穴とそれを防ぐ方策
10）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
講師の言葉
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？、Excelでデータ蓄積、利活用をしていくときの注意点とExcelでの限界に関して話をさせていただきます。また、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、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に関して具体例をもとに、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。