製造業ＤＸにおける異常検知技術の活用～DX・AIの基礎からAIによる異常検知技術の適用展開まで～

DX（デジタルトランスフォーメーション）の浸透により大きなニーズが見込まれるAI型異常検知技術！DX・AI技術の基礎的な知識や要点もふまえ、その考え方や適用のポイントを実践的テクニックも交え解説します！ 

セミナー講師

 電気通信大学 i-パワードエネルギーシステム研究センター＆基盤理工学専攻 教授 　曽我部 東馬 氏

■ご略歴理学博士（物理学専攻）。マックス・プランク研究所（独）博士研究員、ケンブリッジ大学（英）研究員を経て、2009年帰国。(株)グリッドの創設メンバーとして取締役最高技術責任者を務める。2011年より東京大学先端科学技術研究センター特任助教、特任准教授を歴任、2016年より電気通信大学教授。先進デバイス技術とAI技術融合研究ステーション長。東京大学先端科学技術研究センター客員研究員(兼務）。AIと量子物理の研究者。応用物理学とAIの掛け合わせによる研究開発を得意とする。現在は、(株)GRID＊との共同研究としてエネルギー、物流、交通等といった社会インフラシステムにおけるAIを用いた最適化、製造業における故障予測や異常検知の研究開発を先導。経産省の国家プロジェクトとして「AI最適化手法を用いた新材料開発透明型太陽電池の開発」に従事。さらに次世代の量子コンピュータのアルゴリズム開発に精力的に取り組みながら、経産省の量子コンピューターとAI関連の技術委員や審査委員として、最先端の国家プロジェクトの審査やアドバイスを行っている。2019年6月に「強化学習アルゴリズム入門」オーム社、2021年2月に「Pythonによる異常検知」オーム社を出版。2024年8月下旬に「Pythonではじめる量子AI入門量子機械学習から量子回路自動設計まで」科学情報出版社から出版予定。【(株)GRIDの事業展開について】https://gridpredict.jp/■ご専門および得意な分野・ご研究理論物理計算、AI、強化学習、機械学習/深層学習/深層強化学習の数理モデリング、最適化、量子コンピュータ、量子アルゴリズム、エネルギー学、透明型太陽電池、水素生成デバイス開発、再生可能エネルギーシステムの最適化■本テーマ関連のご活動曽我部 東馬 著、曽我部 完 監修 :「Pythonによる異常検知」オーム社（2021/02/26）曽我部 東馬:「強化学習アルゴリズム入門―「平均」からはじめる基礎と応用」オーム社（2019/05）曽我部 東馬 著：「Pythonではじめる量子AI入門量子機械学習から量子回路自動設計まで」科学情報出版社（2024/8月下旬出版予定）曽我部 東馬、笠原 亮介ら共著:「機械学習を中心とした異常検知技術と応用提案 情報機構」（2019/11）■主要な所属学会日本応用物理学会、日本人工知能学会、情報処理学会（量子ソフトウエア研究会：運営委員）■関連する講演・2017年4月 東京大学、電気通信大学（曽我部研究室）、(株)グリッドの産学連携プロジェクト「人工知能ラボ開設記念講演」にて  「量子物理と深層学習を癒合した量子人工知能の開発」について基調講演。・2017年5月 スタンフォード大学にて「GRID Inc: Deep learning framework for industrial and    engineering optimization application～産業最適化のための深層学習フレームワーク～」として公開講座に登壇。・2017年～2024年　セミナー「強化学習・深層強化学習入門：基本・最新アルゴリズムから応用まで」等、延べ40回以上講演

セミナー受講料

【オンラインセミナー（見逃し視聴なし）】：1名47,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円

【オンラインセミナー（見逃し視聴あり）】：1名52,800円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき41,800円

＊学校法人割引；学生、教員のご参加は受講料50％割引。

受講について

• 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。（開催1週前～前日までには送付致します）※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。（土、日、祝日は営業日としてカウント致しません。）
• 受講にあたってこちらをご確認の上、お申し込みください。
• Zoomを使用したオンラインセミナーです→環境の確認についてこちらからご確認ください
• 申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です→こちらをご確認ください

セミナー趣旨

  DX（デジタルトランスフォーメーション）とは、企業がデジタル技術を活用してビジネスモデルや業務プロセスを根本から革新する取り組みです。DX化を支える肝となるのがAI技術ですが、今やビジネスモデルにおいてAI導入は最終目的ではなく、DXの文脈のなかでAIをいかに活用し、ビジネスモデルの変革を実現できるのかが求められています。  このような状況下、産業の現場でDXを推進するにあたり、おそらく最も大きなニーズがAIを用いた異常検知技術の活用でしょう。本セミナーでは、DX推進の中でも特に製造業への異常検知技術の具体的な活用展開について、DX・AI技術の基礎的な知識もふまえ解説します。異常検知の技術は、従来型（確率統計に基づく異常検知技術）とAI型（深層学習を用いた異常検知技術）がありますが、ここではDX時代にマッチした「AIを用いた異常検知技術の活用」について、その考え方や手法の選択・適用のポイント等もふまえわかりやすく説明します。  また、本セミナーでは理論的な解説に加え、講師自身が企業との共同研究で得た知見や実践的なテクニックも紹介する予定です。

受講対象・レベル

・DXに興味のある方・DXに向けてAIを用いた異常検知技術を活用したい方・AIを用いた異常検知を基礎から勉強したい方・深層学習を実践的に用いたい方・深層学習分野における信頼性や解釈性に興味のある方　など

習得できる知識

・企業におけるDX導入・取り組みへの基礎知識と方向性・DXの中でAIをどのように活用していけば良いのか・製造業へのDX推進の手段として、特にAIによる異常検知技術の適用展開　など

セミナープログラム

第Ⅰ部：DX（デジタルトランスフォメーション）に求められることとその要件1. DXとは？ 2. DX注目の契機「2025年の崖」3. DX-Ready―DXに取り組むための準備が整っている状態とは―4. DXにおけるUX・CXの重要性5. DXにおけるデータの重要性6. DXとSDGsとのかかわり7. DXのメリットと DXのデメリット（懸念点）8. DXから考える：As a Service化（XaaS）9. DX人材に必要な基礎知識・スキル10. ビジネスでのDX推進法第Ⅱ部：DXを支える要素技術とAI技術とのかかわり～製造業DXへのAI・データ活用展開～1. ビッグデータ2. AI（人工知能）3. IoT・センサー4. 5G（次世代通信）5. VR・AR6. クラウドサービス7. 量子コンピュータ8. ロボティクス9. 製造業におけるデジタル技術のインパクト10. 製造業企業のデータ活用11. 応用事例：　　・DX事例1　　・DX事例2第III部：製造業DXに向けたAI技術～機械学習・ディープラーニングの基礎と異常検知適用の考え方～1. 製造業DX適用に向け、機械学習の原理と手法を簡潔に分かりやすく説明　　・サポートベクトルマシン(SVM)　　・主成分分析PCA/t-SNE/トポロジーデータ解析法(TDA)　　・競合学習・SOM・K-NN・EMアルゴリズムの原理と相互関連性　　・決定木の各手法・ランダムフォレスト　　・Extreme learning machine手法の紹介　　・RNNとRNN-LSTMのわかりやすい説明　　・ベイズ原理からカルマンフィルターをわかりやすく説明　　・ベイズ原理から粒子フィルターをわかりやすく説明2. 製造業DX適用に向け、各ディープラーニングの手法と原理を簡潔にわかりやすく説明　　・畳み込みニューラルネットワーク(CNN)の原理及び有用性・限界等　　・graph-CNNについて　　・時系列データに対するCNN　　・自己符号化器(AE)　　・RBMとRBM-DBNの紹介3. 異常検知の考え方や手法の選択・適用のポイント等をわかりやすく説明　　・異常検知の考え方　　・異常検知への各手法の選択法　　・異常検知への適用の際のポイントと留意点第Ⅳ部：製造業DXにおけるAI型異常検知技術の応用事例1. 品質検査（表面・外観検査）におけるディープラーニングの手法の応用　(1) 最新技術と手法及び応用事例の紹介　　・熱間圧延ストリップ鋼表面解析　　・溶接欠陥解析　　・航空機ファンブレード用チタン合金表面　(2) CNNに基づく転移学習の紹介　(3) 転移学習を用いたCNN学習モデルによる表面・外観検査の学習結果の解析　(4) 従来の機械学習手法の解析結果との比較2. 故障評価のための診断解析　(1) 技術の背景及び応用事例の紹介　　・軸受故障解析　　・変速機故障解析　　・回転子故障解析　(2) CNNによる特徴抽出と故障診断　(3) AEによる故障診断　(4) Extreme learning machine深層学習手法　(5) スパースフィルタリングによる故障診断　(6) RBM-DBNとSVMを融合したマルチモーダル手法3. 欠陥・寿命予測解析手法　(1) LSTM-RNNによる欠陥予測　(2) 競合学習とLSTMの融合による予測　(3) 双方向LSTMとCNNの融合による予測　(4) 粒子フィルターとRBM-DBNの融合による予測　(5) 欠陥・寿命予測解析応用事例　　・転がり軸受長期寿命予測　　・機械加工における工具摩耗寿命予測　　・ハイブリッド玉軸受寿命予測4. 学習モデル　(1) 学習モデル選択　(2) データの高次元性・非構造多様性・不均等性の対策　(3) 学習結果の可読性と可視化＜質疑応答＞