少ないデータによる異常検知技術の導入と活用方法

★データ拡張、転移学習、ドメイン適応...足りないデータをどのように補うか！★少量データから有用な情報を抽出する方法とは！！

セミナー講師

１．(株)ブライトヴォックス　取締役 CTO　笠原 亮介 氏２． (株)東芝　研究開発センター　エキスパート／　　　　 九州大学　マス・フォア・インダストリ研究所　特任教授　山口 晃広 氏３． (株)Argopilot　代表取締役社長　相馬 知也 氏

セミナー受講料

  1名につき60，500円（消費税込み、資料付）　〔1社2名以上同時申込の場合1名につき55，000円（税込）〕

受講について

■　Live配信セミナーの視聴環境について

• 本講座はZoomを利用したLive配信セミナーです。セミナー会場での受講はできません。
• 下記リンクから視聴環境を確認の上、お申し込みください。　→ https://zoom.us/test
• 開催日が近くなりましたら、視聴用のURLとパスワードをメールにてご連絡申し上げます。
• セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
• Zoomクライアントは最新版にアップデートして使用してください。
• Webブラウザから視聴する場合は、Google Chrome、Firefox、Microsoft Edgeをご利用ください。
• パソコンの他にタブレット、スマートフォンでも視聴できます。
• セミナー資料はお申込み時にお知らせいただいた住所へお送りいたします。お申込みが直前の場合には、開催日までに資料の到着が間に合わないことがあります。ご了承ください。
• 当日は講師への質問をすることができます。可能な範囲で個別質問にも対応いたします。
• 本講座で使用される資料や配信動画は著作物であり、録音・録画・複写・転載・配布・上映・販売等を禁止いたします。
• 本講座はお申し込みいただいた方のみ受講いただけます。
• 複数端末から同時に視聴することや複数人での視聴は禁止いたします。
• Zoomのグループにパスワードを設定しています。
• 部外者の参加を防ぐため、パスワードを外部に漏洩しないでください。万が一部外者が侵入した場合は管理者側で部外者の退出あるいはセミナーを終了いたします。

セミナープログラム

＜１０：３０〜１２：００＞【第１部】画像認識AIにおける異常検知と少量データに対する対応  (株)ブライトヴォックス　笠原 亮介 氏

【講演趣旨】機械学習を用いた画像認識AIに用いられる要素技術に関して、異常検知や少量データの対応も含めて幅広く解説します。機械学習の基本概念から始め、それを使った画像認識AIの処理フローや学習データ、特徴量、性能評価方法を紹介し、いくつか実際の応用例に関しても説明します。画像認識AIの開発や導入を検討している方におすすめします。

【講演項目】1.機械学習の基礎と画像認識　1-1.機械学習とは　1-2.さまざまな機械学習アルゴリズム　1-3.異常検知　1-4.一般的な画像認識AIの処理フロー　1-5.学習データ　1-6.特徴量　1-7.性能評価　1-8.少量データに対する対応策　1-9.データ拡張　1-10.転移学習　1-11.ドメイン適応　1-12.機械学習を用いた開発のポイント2.画像認識技術のアプリケーション例　2-1.鋳造部品の画像検査アルゴリズム例　2-2.路面凍結部検出アルゴリズム例　2-3.転移学習を使った欠陥検査例

【質疑応答】

＜１３：００〜１４：３０＞ 【第２部】説明性の高い時系列波形データ分析向けAIの活用と異常データが少ない場合の評価指標  (株)東芝／九州大学　山口 晃広 氏

【講演趣旨】インフラや製造分野では，時系列波形データを用いたAIによる高信頼かつ効率的な設備診断が注目されている．このような産業分野では，AIの判定性能を向上させるだけでなく，波形を確認する現場の専門家がAIの判定根拠を解釈できるという説明性が求められる．また，高信頼な設備では異常データが得られる機会は稀である．本講演では，AIの説明性，異常検知，時系列波形データなどの基礎知識を説明し，我々の開発した正常波形のみで学習する説明性の高い異常検知AIを解説し，変電所開閉装置への適用事例も示す．

【講演項目】1.AIによる一般的なクラス分類　1-1.問題設定　1-2.簡単なクラス分類方法2.AIの説明性　2-1.AIの説明性における課題や要件　2-2.AIで説明性を実現するアプローチ3.時系列波形データ分析手法　3-1.時系列波形データの特徴や課題　3-2.公開データ（UCR Time Series Archive）の紹介　3-3.説明性の高い時系列波形クラス分類手法（Shapelets学習法）4.AIによる一般的な異常検知　4-1.異常データが少ない場合の課題　4-2.異常データが少ない場合の対策（オーバーサンプリング，コストセンシティブ学習，1クラス分類）5.異常データが少ない場合の評価指標　5-1.再現率，適合率, F値　5-2.ROC曲線, AUC6.正常波形データのみで学習する説明性の高い異常検知AI（OCLTS）　6-1.動作原理　6-2.変電所開閉装置への適用事例【質疑応答】

＜１４：４５〜１６：１５＞【第３部】少量データでの異常検知と生成AIの産業現場導入、活用のポイント  (株)Argopilot　相馬 知也 氏

【講演趣旨】本講演では、少ないデータでの異常検知技術の効果的な導入と活用方法を中心に解説するとともに、最近話題となっている生成AIの産業現場での応用について解説します。異常検知におけるデータ前処理の重要性と、データ不足を克服する具体的手法に焦点を当て、前処理によるデータ生成や足りないデータを集める際のポイントを解説します。また、巷で盛り上がっている生成AIは、現代の生産／保全現場で抱える課題の解決策と考えられますが、適用検討が進んでいるとは言えない状況です。なぜ進まないのかを考えるとともに、進めていくための方法や効果的な活用、体制などについて提案を交えてお話しします。

【講演項目】 1.はじめに　1-1.講演の目的と概要2.異常検知技術の基礎　2-1.異常検知技術の基本的な概念と重要性　2-2.少量データでの異常検知における課題3.データ前処理の重要性とその手法　3-1.異常検知におけるデータ前処理の役割　3-2.ノイズ除去とデータクレンジングの実践　3-3.少量データからの有用な情報抽出方法4.少ないデータでの異常検知に対応する技術　4-1.転移学習の応用　4-2.データオーグメンテーション（データ拡張）技術の活用　4-3.モデルのパラメータ調整と最適化の方法5.生成AIの産業現場での活用　5-1.生成AIを用いたデータ補完とその技術的可能性　5-2.生成AIが生産現場の課題解決にどう貢献できるか　5-3.実際の応用事例紹介6.生産／保全現場での生成AI導入が進まない理由とその打開策　6-1.生成AIが進展しない背景にある課題の分析　6-2.効果的な導入方法と活用の提案　6-3.生産／保全現場での推進体制構築7.リアルタイム異常検知の新しいアプローチ　7-1.エッジコンピューティングを利用した異常検知　7-2.リアルタイムデータ活用による生産性向上8.まとめと今後の展望

【質疑応答】