|
【講座の趣旨】
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？、AI、機械学習、生成AIを実際の実験研究にどのように組み入れていくべきか？、どのように人材の育成を行っていくべきか？に関して、説明をさせていただきます。
【講座内容】
第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、分析を意識したデータ蓄積方法とその運用
4-1.データ探査を意識したデータ蓄積方法
4-2.データ分析は、どのようにして行うのか？
4-3.データ共有、利活用状況を改善するために必要なプロジェクトチームの作り方
4-4.プロジェクトメンバーに求められる資質
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
7.まとめ
【質疑応答】
|
