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?
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を具体例を解説!

AI/機械学習と従来型実験データの実用的な組み合わせ方法【LIVE配信】

※本セミナーはZOOMを使ったLIVE配信セミナーです。会場での参加はございません。

※受付を終了しました。最新のセミナーはこちら

セミナー概要
略称
AI実験データ【WEBセミナー】
セミナーNo.
241213
開催日時
2024年12月06日(金) 10:30~16:30
主催
(株)R&D支援センター
問い合わせ
Tel:03-5857-4811 E-mail:info@rdsc.co.jp 問い合わせフォーム
価格
非会員:  55,000円 (本体価格:50,000円)
会員:  49,500円 (本体価格:45,000円)
学生:  55,000円 (本体価格:50,000円)
価格関連備考
会員(案内)登録していただいた場合、通常1名様申込で55,000円(税込)から
 ★1名で申込の場合、49,500円(税込)へ割引になります。
 ★2名同時申込で両名とも会員登録をしていただいた場合、計55,000円(2人目無料)です。
 ★3名以上同時申込は1名につき27,500円(税込)です。
■ 会員登録とは? ⇒ よくある質問
定員
30名 ※現在、お申込み可能です。満席になり次第、募集を終了させていただきます。
備考
資料付き【PDFで配布いたします】

【Zoomを使ったWEB配信セミナー受講の手順】
1)Zoomを使用されたことがない方は、こちらからミーティング用Zoomクライアントを
  ダウンロードしてください。ダウンロードできない方はブラウザ版でも受講可能です。
2)セミナー前日までに必ず動作確認をお願いします。Zoom WEBセミナーのはじめかたに
  ついてはこちらをご覧ください。
3)開催日直前にWEBセミナーへの招待メールをお送りいたします。当日のセミナー開始
  10分前までに招待メールに記載されている視聴用URLよりWEB配信セミナーにご参加
  ください。

・セミナー資料は開催前日までにお送りいたします。
 無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。
講座の内容
受講対象・レベル
・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
習得できる知識
・R&D部門のデータ共有、利活用の実情
・属人的データ共有状況が生み出される原因
・属人的データ共有状況が引き起こす問題
・報告書の共有で期待して良いこと、良くないこと
・機械学習などのMIの特性と注意すべき点
・機械学習などのMIの研究への組み込み方法
・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?
・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
・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
・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
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ます。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を具体例をもとに、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。
プログラム

1.はじめに
  1-1 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.AI、機械学習に必要な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 報告書の共有で期待して良いこと、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
  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 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
  6-3 データ蓄積、データベース化着手時に陥りがちな落とし穴とそれを防ぐ方策
  6-4 データ蓄積、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

キーワード
技術者,研究者,LIMS,実験,ノート,WEBセミナー,オンライン
関連するセミナー
関連する書籍
関連する通信講座
関連するタグ
フリーワード検索