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。

主な受講対象者

• 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

期待される効果

• 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

セミナープログラム（予定）

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

備考

※LIVE配信をお申込みの方は、追加料金なしでアーカイブ配信の受講が可能です。
セミナー開催日当日（10/7）に受講可能な方は、LIVE配信での受講をお勧めします。
開催日当日の受講が難しい方は、アーカイブ配信受講のお申込みをご検討ください。

【複数名受講割引あり】

同一企業様から複数名同時にお申し込み頂くと、人数に応じて下記割引が適用されます。
［2名様⇒20％、3名様⇒30％、4名様⇒40％、5名様以上⇒50％ の割引となります］