8/27 製造業で成果を上げるための実践的データ活用術

製造業で成果を上げるための実践的データ活用術

線形モデル・非線形モデルの構築方法、データ前処理、品質予測・異常検出等の応用事例など。
AI時代に理解しておきたいデータ解析の基礎と活用の要点を解説

講師

京都大学　大学院情報学研究科　教授　博士(工学)　加納 学　氏

専門：プロセスシステム工学，プロセスデータ活用
京都大学大学院工学研究科化学工学専攻の助手・准教授を経て2012年から現職．仮想計測（ソフトセンサー）・異常検出・制御・最適化などの方法開発と産業応用を実施．企業との共同研究も多数実施．

セミナー趣旨

AIが勝手にデータ解析をしてくれる時代が到来した．データとプロンプトを与えれば解析結果を出力してくれる．AIを使わないまでも，自動的に機械学習によるモデル構築を行ってくれるツールもある．ボタンを押すだけで，数多くの方法を試してオススメのモデルを提示してくれる．実に便利だ．しかし，それで大丈夫なのだろうか．間違った使い方をして間違った結論に飛びついていないだろか．実は，これは深刻な問題である．
生産性向上や品質改善を実現するためには，設備や製品に関する知識とデータを活用しなければならず，そのための方法を身に付ける必要がある．ドメイン知識が重要な役割を果たす．製造現場で成果をあげるために，最先端の機械学習手法が必要とは限らない．むしろ，実績豊富な方法を自分の道具箱に入れておき，それらを適材適所で使うことが大切である．目標を達成できるのであれば，手法やモデルはできるだけ単純な方がよい．
そのような観点から，本講座の基礎編では，最低限知っておくべきデータ解析手法を解説し，それらを使用する際に注意すべきこと（弱点）を指摘する．また，地味だが重要なデータ前処理にも触れる．その上で，応用編では，産業応用事例を紹介しながら，転移学習やグレイボックスモデル（ハイブリッドモデル）を含めて，実際に現場で役立つデータ活用術を紹介する．さらに，これまでの数多くの失敗経験から抽出した，データ解析で成果を挙げるための心得３箇条を示す．

セミナー講演内容

１．はじめに：製造業におけるデータ活用について

２．基礎編１：最低限知っておきたい線形モデル構築方法
　2.1 重回帰分析
　2.2 線形判別分析
　2.3 主成分分析
　2.4 多重共線性の問題
　2.5 Ridge回帰とLasso回帰
　2.6 Partial Least Squares (PLS)回帰

３．基礎編２：道具箱に入れておきたい非線形モデル構築方法
　3.1 ガウス過程回帰(GPR)：バラツキを予測する（ベイズ最適化へ）
　3.2 Random Forest：多数決で精度を高める

４．基礎編３：最低限実行するべきデータ前処理
　4.1 データを見る
　4.2 外れ値を検出する
　4.3 変数を変換する

５．応用編１：仮想計測・ソフトセンサー
　5.1 仮想計測・ソフトセンサーの役割
　5.2 実用上の課題
　5.3 Just-In-Timeモデル：装置や原料の特性変化に対応する
　5.4 製品品質の推定制御：局所PLSとモデル予測制御を活用する
　5.5 転移学習・ドメイン適応：データ不足問題を克服し，モデル構築期間を短縮する

６．応用編２：異常検出
　6.1 統計的プロセス管理（SPC）
　6.2 多変量統計的プロセス管理（MSPC）
　6.3 非線形性に対応した異常検出方法（近傍法，one-class SVM，Autoencoder）

７．応用編３：グレイボックス（ハイブリッド）モデル
　7.1 物理モデル＋統計モデル＝グレイボックスモデル
　7.2 グレイボックスモデルによる予測

８．おわりに
　8.1 まとめ
　8.2 データ解析の心得３箇条

　□質疑応答□