| 開催日 | 2026年7月14日(火) |
|---|---|
| 開催地 | Web |
＜セミナー Live配信版 No.607205＞
＜セミナー アーカイブ配信版 No.607205＞
はじめてのＰＩ（プロセスインフォマティクス）
～その考え方，導入のポイント～
★データが少なくても始められる製造DXの第一歩
★データ不足・精度不良・現場不信を回避するコツ
★PIで「成果が出る企業」と「出ない企業」の違い
★仕組み・効果・導入設備や始め方のポイント
★失敗事例から学ぶ，PIの見落としがちな落とし穴と回避策
★ＰＩを現場実装までつなげるために
■ 講師
アイクリスタル(株) ソリューション事業部 部長 川手 章也 氏
【略歴】 2015年3月 名古屋大学 工学部 機械航空工学科 卒業
2023年6月 株式会社デンソー 退社
2023年7月 アイクリスタル株式会社 入社
2024年7月 同社 ソリューション事業部 部長 就任（現任）
■ 開催要領
日時：
【Live配信】２０２６年７月１４日(火) １０：３０～１６：３０
【アーカイブ（録画）配信】２０２６年７月２４日まで受付（視聴期間：７月２４日～８月３日まで）
会場：ZOOMを利用したLive配信またはアーカイブ配信 ※会場での講義は行いません
聴講料：1名につき５５ ,０００円（消費税込，資料付）
〔１社２名以上同時申込の場合１名につき４９，５００円（税込）〕
〔大学，公的機関，医療機関の方には割引制度があります。詳しくはお問い合わせ下さい〕
■申し込み時のお願い
本セミナーは【Live版】か【アーカイブ版】の何れか，選択制となります。原則として申し込み後の変更は出来ませんのでご留意願います。ご不明の際は本セミナーの企画担当までお問合せ願います。
■セミナーの受講について
・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
・開催数日前または配信開始日までに視聴用のURLとパスワードをメールにてご連絡申し上げます。
セミナー開催日時またはアーカイブ配信開始日に、視聴サイトにログインしていただきご視聴ください。
・出席確認のため、視聴サイトへのログインの際にお名前、ご所属、メールアドレスをご入力ください。
ご入力いただいた情報は他の受講者には表示されません。
・開催前日または配信開始日までに、製本したセミナー資料を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、開催日または配信開始日までに資料の到着が間に合わないことがあります。
・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。
・アーカイブ配信セミナーの視聴期間は延長しませんので、視聴期間内にご視聴ください。
プログラム
【講座の趣旨】
製造データとモデルを組み合わせ，プロセスの理解・予測・最適化を加速する「プロセスインフォマティクス（PI）」について，その考え方と導入のポイント，陥りがちな落とし穴まで，これから初めて学ぶ方にも分かりやすく平易に解説します。
【セミナープログラム】
１．プロセスインフォマティクス(PI)の全体像を知る
1.1 PI・AIの身近な例とイメージ
1.2 AI・機械学習・深層学習・生成AIの関係性
1.3 「明確なAIの定義は存在しない」 ～PIの位置づけ～
1.4 AI/PIにおける「学習」とは何か
２．PIのしくみ ～本質を知る～
2.1 身近な例(身長と体重)で理解するAIの学習
2.2 AIによる予測とは ～測定しなくても結果がわかる～
2.3 説明変数と目的変数 ～何を入れ，何を出すか～
2.4 実際の製造プロセスはシンプルな関係ではない
2.5 最も成功したAIモデル：ニューラルネットワーク
2.6 モデルの精度と解釈性のトレードオフ
３．製造プロセスにおけるPIの活用 ～アプローチと効果～
3.1 AI×最適化で「実験しなくても最適条件が見つかる」
3.2 最適化とは何か ～目的関数と制約の考え方～
3.3 製造プロセスへのアプローチ類型(予測／最適化／要因分析)
3.4 事例① 成膜結果予測AIと品質を担保した生産性最大化
3.5 事例② 定性評価のスコア化とロバスト最適化
（開発期間 1年→2ヶ月短縮・実験コスト数百万～数千万削減）
3.6 事例③ ロギングデータ活用による不良要因分析
3.7 事例④ シミュレーション×AIによる装置の構造最適化
3.8 食品・射出成形・配管洗浄・塗装ロボット等 他業界への展開例
3.9 AIの得意領域と人間(エキスパート)の得意領域の使い分け
４．PI導入の落とし穴と対処
4.1 学習データの落とし穴 ～データ不足・偏り・フォーマット不統一～
4.2 説明変数の落とし穴 ～目的変数に寄与するデータがない～
4.3 AI運用の落とし穴 ～精度が出ない・陳腐化・現場の不信感～
4.4 よくある質問・トラブル・ケーススタディ
Q1 取得データ数が少ない場合でも大丈夫なのか？
Q2 あまりにも的外れなデータが検出された時の対処とは？
Q3 どんな設備が必要で，どのくらいのコストがかかるのか？
５．PIプロジェクトのはじめ方 ～プロジェクトの流れを知る～
5.1 構想・検証(PoC)・実装・運用の全体フロー
5.2 テーマ選定の4条件と「効果のある」領域の狙い方
5.3 AI活用に向いているテーマ／向いていないテーマ
5.4 テーマの具体化(目標・ユースケース・データ要件・運用)
5.5 PoCがなぜ重要か ～撤退判断・データの壁・使えないモデル～
5.6 データ問題の典型パターン(目的不一致・未取得・信頼性)
5.7 スケジュール・体制・リスクの洗い出し
5.8 失敗例：「ランダムウォーク型開発」に陥らないために
６．総括・質疑応答
6.1 今日から始める第一歩 ～AI活用自体を目的にしない～
【質疑応答】
