……Zoomオンライン受講
……見逃し視聴選択可
・企業の研究開発者のためのデータサイエンス：DX推進
・AIプログラマーに丸投げせず、技術者や研究者がAI応用開発を主導するために
＊企業での導入実績随一：年間の受講者数が1000名を超える、現場を知り尽くした講師が丁寧に解説！
講師
MOSHIMO研 代表 福井 郁磨 氏
（元オムロン（株）、元パナソニック（株）、 元東レ（株）、元LG Electronics Japan Lab（株））
講師紹介
講師紹介
MOSHIMO研ホームページ
Facebookページ
1993年4月～ オムロン(株)：電子部品の原理開発、加工技術開発、ロボットの研究開発、人の聴感判定を機械化した検査装置開発などに従事
2006年6月～ パナソニック(株)：生活家電の要素技術、製品開発などに従事。
2007年11月～ 東レ(株)：液晶ディスプレイなどの微細加工技術開発などに従事
2010年4月～ LG Electronics Japan Lab(株)：関西の新規研究所設立責任者、洗濯機チームリーダー、オープンイノベーション室長を歴任
2015年5月～ MOSHIMO研：製造業支援、開発コンサルティング、生活関連用品などの研究開発に従事
※人工知能応用技術、実験計画法、品質工学に関して、電子部品・ロボット・加工技術・検査技術・生活家電などの分野で、約30年の経験を持つ。
＊日本品質管理学会会員
＜その他関連セミナー＞
機械学習・AI 一覧はこちら
日時・受講料・お申込みフォーム
●日時：2026年1月23日(金) 10:30-17:00 ＊途中、お昼休みや小休憩を挟みます。
●受講料：
【オンライン受講（見逃し視聴なし）】：1名 52,800円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき41,800円
【オンライン受講（見逃し視聴あり）】：1名 58,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき47,300円
＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。
●録音・録画行為は固くお断りいたします。
お申込みはこちらから
配布資料・講師への質問など
●配布資料はPDFなどのデータで配布いたします。ダウンロード方法などはメールでご案内いたします。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡いたします。
・準備の都合上、開催1営業日前の12:00までにお申込みをお願いいたします。
（土、日、祝日は営業日としてカウントしません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。
●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●本講座で使用する資料や配信動画は著作物であり、無断での録音・録画・複写・転載・配布・上映・販売などは禁止いたします。
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@*********（*********にはjohokiko.co.jpを入れてください）
オンラインセミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）
※メールアドレスの記載誤りについては、以下へご連絡お願いいたします。
req@*********（*********にはjohokiko.co.jpを入れてください）
→Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomで音声が聞こえない、カメラ・マイクが使えないなどの事象が起きる可能性がございます。お手数ですが、これらのアプリは閉じた状態にてZoomにご参加ください。
→音声が聞こえない場合の対処例
→一部のブラウザは音声が聞こえないなどの不具合が起きる可能性があります。
対応ブラウザをご確認の上、必ず事前のテストミーティング をお願いします。
（iOSやAndroidOS ご利用の場合は、アプリインストールが必須となります）
→見逃し視聴について、 こちらから問題なく視聴できるかご確認ください。（テスト視聴動画へ）パスワード「123456」
＜見逃し視聴ご案内の流れ・配信期間詳細＞
セミナーポイント
生成AIや大規模言語モデル（LLM）が注目を集め、人工知能は新たな発展期を迎えています。最先端技術は魅力的ですが、製造業の技術者や研究者が日常の開発業務に直接活用するには、依然としてハードルが残るのも事実です。
しかし、ものづくり分野に焦点を当てれば、適切な手法や開発現場のノウハウと組み合わせることで、意外にも容易に導入できます。ディープラーニングを含む人工知能技術にも、アカデミックな技術とは別に、企業の技術者・研究者が安心して使える成熟した「実装適性のある技術」が存在し、これらは研究開発・技術開発現場で高い効果を発揮します。
また、現在でも「ビッグデータ」に関する誤解は多く、言葉だけが独り歩きしている場面が見受けられます。本来の意味や適用範囲を正しく理解し、現場に適合したデータ活用手法を選ぶことで、大量データに頼らず高性能なAIモデルを構築したり、限られたデータから学習用データを増やす「データ増殖」も可能です。こうしたアプローチこそ、今の製造業にとって現実的かつ効果的な人工知能活用の鍵となります。
本講座では、企業の技術者研究者に適した人工知能技術であるニューラルネットワークモデルとMTシステムに関して、基礎的な解説を行った上で、製造業における具体的な事例を用いて応用ノウハウを解説します。
ものづくり技術者にとって、人工知能は目的ではなく、技術課題を解決する手段として使えることが理想的です。
本講座で解説するエンジニアリングに適した人工知能技術を使うことで、技術者は、解決すべき技術課題に集中することが可能になります。
なお、ニューラルネットワークモデルをExcel上で簡単に構築する方法も、デモンストレーションを併用して解説いたします。
○受講対象者
・要素技術、生産システム、加工技術などの分野で人工知能を活用したい開発者の方々
・最先端で未成熟な技術ではなく、製造業で実績があり、簡便に使える人工知能技術を求めている方々
・エクセルのように簡単に使える人工知能技術を求めている方々
・毎年繰返し、同じような製品開発（製品設計と検証、その生産条件出し）を行っていて、その開発効率を高めたい方
・破壊検査などの抜取り検査を全数検査に変え、量産品質トレンドや設備モニタリングを行い、不良を未然に防ぎたい方々
・また、検査工程を作らず、加工工程自体が検査工程になる仮想検査技術を求めている方々
・直接計測不可能な特性を代替え特性から推定するセンサレスセンシング技術を求めている方々
・特定の不良状態を自動的に見つけるだけなく、未知の不良状態（未定義の不良品）を見つける技術が必要な方々
・品質工学や実験計画法などで、離散的な探索では成果の出ない方々
・「革新的ものづくり・商業・サービス開発支援補助金」第四次産業革命型などIoT＆AI関係の補助金獲得を経営課題としてお考えの方々
※人工知能に関する予備知識は必要ありません。
※“生成”AIについては、本セミナーの取り扱い内容には含みません。
※技術コンサルタントの方や、講師業の方は、受講をご遠慮ください。
○受講することで得られる知識／ノウハウ
・要素技術、生産システム、加工技術の開発者に適した人工知能技術（ニューラルネットワークモデル、MTシステム）の基礎知識と応用ノウハウ
・最先端で未成熟な技術ではなく、製造業で実績があり、簡便に使える人工知能の知識
・エクセルのように簡単に使える人工知能構築ツールやアルゴリズム
・「製品設計条件（寸法仕様、材料仕様など）」と生産条件」から量産時の製品特性値をバラツキも含めて人工知能に精密に予測させる方法
・上記の量産時性能予測技術を利用した、製品設計条件と生産条件を試作レスで最適化する技術の構築方法（レシピジェネレーターの開発方法）
・抜き取り検査しかできなかった工程を人工知能による推定全数検査化する方法
・検査工程を作らず、加工工程自体が検査工程になる仮想検査の構築方法
・直接計測不可能な特性を代替え特性から推定するセンサレスセンシングを構築する方法
・学習していない未知の異常も検出する技術を活用した検査システム、設備の予防保全システムを構築する方法
・人的な官能（感性）検査を機械化（自動化）する方法
・製造業における人工知能の使いこなしノウハウ
・第四次産業型の補助金申請に必要なIoT＆AIシステム構成と処理フローの事例 など
セミナー内容
１．人工知能活用による事例概要
1) エンジニアから見た人工知能技術 概要
2) 製造業に特化した人工知能活用（本講義）の全体像
3) 設計、材料、生産条件を統合した現実さながらの予測式構築と自動開発技術（開発実験環境の仮想化技術、レシピジェネレーター技術）概要
4) 加工状況データから加工品質を推定する検査機レス検査技術（仮想検査技術、センサレスセンシング技術）概要
5) 未学習の未知異常検知技術（異常モニタリング、予防保全技術）概要
２．人工知能技術の概要
1) 要素技術者から見た開発ツールとしての人工知能技術の比較
2) 参考：データ採取のポイント（ビッグデータの誤解）
3) 補足：ニューラルネットワークモデルはブラックボックス？
4) 要素技術者に適した人工知能構築ツールの比較
３．ニューラルネットワークモデル構築の実演
1) 簡単な関係性を人工知能に学習させ、その後推定させる
2) 複雑な関係性を人工知能に学習させ、その後推定させる
3) 品質工学、実験計画法の直交表を応用した学習データ
4) 推定に問題ある場合の対処法1
5) 推定に問題ある場合の対処法2
6) 難しい排他的論理和問題を人工知能に解かせる
４．【事例１ ニューラルネットワークモデル活用】設計、材料、生産条件を統合した現実さながらの予測式構築と自動開発技術
（開発実験環境の仮想化、レシピジェネレーター技術）
【毎年繰返し行っていた電磁石コイルの開発を、設計条件と生産条件を合わせてパソコン上で自動開発を可能にした事例を解説】
1) 背景：電磁石コイルの繰返し開発の紹介
2) 製品設計部門と工法開発部門、量産部門の役割分担
3) 汎用巻線技術の開発－設計条件と設備条件の密接な関係
4) 個別最適解を求める「設計条件×設備条件＝性能の平均値とバラつき」方程式の探求
5) 人工知能活用の実施手順
6) データ収集の実験計画とその勘所
7) データの説明性確保の課題と解決策
8) データ数不足の解決策 要素技術を活かしたデータ増殖
9) 試作レス開発環境の構築例
10) 人工知能の推定が間違った場合の対処方法
11) 本事例を応用可能な別事例の紹介
５．【事例２ ニューラルネットワークモデル活用】加工状況データから加工品質を推定する検査機レス検査技術
（仮想検査技術、センサレスセンシング技術）
【溶接の抜取り破壊検査工程を、溶接と同時に溶接強度を推定し、全数検査と量産品質トレンドや設備状態のモニタリングを可能にした事例を解説】
1) 背景：溶接と抜取り破壊検査の紹介
2) 全数検査化に先立つ要素技術
3) 人工知能活用の実施手順
4) データ収集、及び人工知能による強度推定のシステム構築例
5) システムの動作フローチャート
6) 本事例を応用可能な別事例の紹介
６．【事例３ MTシステム活用】未学習の未知異常検知技術（異常モニタリング、予防保全技術）
【事前に学習できない未知の異常・不良を検出したい場合の対処方法を、エンジンの異常音など、聴感による人的官能検査工程を自動化した事例を元に解説】
1) 背景：異常音で判断する官能検査工程の紹介
2) 定義できる不良音と定義できない不良音。未知の不良を見つける必要性
3) MTシステム（MT法）とは
4) 人工知能活用の実施手順
5) データ収集、及び人工知能による異常音推定システム構築例
6) システムの動作フローチャート
・本事例を応用可能な別事例の紹介
７．全体質疑応答
＊原則として、マイクによる口頭での質問を受け付けます。
※受講者の習熟度を勘案し、説明の順序等を変更する場合があります。
※キーワード
深層学習 ディープラーニング 回帰モデル ニューラルネットワークモデル 人工知能 MTシステム MT法 レシピジェネレーター 仮想検査 センサレスセンシング 異常検知 予防保全 未知異常検知 未学習不良検知 非線形回帰式 直交表 予測式 実験式
お申込みはこちらから
セミナーコード：AD260103
